基于粒子群算法优化光谱指数的甜菜叶片氮含量估测研究

田海清 张 晶 张 珏,2 吴利斌 王 迪 李 斐

(1.内蒙古农业大学机电工程学院， 呼和浩特 010018； 2.内蒙古师范大学物理与电子信息学院， 呼和浩特 010022；3.内蒙古农业大学草原与资源环境学院， 呼和浩特 010019)

0 引言

甜菜是除甘蔗以外的主要制糖原料，也是我国东北、西北地区重要的经济作物。氮是甜菜生长过程中所需的重要营养元素之一，直接影响着甜菜的长势、代谢过程以及品质[1]。因此，快速、准确地测定甜菜氮营养盈缺情况，对实时监测甜菜植株长势具有重要意义。传统田间管理，主要通过人工感官法对甜菜氮丰缺状况进行判断，判断结果主要取决于检测者的专业水平和实践经验，存在主观性强、检测精度低的弊端。理化检测法虽具有较高的检测精度，但该方法破坏植株的完整性，且时效性差[2]。近年来，机器视觉技术[3]和光谱分析技术[4]的快速发展为甜菜冠层叶片氮含量(Canopy leaves nitrogen content, CLNC)的快速、实时无损检测提供了可能。但机器视觉技术只能反映作物外部结构特征信息，无法检测其内部化学信息。光谱技术虽能够实现作物内部化学组分信息的检测，却无法获取作物整体综合信息。而高光谱成像技术在捕捉作物图像信息的同时，还对图像的光谱信息进行了捕捉[5]，弥补了单一技术检测信息不全面的缺陷。近年来该技术已在肉类[6-9]、果蔬[10-14]等农畜产品品质及作物营养无损检测中表现出良好的应用前景。

目前利用高光谱成像技术对作物氮素营养进行检测，主要是通过建立光谱指数与作物CLNC的数学统计模型实现的[15-16]。国内外学者已构建了一系列与作物CLNC相关的光谱指数，其中归一化植被指数(Normal difference vegetation index, NDVI)应用较广泛，但该指数在高密度植被覆盖区易饱和，低密度植被覆盖区受土壤背景等干扰信息的影响较大[17-18]。为此，HUETE提出了土壤调节植被指数(Soil adjusted vegetation index, SAVI)，该指数通过引入冠层调节参数L来降低土壤等背景因素对光谱信息的影响[19-20]。但上述光谱指数均基于红光和近红外谱区的特定波段信息构建，并未考虑其他波段信息，而作物的目标参量可能对其他波段信息组合下的光谱指数更为敏感。因此，在实际光谱检测中，需进一步优化或构建新的光谱指数，以提高光谱指数的检测精度和普适性。如INOUE等[21]通过优化NDVI的波段组合，在全波段范围内构建归一化光谱指数(Normal difference spectral index, NDSI)，并与CLNC进行建模分析，发现基于NDSI(R825，R725)的模型估测效果优于常规NDVI(R750，R550)。目前，该方法已被一些研究者应用于作物CLNC[22]和生物量[23]等生理参数的监测研究中，但这些研究多是基于NDVI开展的，而对SAVI的研究却较少见。

L值是影响SAVI应用效果的主要因素之一，受植被覆盖度的影响，L在0～1之间变化[24]。大多数应用SAVI的研究，均基于800 nm和670 nm这两个波段，L一般取0.5，但其应用效果差异性显著。在不同品种、试验条件下，SAVI对目标参数的敏感度不同，表明上述波段组合下的SAVI普适性较差，同时在外界环境以及研究对象变化的情况下，0.5也非SAVI中L的最佳取值。另外，即使同一物种在相同试验条件下，不同波段组合下SAVI的最佳L值也各不相同。鉴于此，本研究以不同氮胁迫下的甜菜为研究对象，对SAVI和NDVI的波段组合以及SAVI进行优化。基于精细采样法在全波段范围内构建所有可能波段组合的NDSI和SASI，并针对SASI中L的可调节性，提出基于粒子群算法的L值优化方法，以探寻各生育期估测甜菜CLNC的最佳SASI的波段组合、最优L值及其变化规律。

