1.一种水稻叶绿素含量遥感估测方法，其特征在于，所述方法包括：(1)利用PROSAIL辐射传输机理模型模拟待测量水稻冠层光谱，建立查找表，并将采集的冠层光谱反射率与查找表中模拟冠层反射率比较，通过代价函数确定最优解初步反演水稻叶绿素含量；

(2)采用LS‑SVM方法建立LS‑SVM误差补偿模型，弥补PROSAIL辐射传输机理模型在机理建模时存在的偏差，所述方法的估测输出如下所示：

其中C为基于PROSAIL辐射传输机理模型的叶绿素含量预测值，为LS‑SVM误差补偿模型对PROSAIL辐射传输模型预测值与实测值之间的偏差估计；

所述PROSAIL辐射传输模型是通过耦合PROSPECT叶片辐射传输模型和SAILH冠层结构模型得到的整体模型，其中，所述PROSPECT叶片辐射传输模型的输入参数包括叶片结构参数、叶绿素含量、干物质含量和等效水厚度；

所述SAILH冠层结构模型的输入参数包括叶片光谱信息、叶面积指数、平均叶倾角、热点参数、土壤亮度参数、漫反射系数、观测天顶角、太阳天顶角、观测相对方位角；

步骤(1)还包括，采用基于方差的改进Sobol全局敏感性分析算法分析PROSAIL辐射传输模型中叶绿素含量、等效水厚度、干物质含量的参数变化以及所述参数之间相互作用对模拟水稻冠层光谱信息的影响；

将光谱反射率转换为不同植被指数，并选取GNDVI，RSI和(SDr‑SDb)/(SDr+SDb)及MCARI这四种植被指数，其中，GNDVI的表达式为(R801‑R550)/(R801+R550)，RSI的表达式为R738/R522，(SDr‑SDb)/(SDr+SDb)表示红边面积SDr和蓝边面积SDb的归一化值，MCARI的表达式为[(R700‑R670)‑0.2(R700‑R500)](R700/R670)；结合这四种植被指数作为多因子输入，水稻叶绿素含量为输出，构建多因子预测模型，包括构建LSSVM偏差模型，补偿PROSAIL模型输出与实测值之间的偏差，混合模型标记为MFEMPROSAIL‑LSSVM；同时单独采用PROSAIL模型建立查找表反演叶绿素，标记为MFEMPROSAIL。

2.根据权利要求1所述的方法，其特征在于，步骤(1)包括，在待测量水稻生长的分蘖期、拔节孕穗期、抽穗灌浆期和成熟期测量水稻冠层光谱反射率。

3.根据权利要求2所述的方法，其特征在于，所述测量光谱反射率采用400～1000nm波段，并将该波段进行5点平滑处理及归一化处理。

4.根据权利要求1所述的方法，其特征在于，步骤(1)还包括，取测量区域的水稻样品，进行叶绿素提取和含量测定。

5.根据权利要求1所述的方法，其特征在于，所述改进Sobol全局敏感性分析算法包括：设非线性模型为F＝u(t)，其中t＝(t1,t2,...tk)，服从[0，1]均匀分别，则模型的总方差为：式中Vi＝V[E(Y|Xi)]；Vij为输入参数ti,tj间相互作用的方差；Vi,...,k为参数ti...tk相互作用的方差，参数ti的一阶及总敏感度Si和STi如下式：

采用蒙特卡罗方法，V(F)、Si和STi为：

式中f0为模型输出的平均值；P和Q为两个独立矩阵，每行为模型的一个输入参数向量；N为样本数； 表示将矩阵P的第i列替换为矩阵Q的第i列后得到的矩阵；计算过程中，对进行归一化处理，进而评价模型中相关参数的敏感度。

6.根据权利要求1所述的方法，其特征在于，步骤(2)中，所述LS‑SVM误差补偿模型选取为样本集，其中xi＝{X,y}， L为样本数。

7.根据权利要求6所述的方法，其特征在于，通过LS‑SVM误差补偿模型弥补PROSAIL辐射传输机理模型在机理建模时存在的偏差包括下列步骤：其中 为误差变量，γ为正则化参数，b为偏差量。

8.根据权利要求7所述的方法，其特征在于，引入Lagrange函数以求解优化问题：式中αi为拉格朗日乘子，令上式偏导数为0，消去w和 求解变为如下形式：T T

式中e＝[e1,e2,…,eL]；Z＝[1,1,…,1]；α＝[α1,α2,…,αL]；Ωij＝K(xi,xj)，求解上述矩阵可得到相应a和b的值，从而得到水稻叶绿素误差估计函数为：式中K(x,xi)为核函数，选径向基核函数：

2 2

K(x,xi)＝exp(‑||x‑xi||/2σ)              (9)式中σ为核函数参数。