通过预处理的多光谱影像计算植被指数和纹理特征，提取马铃薯植被。将实测的LAI与植被指数、纹理特征进行相关性分析，基于R²_adj全子集回归分析筛选最优特征变量，用主成分分析(Principal component analysis，PCA)融合光谱、纹理得到主要成分进行马铃薯LAI估算。流程如图2所示。

1)马铃薯提取。用支持向量机(Support vector machine，SVM)分类方法提取马铃薯植被像元，去除土壤、阴影、地膜等背景。2)植被指数计算。根据大疆P4M多光谱波段、实测的不同生育期光谱曲线和已有的研究，选取与叶面积指数相关的植被指数(表2)。3)纹理特征计算。计算8类基于灰度共生矩阵(Gray-level co-occurrence matrix，GLCM)的纹理特征值有：均值(Mean)、协同性(Homogeneity, Hom)、相异性(Dissimilarity, Dis)、信息熵(Entropy, En)、二阶矩(Second moment, Sm)、相关性(Correlation, Cor)、对比度(Contrast, Contr)方差(Variance, Var)，共40个纹理特征值。4)特征优选。将LAI与植被指数、纹理特征进行相关性分析，挑选出相关性较高的特征，并引入调整的R²(R²_adj)对植被指数、纹理特征进行全子集回归分析，对相关性较高的特征进行二次优选。5)光谱、纹理特征融合。利用PCA融合二次优选特征，用少量的主要成分表示原始光谱、纹理信息，融合成新的指标。6)模型比较及验证。将PCA方法融合的主要成分进行多元回归建模，并与植被指数、纹理特征回归模型进行比较。在所测试样本中，分别由30个建模样本和15个验证样本组成。利用R²、R²_adj和均方根误差(RMSE)作为模型的评价指标。7)选较优模型进行马铃薯LAI估算。