1 材料与方法

1.1 试验设计

试验分别于2014年内蒙古自治区赤峰市松山区太平地镇(119°24′～119°42′E，42°29′～42°49′N)和2015年内蒙古农业大学教学农场(111°41′E，40°48′N)开展，为单因素(N)试验，所用氮肥为普通尿素(碳酸二铵)。2014年共设7个氮肥梯度，各梯度重复4次，2015年设4个氮肥梯度，各梯度重复3次。设置株行距为25 cm×50 cm，小区面积为50 m2，各小区随机排列，同时各小区磷肥(过磷酸钙)和钾肥(硫酸钾)的施用量分别为3.8 kg和1.2 kg。所有肥料作为基肥一次性施入，田间管理按常规方式进行。表1为试验区土壤理化信息、种植品种、种植方式、氮水平以及数据采集时间统计表。同时，为验证模型的精度，2014年在试验区附近的农田中种植相同品种的甜菜幼苗作为验证集样本，该种植区不设氮肥梯度，肥料施用量以及其他农田管理方式均按当地常规方式进行。

表1 试验区基本信息Tab.1 Basic information of test area

1.2 高光谱数据采集

甜菜冠层叶片高光谱图像的采集使用ImSpectorV10E高光谱成像系统，其中，成像光谱仪的分辨率为2.8 nm，波长范围为383～1 003 nm。选择在天气晴朗，无风无云，光照强度最强且较稳定的10:00—14:00进行冠层光谱采集。采集时，成像光谱仪通过三角架固定在距冠层顶部垂直高度约1 m处，扫描角度为40°。采集过程中，图像分辨率设置为1 628像素×428像素，曝光时间为5 ms，电控旋转平台每秒转动0.36°。为去除背景信息和暗电流的影响，需通过采集全黑和全白图像，对高光谱数据进行校正处理，该处理在成像系统配套的采集软件中进行。利用ENVI 5.1软件在每个冠层叶片样本的高光谱图像中，避开叶脉部分，分别于冠层叶片尖部、中部和基部共选取5个20像素×20像素的矩形感兴趣区域(Region of interest, ROI)，并提取平均光谱值，将各ROI加权平均后的光谱值作为该样本的原始光谱数据。除去首尾信噪比较低波段(383～389 nm和991～1 003 nm)，选取390～990 nm波段范围内的光谱数据供下一步研究使用。图1为高光谱成像数据采集作业现场及样本ROI区域分布示意图。

图1 高光谱成像数据采集作业现场及ROI分布图Fig.1 Hyperspectral imaging data acquisition operation site and ROI distribution diagram

1.3 叶片氮含量的测定

在获取高光谱图像数据后，将甜菜样本整株装入保鲜袋，带回实验室。使其茎叶分离，叶片置于105℃的干燥箱内杀青30 min后，在70℃下恒温干燥并粉碎，利用凯氏定氮法测定甜菜CLNC[25]。3个生育期甜菜CLNC的统计结果见表2，其中N表示样本总数。

1.4 光谱指数的构建

不同氮胁迫下甜菜冠层叶片的光谱响应曲线不同，但区分度较差，一些细节信息被掩盖。大量研究表明将原始光谱数据以光谱指数的形式进行分析，可降低外界环境对光谱检测精度的影响，放大细节信息，提高光谱信息对目标参数的敏感度[26]。其中常用的光谱指数为NDVI和SAVI，计算公式为

表2 样本冠层叶片氮含量统计分析Tab.2 Statistical analysis of canopy leaves nitrogen content in samples g/kg

(1)

(2)

