叶绿素能够进行光合作用，将光能转换为化学能，合成有机化合物，为植物生长提供养料^[1]。植株体内叶绿素含量与其生长发育、光合能力以及氮素状况有较好的相关性，被称为监测植物生长发育和营养状况的指示器^[2-3]。目前叶绿素含量测定通常采用研磨浸提或直接浸提^[4]，耗时耗力, 而且会对植株造成损害。快速、无损地掌握植株叶绿素含量能减少对植株的损害，在作物生长监测、产量预测、精确诊断与动态调控中具有十分重要的意义^[5]。

高光谱遥感技术能够较准确地估算农作物的叶绿素含量^[6]，为快速、大面积监测植被的叶绿素含量的变化提供了可能^[7]。Maderira等^[8]发现光谱反射率能够作为有效估测叶绿素含量的指标。Gitelson等^[9]利用大豆、玉米的冠层反射率导数成功地建立了叶片叶绿素含量估测模型。Wu等^[10]分析了十几种光谱指数估测玉米叶片叶绿素含量的精确度。宋开山等^[5-6]构建了玉米与大豆叶绿素含量的神经网络估测模型，提高了叶绿素反演的精确度。蒋金豹等^[11]利用光谱微分指数成功地构建了小麦叶绿素含量的估测模型。靳彦华等^[12]基于叶片冠层光谱构建了不同地类、不同生育期春小麦叶绿素含量的最佳估测模型。杨峰等^[13]基于14种植被指数构建了稻麦叶绿素含量估测的最佳模型。这些研究对于监测水稻、玉米、小麦等粮油作物的生长动态，并进行科学的田间管理起到了积极作用。针对马铃薯Solanum tuberosum叶片叶绿素含量监测的研究鲜见报道。本文采用高光谱遥感技术，测定了马铃薯植株叶片12个光谱植被指数；通过分析12个植被指数与叶绿素a、叶绿素b含量的相关性，筛选出与叶绿素a、叶绿素b相关性最好的植被指数，建立估测叶绿素a和叶绿素b含量的最佳模型，为马铃薯长势及植株氮营养诊断提供技术支撑。

1 材料与方法 1.1 材料

脱毒马铃薯：川芋117，为四川省农业科学院作物研究所培育和提供的马铃薯新品种。

1.2 盆栽试验

试验在四川农业大学成都校区进行，采用精准控制条件下的沙培盆栽试验，盆规格为35 cm×56 cm，每盆装河沙20 kg，每盆种植马铃薯6株，播深5 cm。以SM营养液为基础、硝酸铵为氮素形式，设置6个施氮处理，每处理4次重复，施氮量(纯氮)分别为0、55、110、220、330和440 kg·hm^-1(以N0、N1、N2、N3、N4、N5表示)，各施氮处理均在马铃薯整个生育期内分6次均匀施入。

1.3 光谱反射率和叶绿素含量的测定

光谱反射率(R)使用荷兰AvaField-3便携式高光谱地物波谱仪测定，光谱使用范围为350~1 050 nm。马铃薯苗期、块茎形成期、块茎成熟期，选择晴朗无云的天气于11:00—14:00进行测定。3个生育时期，每处理选取代表其生长势的马铃薯植株3株，每株取功能叶片(倒4叶)，立即带回遮光的实验室内，平铺于黑色背景的工作台上，用AvaField-3进行光谱反射率测定。测量时，标准探头靠近叶片，每片叶重复测定10次，取平均值为该处理的光谱反射值，共获得54组光谱反射率有效数据。每个处理测定完成后，及时用标准白板对探头进行校正。

植被指数为自变量，叶绿素a和叶绿素b的含量为因变量，以54组样本为对象建立回归模型：

线性函数：y=a+bx，

对数函数：y=a+blnx，

指数函数：y=ae^bx，

二次函数：y=a+bx+cx²，

三次函数：y=a+bx+cx²+dx³，

乘幂函数：y=ax^b,

式中，y代表叶绿素含量；x代表植被指数；a、b、c、d分别为常数。

叶绿素含量测定：在光谱测定的同时测定叶绿素含量。用打孔器在样品叶片中间部位叶脉两侧取2个小圆片，以千分之一精度电子天平称质量。放入15 mL带塞的刻度试管中，在试管中加丙酮、乙醇、水(体积比为4.5: 4.5: 1.0)混合溶液15 mL，盖塞，室温下置黑暗处浸提过夜，其间摇动数次。观察叶组织颜色变白时，取上清液分别于645和663 nm下测定其吸光值，计算叶绿素含量：

ρ(叶绿素a)=12.7D_{663 nm}-2.59D_{645 nm}，

ρ(叶绿素b)=22.9D_{645 nm}-4.67D_{663 nm}。

数据分析使用Excel、Origin、Spss17.0数据处理软件进行。

1.4 光谱植被指数的选取

光谱植被指数是某些光谱波段反射值的特定组合。本文选取前人研究中与叶绿素含量有关的12个植被指数：简单比值指数(SRI)、归一化植被指数(NDVI)、差值植被指数(DVI)、结构不敏感色素指数(SIPI)、修正归一化差异指数(mND₇₀₅)、修正简单比值指数(mSR₇₀₅)、光化学植被指数(PRI)、植被衰减指数(PSRI)、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)、优化土壤调节植被指数(OSAVI)和转化叶绿素吸收反射指数(TCARI)^[14-18]。各植被指数的计算公式如下：