式中λi——近红外波段内的任意一个波长，nm

λj——红光波段内的任意一个波长，nm

Rλi、Rλj——λi、λj波长所对应的反射率

综合考虑各生育期甜菜冠层叶片覆盖度的变化规律，以及高光谱成像数据分辨率高的特点，本研究通过优化NDVI与SAVI的波段组合，构建了适合甜菜氮素估测的归一化光谱指数(NDSI)和土壤调节光谱指数(SASI)。即以传统NDVI和SAVI的公式结构为指导，将参数定义中的λi和λj由近红外和红光波段拓展至全波段范围(390～990 nm)，并利用粒子群算法(Particle swarm optimization, PSO)对所有SASI的最优L值进行寻优处理。同时选取5个应用效果较好的光谱指数(表3)与优化的光谱指数分别构建估测模型并进行对比，以验证SASI用于估测甜菜CLNC的有效性。表3为所选光谱指数的具体计算方法及文献来源。

表3 光谱指数计算方法及文献来源Tab.3 Calculation method and source of spectral parameters

注：R550、R670、R700、R710、R740、R750、R765、R787是波长550、670、700、710、740、750、765、787 nm处反射率。

1.5 冠层调节参数L的寻优过程

充分利用PSO算法[32]的优化性能，在0～1之间搜寻所有波段信息组合下SASI的最优冠层调节参数L，若某一粒子能够使SASI与CLNC的相关系数最大，则该粒子所在位置即为搜寻的最优L值。因此，本文将SASI与CLNC的相关性作为PSO的适应度函数，适应度fness的计算公式为

fness=fcorrcoef(SASI,CLNC)

(3)

式中fcorrcoef(·)——相关性函数

算法的具体运行步骤如下：

(1)初始化粒子群参数：随机设定粒子的初始位置xi和初始飞行速度vi，设定待优化参数L的取值范围为[0,1]，设定学习因子c1=c2=0.01，初始种群数为10，惯性权重w为0.1，最大迭代次数t为30。xi和vi分别为

xi=(xi,1,xi,2,xi,3,…,xi,d)

(4)

vi=(vi,1,vi,2,vi,3,…,vi,d)

(5)

式中i——粒子序号

d——第i个粒子所在空间的维数

xi,d——第i个粒子在d维的位置

vi,d——第i个粒子在d维的速度

(2)计算各粒子的适应度fness，并将粒子当前所在位置作为个体最佳位置，记为Pi。通过对比各粒子适应度，确定种群最佳位置，并记为Pg。

(3)更新粒子的速度和位置，即

vi,d(t+1)=wvi，d+c1r1(Pi,d-xi,d(t))+

c2r2(Pg,d-xi,d(t))

(6)

xi,d(t+1)=xi,d(t)+vi,d(t+1)

(7)

式中t——迭代次数

Pi,d——第i个粒子经历的历史最佳位置

Pg,d——群体中所有粒子经历的最佳位置

r1、r2——0～1之间服从均匀分布的随机数

(4)根据粒子更新后的位置和速度返回步骤(2)继续进行迭代寻优，若xi(t)≥Pi，则Pi=xi(t)；若xi(t)≥Pg，则Pg=xi(t)。不断更新Pi和Pg，直到循环达到最大迭代次数，搜寻结束，输出最优L值。

(5)将PSO寻找的最优L值代入相应的SASI中，并与CLNC进行相关性分析，确定最佳SASI参数的分布区域。算法流程如图2所示。

图2 粒子群寻优算法流程图Fig.2 Flow chart of PSO

1.6 模型的建立与验证

为了充分反映优化后的光谱指数对研究区甜菜CLNC的实际估测情况，将2014年采集的240个数据和2015年采集的72个数据按甜菜生育期排序。2014年，各生育期选取56个样本构建模型，24个样本验证模型精度，2015年各生育期选取24个样本用于验证模型的普适性。在此基础上，将通过显著性检验的优化光谱指数和选取的5个常规光谱指数作为自变量，利用BP神经网络建立甜菜CLNC的估测模型。选取决定系数(Coefficient of determination,R2)、均方根误差(Root mean square error, RMSE)以及相对误差(Relative error, RE)3个评价指标对模型的估测性能进行量化评价，优选最佳估测模型。基于筛选的估测模型，并结合图像信息计算生成甜菜CLNC的预测分布图。上述过程均在Matlab 2016软件中实现。

BP神经网络是一种利用误差反向传播学习算法训练的前馈神经网络，主要由输入层、输出层和隐含层组成。在误差信号反向传播过程中，误差信号由输出端开始逐层向前传播，利用最速下降法不断调整网络的权值和阈值，进而使网络的实际输出值与期望值间的离差最小[33]。本研究采用单隐含层结构的BP 神经网络，输入层为光谱指数，输出层为冠层叶片氮含量的预测值。其中，隐含层输出值、网络实际输出值和均方误差的计算公式分别为

(8)

(9)

(10)

式中n——输入节点数

i——隐含层节点数

j——输出层节点数

g(·)——隐含层激活函数

f(·)——输出层激活函数

wni——第n个输入层节点到第i个隐含层节点的权值

wij——第i个隐含层节点到第j个输出层节点的权值

ai——输入层到隐含层的阈值

aj——隐含层到输出层的阈值

Hi——隐含层输出值

Oj——网络实际输出值

Yj——期望输出值

Ej——均方误差

2 结果与分析

2.1 光谱指数与CLNC的相关性分析

分别对2014年各生育期甜菜全波段范围内构建的823×822个NDSI以及优化后的SASI与CLNC进行相关性分析，并绘制相关系数分布图，如图3、4所示。在光谱指数构建过程中，受公式结构形式的影响，相同波段未进行组合，因此相关系数分布图均以(390 nm，390 nm)和(990 nm，990 nm)两点的连线为对角线呈轴对称分布。

图3 NDSI与CLNC的相关系数分布图Fig.3 Correlation coefficient distribution diagrams between NDSI and CLNC

图4 SASI与CLNC的相关系数分布图Fig.4 Correlation coefficient distribution diagrams between SASI and CLNC

由图3、4可知，3个生育期内NDSI、SASI与甜菜CLNC的相关系数，以及图4中L的分布趋势存在显著性差异。在同一生育期内，对比NDSI、SASI与CLNC的相关系数分布图，发现SASI对CLNC的敏感度相对较高。特别在横轴波长780～990 nm、纵轴波长400～750 nm波段范围内，SASI与CLNC的相关性明显优于NDSI，体现了PSO对SASI优化的有效性。与NDSI相比，叶丛快速生长期SASI与甜菜CLNC的相关系数 (Correlation coefficient,r)提高了6%～66%，糖分增长期提高了25%～39%，糖分积累期提高了17%～31%。由图4可知，各生育期L整体呈高-低-较高的变化趋势，该趋势在L为1时较为明显。分析认为，叶丛快速生长中期冠层叶面积偏小，覆盖度低，SASI受土壤反射光谱影响较大，导致整个叶丛快速生长期最终L寻优值为1的SASI较多，且主要集中在横轴波长680～986 nm、纵轴波长400～720 nm波段范围内。但随着植株的生长，糖分增长期的甜菜叶面积达到最大，进而冠层覆盖度也达到最大，土壤等背景因素的影响显著下降，因此该时期为1的SASI所占区域较叶丛快速生长期明显缩小，主要分布在横轴波长760～950 nm、纵轴波长540～700 nm波段范围内。且在该波段范围内，随横轴波段向近红外波段方向迁移，对应波段组合下SASI的最佳L也由0到1呈递增趋势变化。糖分积累期由于甜菜叶片停止生长或逐渐枯黄、萎蔫，冠层覆盖度显著下降，光谱数据中的干扰信息较多，导致与糖分增长期相比，糖分积累期L为1的SASI的分布范围明显增大，横轴波段扩展为700～990 nm，纵轴波段扩展为420～760 nm。这与李晶等[34]的研究结论存在共性，即高植被覆盖区L的取值较小，低植被覆盖区L较大，表征了PSO算法寻优的有效性。总体而言，根据实际需求构建SASI，通过PSO对SASI中的L进行优化，确定最佳L，可增强土壤等背景信息与目标信息的可分性及SASI的敏感性，同时也可明显提高估测模型的精度，上述结果表明该方法可有效改善NDSI在近红外波段的饱和性。