式中，R为光谱反射率。

2 结果与分析 2.1 叶绿素含量与光谱反射率的相关性

将马铃薯叶片叶绿素a、b含量与相对应的54组叶片光谱反射率进行相关性分析。由图 1可以看出叶绿素a、b含量与原始光谱反射率除在410~730 nm处呈现负相关关系外，其他波段均呈现正相关关系。叶绿素a含量与原始光谱反射率分别在420~725、738~1 050 nm处呈极显著相关(P < 0.01)，在420~725 nm处呈极显著负相关，而在738~1 050 nm处呈极显著正相关。叶绿素b含量与原始光谱反射率分别在422~724、737~1 050 nm处呈极显著相关，在422~722 nm处呈极显著负相关，而在737~1 050 nm处呈极显著正相关。叶绿素a、b含量分别在704、519 nm处与原始光谱反射率相关程度最高，其值分别为-0.77、-0.78。分析叶绿素含量与原始光谱反射率的相关性，确定马铃薯叶片叶绿素含量敏感波段为400~800 nm。

2.2 叶绿素含量预测模型的构建 2.2.1 植被指数的筛选

将马铃薯叶片叶绿素a、b含量分别与所选择的12个植被指数进行相关性分析。结果表明，SRI、NDVI、DVI、SIPI、mND₇₀₅、mSR₇₀₅、PRI、PSRI、MTCI、MCARI、OSAVI和TCARI等12个植被指数与叶绿素a含量的相关系数(R)分别为0.700^**、0.723^**、0.695^**、0.765^**、0.807^**、0.791^**、0.630^**、-0.171、0.816^**、-0.769^**、0.718^**和-0.768^**，与叶绿素b含量的R分别为0.781^**、0.788^**、0.695^**、0.790^**、0.806^**、0.799^**、0.706^**、-0.349^*、0.797^**、-0.727^**、0.785^**和-0.727^**。PSRI与叶绿素a、b含量的R均最小，且与叶绿素a含量的R未达显著相关(P > 0.05)；其他11个植被指数与叶绿素a、b含量的相关性均达到极显著水平(P < 0.01)，且mND₇₀₅、mSR₇₀₅、MTCI和MCARI与叶绿素a、b含量的相关性最好，因此，选择这4个植被指数建立马铃薯叶片叶绿素含量估测模型。

2.2.2 叶绿素含量估测模型的构建

用筛选出的mND₇₀₅、mSR₇₀₅、MTCI、MCARI建立预测叶绿素a含量的线性、对数、指数、二次、三次、乘幂模型，所建立的模型的决定系数(R²)均达到极显著水平(P < 0.01)；R²较高，表明该模型能较好地估测马铃薯叶片叶绿素a含量(表 1)。构建的叶绿素a含量估测模型中，R²最高的是MTCI构建的乘幂模型，R²为0.797；其次是mND₇₀₅构建的指数模型，R²为0.796。

mND₇₀₅、mSR₇₀₅、MTCI、MCARI所建立的预测叶绿素b含量的线性、对数、指数、二次、三次、乘幂模型的R²较高，均达到极显著水平，可以用于马铃薯叶片的叶绿素b含量估测(表 1)。mND₇₀₅构建的指数模型估测叶绿素b含量的R²最高，为0.727；其次是mSR₇₀₅构建的乘幂模型，R²为0.715。

3 讨论与结论

叶绿素主要用于植物光合作用，叶绿素含量高低能反映植物生长状况，同时也能表征作物的生长能力，影响作物经济产量^[21]。高光谱技术波段多、光谱分辨率高且连续，可获得地物的连续光谱曲线，能够反映相邻波段间的细微差别，为定量分析叶绿素含量提供了强有力的工具^[22]。杨峰等^[13]利用二次修正土壤调节植被指数分别建立了相应的回归模型，用以预测水稻的叶面积指数和叶绿素密度。宋开山等^[23]利用归一化植被指数、土壤调和植被指数、再归一植被指数、第二修正比值植被指数等建立了大豆叶绿素a反演模型，提高了大豆叶绿素a含量估测精度，为便捷、高效地监测作物生长提供了新的思路。潘蓓等^[24]分析苹果春梢停止期6种植被指数与叶绿素含量的相关性，提出以CCI(D_{794 nm}/D_{763 nm})指数为自变量建立的估测模型为苹果树冠层的最佳叶绿素含量估测模型。赵佳佳等^[25]认为冬小麦叶绿素含量敏感波段为500、690、760与470、630、723 nm，冬小麦叶绿素含量估测的最佳模型是以导数光谱FDNDVI(630、723 nm)构建的模型。

本试验通过对马铃薯叶片叶绿素a、b含量与叶片原始光谱反射率的相关性分析，确定了马铃薯叶片叶绿素含量光谱敏感波段为400~800 nm，证明了基于叶片原始光谱反射率相关性提取植被指数进行马铃薯叶片叶绿素a、b含量反演的可能性。马铃薯植被指数与叶绿素a、b含量相关性较好，除植被衰减指数(PSRI)外，其余11个植被指数均与叶绿素a、b含量极显著相关。筛选的4个植被指数修正归一化差异指数(mND₇₀₅)、修正简单比值指数(mSR₇₀₅)、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)分别建立叶绿素a、b含量的线性、指数、对数等估测回归模型。通过分析对比发现叶绿素a含量最佳预测模型为MTCI构建的乘幂模型，叶绿素b含量最佳预测模型为mND₇₀₅构建的指数模型。叶绿素a、b含量估测模型为快速、无损地反映马铃薯叶片叶绿素含量提供了技术支持，间接地为估测马铃薯植株氮营养状况提供了研究方向。本文是在盆栽试验条件下进行的叶片光谱植被指数估测马铃薯叶片叶绿素含量的研究，在更为复杂的大田条件下其应用受到制约，今后的研究要进一步基于大田与作物冠层进行，推动高光谱遥感技术在农业生产上的应用。