依据图4，本研究分别选取叶丛快速生长期r≥0.83、糖分增长期r≥0.70以及糖分积累期r≥0.80的区域进行特征光谱指数筛选，统计结果如表4所示。分析表4 SASI的波段分布规律，发现各生育期相关性较高区域SASI的特征波段整体呈现向长波方向迁移的趋势。随着生育期的推进，横轴方向的特征波段由最初的红光和近红外短波区(760～913 nm)逐渐迁移到近红外短波区(827～936 nm)，纵轴方向的特征波段由蓝光区(408～446 nm)逐渐迁移到近红外短波区(813～902 nm)。分析认为，在甜菜生长过程中，随着冠层叶片中色素含量和植株生物量的增大，红边[35]会向长波方向迁移，即发生红移现象，而这一现象可能是造成各生育期相关性较大SASI的波段组合向长波方向移动的主要原因。另外，与叶丛快速生长期相比，糖分积累期SASI的部分纵轴波段呈现向短波方向迁移的现象，由蓝光区(408～446 nm)迁移到392～402 nm波段范围内。分析认为，这是由于糖分积累期的甜菜叶片开始老化，同时受到一定程度病虫害的影响，引起了蓝边迁移。对比各生育期特征SASI的波段分布范围，发现对甜菜CLNC较敏感的SASI的波段信息主要分布在红光、近红外短波以及蓝光光谱区，其中，近红外短波区的波段信息是构建各生育期特征SASI的主要信息源。分析认为，这是由于作物在近红外波段具有强烈的反射特性，且反射强度可反映作物叶片内部组织结构的变化，该波段是感知作物目标含量变化最为敏感的波段，这与周丽丽等[36]和余克强等[37]分别对玉米和尖椒叶片的研究结论存在共性。

分析表4中L的统计结果，发现SASI的L整体呈低-高-较低的单峰变化趋势，与各生育期覆盖度的变化相一致。在此基础上，结合图4发现，随着敏感SASI中纵轴波长向长波方向的迁移，叶丛快速生长期和糖分积累期对应的L呈递增趋势变化，糖分增长期呈递减趋势变化。

表4 各生育期内SASI与CLNC相关性较高区域分布统计Tab.4 Regional distribution statistics of SASI and CLNC at different growth stages

2.2 特征光谱指数的筛选

为提升模型估测能力、简化运算过程，利用逐步多元线性回归算法对表4各区域的SASI进行降维处理。由于采集到的实际光谱分辨率小于1 nm，相邻波段间的光谱信息高度相关，因此，在特征光谱指数筛选过程中，舍弃由相邻波段构成的SASI。表5为各生育期SASI的筛选结果，由表5可知，叶丛快速生长期最有效的建模输入量为SASI1(R430.20, R896.76)和SASI2(R433.03, R896.01),糖分增长期以SASI3(R952.09, R946.11)和SASI4(R760.37, R803.48)为最优建模输入量，而糖分积累期的最优建模参数为SASI5(R883.30, R887.79)。

表5 主要生育期特征SASI筛选结果Tab.5 Screening results of characteristic SASI at main growth stages

2.3 基于BP神经网络的 CLNC估测模型构建

为验证SASI的稳定性和普适性，将筛选的特征SASI和表3所列的5种常规光谱指数分别作为模型的自变量，CLNC作为响应变量，建立甜菜叶丛快速生长期、糖分增长期和糖分积累期的BP神经网络估测模型。建模结果见表6。图5为最优估测模型基于2015年验证集样本CLNC实测值与估测值的1∶1拟合散点图。BP神经网络的创建采用Matlab自带的newff函数来完成，其中网络训练误差设定为0.001，训练次数为1 000，隐含层和输出层的激励函数分别使用单极性Sigmoid函数和线性函数，输入层使用traingd函数。

从模型输入参数的角度对比分析表6的建模结果，发现各生育期基于特征SASI的模型估测效果均优于其他5种常规光谱指数所建模型，且不同年份得到的验证结果基本一致。特征SASI模型的验证集R2均不小于0.67，表明优化后的SASI对甜菜CLNC具有较高的解释度，模型的拟合精度较高，估测值与实测值的偏差较小。其中，叶丛快速生长期模型的估测精度最高，建模集R2为0.85，验证集R2为0.80和0.78，RMSE为2.46 g/kg和2.48 g/kg，RE为4.16%和4.18%；糖分积累期的估测效果次之，验证集R2为0.75和0.72，RMSE分别为2.48 g/kg和2.54 g/kg，RE分别为4.41%和4.49%。与前两个生育期相比，糖分增长期模型的估测精度略有下降，验证集R2分别为0.69和0.67，RMSE分别为2.63 g/kg和2.71 g/kg，RE分别为4.65%和4.72%。分析上述结果，发现两验证集R2和RMSE的差异性较小，R2的差值范围在0.02～0.03之间，RMSE的差值在0.02～0.08 g/kg之间，说明各生育期筛选的特征光谱指数具有一定的再现性，普适性较强，且模型的稳定性较好。从模型的验证效果来看，各生育期的估测精度存在差异，叶丛快速生长期和糖分积累期的应用效果较理想，糖分增长期的效果相对较差。分析认为，模型输入量是影响模型估测效果的主要因素之一，其他条件不变时，输入量与输出值之间的相关性越高，模型的估测效果越好。在甜菜冠层覆盖度相对偏低的叶丛快速生长期和糖分积累期，通过对SASI波段和L的优化，有效提高了SASI与CLNC的相关性，在此基础上构建的模型具有良好的估测性能。但对于冠层覆盖度最大的糖分增长期，SASI中L调节能力有限可能是导致糖分增长期模型估测精度不够理想的主要原因。另外，3个生育期模型验证集R2最大值为0.80，与实际应用需求相比，估测精度仍存在一定的提升空间。分析认为，估测精度偏低的原因与BP神经网络构建过程中使用的学习规则最速下降法有关，该方法可能导致网络学习过程收敛速度缓慢，在达到最大训练次数时，所得解并非真正最优解，进而影响了模型的估测性能。因此，适用于甜菜CLNC估测的最佳建模算法还有待于进一步探究。

综上所述，利用优化后的SASI估测甜菜主要生育期CLNC具有一定的可行性，且在叶丛快速生长期和糖分积累期取得了较好的估测效果。不同生育期CLNC的估测结果不尽相同，这可能与取样以及SASI的差异性有关。同一生育期建模精度与验证精度之间存在差异，说明不同年份的特征光谱指数具有一定的波动性，而这一现象可能是由不同田间环境下作物物质结构发生变化所引起的，这些变化导致不同试验区甜菜冠层叶片对同一波谱区辐射能的吸收度不同，从而影响了特征光谱指数的稳定性。因此，仍需开展大量不同生长环境和品种下的相关研究，以期挖掘出普适性以及稳定性更高的SASI参数。在后续研究中，基于构建的最优估测模型，可将甜菜CLNC的监测从单一的点位尺度扩展至面域尺度，为实现甜菜冠层氮素营养状况的遥感监测提供理论参考。

表6 各生育期甜菜CLNC估测模型结果Tab.6 Results of CLNC prediction models for sugar beet at different growth stages

图5 甜菜CLNC实测值和估测值的拟合散点图Fig.5 Scatter plots of measured and predicted values of CLNC in sugar beet

2.4 甜菜CLNC的可视化

为了直观显示各生育期特征SASI对甜菜CLNC的估测效果，依据冠层高光谱图像对CLNC进行可视化。通过各生育期基于SASI建立的估测模型，将甜菜冠层高光谱图像上的所有像素点转换为对应的氮含量，氮含量采用颜色梯度予以标识，最终生成各生育期甜菜CLNC的预测分布图，如图6所示。由图6可知，以红色为主的叶丛快速生长期的CLNC高于以黄色为主的糖分积累期，糖分增长期的CLNC最低，该时期对应的颜色主要为蓝色和绿色。上述各生育期甜菜CLNC的变化规律与邵金旺[38]的研究结论一致。分析认为，这是由于叶丛快速生长期的氮代谢最为旺盛，甜菜CLNC也相对较高；随着生育期的推进，氮代谢中心由叶片转移到块根，伴随着块根的生长以及糖分的积累，叶片中的氮代谢逐渐减弱，导致CLNC也逐渐降低。

同一生育期叶片尖部颜色深于叶片边缘和叶片基部，表明整个甜菜叶片氮含量的分布由高到低依次为叶片尖部、叶片边缘和叶片基部。该结论与王秋红等[39]基于SPAD值分析得出的甜菜CLNC的分布情况相同，分析认为，相比于叶片边缘和叶片基部，叶片尖部受到的光照时间较长，促进了该部位叶绿素的合成，进而CLNC也相应较高。可见，根据SASI所计算生成的甜菜CLNC分布图，能够直观反映出甜菜CLNC在时间和空间尺度上的分布差异。

图6 各生育期甜菜CLNC分布图Fig.6 CLNC distribution maps of sugar beet at different growth stages

3 结论

(1)通过对优化后的823×822个NDSI和SASI与甜菜CLNC的相关性分析，发现本研究提出的利用PSO优化L的方法可有效提高SASI与甜菜CLNC的相关性，增强土壤等背景信息与目标信息的可分性，特别在横轴波长780～990 nm和纵轴波长400～750 nm波段区域内改善效果显著。与NDSI相比，该区域内SASI与CLNC的相关系数在叶丛快速生长期、糖分增长期以及糖分积累期，分别提高了6%～66%、25%～39%和17%～31%，相应L的变化范围分别为0.17～0.28、0.62～1和0.01～0.12。

(2)利用逐步多元线性回归算法对与甜菜CLNC相关性较大区域内的SASI进行筛选，筛选结果表明叶丛快速生长期的特征SASI为SASI1(R430.20, R896.76)和SASI2(R433.03, R896.01)，糖分增长期为SASI3(R952.09, R946.11)和SASI4(R760.37, R803.48)，糖分积累期为SASI5(R883.30, R887.79)。

(3)对比特征SASI、常规光谱指数(ZTM、G-M、RVI2、TVI和REPI)与CLNC的BP神经网络估测模型，发现基于特征SASI的模型估测效果最优，特别在叶丛快速生长期和糖分积累期表现出较好的估测性能，2015年验证集R2分别为0.78和0.72，RMSE分别为2.48 g/kg和2.54 g/kg，RE分别为4.18%和4.49%。相比以上两个生育期，糖分增长期的估测效果偏差，2015年验证集R2为0.67，RMSE为2.71 g/kg，RE为4.72%。

(4)利用上述最优估测模型计算并生成了甜菜CLNC的预测分布图。从图中可以直观看出各生育期叶片整体颜色由红到蓝变化，表明各生育期甜菜CLNC由高到低依次为叶丛快速生长期、糖分积累期、糖分增长期；同一生育期叶片尖部颜色深于叶片边缘和叶片基部，表明整个叶片氮含量的分布由高到低依次为叶片尖部、叶片边缘、叶片基部。上述结论证明优化后的SASI可有效用于甜菜CLNC的快速估测。