菜油兼用型油菜籽粒油酸含量的高光譜模型構(gòu)建

金宇豪 石楠 文雙雅 陳崇怡 盧俊瑋 高志強

摘要：【目的】基于高光譜特征初步判別油菜摘薹情況，為實現(xiàn)高光譜反演籽粒油酸含量提供理論指導(dǎo)?！痉椒ā渴褂肍ieldSpec 3地物光譜儀采集油菜盛花期葉片光譜數(shù)據(jù)，采用Agilent GC-MS 7980B氣相色譜儀分析摘薹和未摘薹處理的籽粒油酸含量，比較2組處理的平均原始光譜反射率特征，及其油菜葉片原始及一階微分光譜反射率與籽粒油酸含量相關(guān)性，在此基礎(chǔ)上構(gòu)建基于原始光譜特征波長的支持向量機（SVM）判別模型、基于光譜參數(shù)的油酸含量二項式模型、基于一階微分光譜特征波長的油酸含量多元線性逐步回歸（MLSR）及偏最小二乘回歸（PLSR）預(yù)測模型，并利用獨立樣本T檢驗對模型精度進行驗證?！窘Y(jié)果】發(fā)現(xiàn)未摘薹及摘薹處理的平均原始光譜反射率曲線在760～1080 nm波段存在一定差異。未摘薹及摘薹處理的原始光譜反射率與籽粒油酸含量相關(guān)性曲線存在一定差異，未摘薹處理的原始光譜反射率在484～956和1001～1146 nm波段與籽粒油酸含量呈正相關(guān)，摘薹處理的原始光譜反射率在1882～2111和2324～2499 nm波段與油菜籽粒油酸含量呈正相關(guān)，說明摘薹會影響油菜光譜反射率與籽粒油酸含量的相關(guān)性表現(xiàn)。選取位于760～1080 nm波段4個拐點波長（760、920、970和1080 nm）的原始光譜反射率作為自變量，用以構(gòu)建SVM判別模型，經(jīng)過多次隨機取樣比較構(gòu)建所有SVM判別模型，發(fā)現(xiàn)最佳判別模型的訓(xùn)練集樣本總體精度為86.1%，驗證集樣本總體精度為77.8%，說明利用高光譜技術(shù)判別油菜是否摘薹具有一定的可行性。光譜參數(shù)模型中RVI模型對未摘薹處理油菜籽粒油酸含量的反演效果最佳，且該模型與未摘薹處理籽粒油酸含量的相關(guān)系數(shù) （-0.705）最高。比較全部油菜籽粒油酸含量預(yù)測模型類型，PLSR模型對未摘薹處理籽粒油酸含量預(yù)測精度最高，其訓(xùn)練集R2=0.590、RMSE=0.610，MLSR模型對摘薹處理籽粒油酸含量預(yù)測精度最高，其訓(xùn)練集R2=0.773、RMSE=0.874。利用獨立樣本T檢驗對二者模型測試集樣本進行驗證，未摘薹樣本P=0.839，摘薹樣本P=0.858，二者樣本實測值與預(yù)測值均無顯著差異（P>0.05），模型合理，說明利用高光譜技術(shù)對油菜籽粒油酸含量進行預(yù)測可行?！窘ㄗh】引入隨機森林等機器學(xué)習(xí)算法，更好地選取特征波長（顯著相關(guān)波長或全波段等），提高光譜數(shù)據(jù)對油菜籽粒油酸含量的預(yù)測能力。后期的試驗應(yīng)側(cè)重于多品種油菜籽粒油酸含量估測研究，探索高光譜技術(shù)估測油菜籽粒油酸含量是否具備普遍的可行性。利用高光譜技術(shù)反演其他油菜籽粒品質(zhì)指標(biāo)，為高光譜遙感監(jiān)測油菜品質(zhì)提供理論依據(jù)。

關(guān)鍵詞： 油菜;高光譜;摘薹處理;油酸含量;特征波長;判別模型;預(yù)測模型

Abstract：【Objective】Based on the hyperspectral characteristics of Brassica napus， a preliminary discrimination of rape moss picking was conducted， and provided theoretical guidance for the realization of hyperspectral inversion of rapeseed oleic acid content. 【Method】The spectral data of B. napus leaves were collected by FieldSpec 3， and the oleic acid content of rapeseed with mossed treatment and unmossed treatment was analyzed by Agilent GC-MS 7980B gas chromatograph. The average original spectral reflectance characteristics of the two treatments were compared. The correlation between the original and first-order differential spectral reflectance and the oleic acid content of rapeseed with and without moss picking was analyzed. On the basis of the original spectrum characteristic wavelength based support vector machine（SVM） discriminant model， based on spectral parameters of the oleic acid content in binomial model， based on the first-order spectrum characteristic wavelengths of oleic acid content（MLSR） with multiple linear stepwise regression and partial least-squares regression（PLSR） prediction model，? independent samples T test was used to verify this model precision. 【Result】It was found that the average original spectral reflectance curves of unpicked and moss-picked rapeseed were different in the band range of 760-1080 nm. There were some differences between the original spectral reflectance and the oleic acid content of rapeseed between unplucked and plucked rapeseed. The original spectral reflectance of unplucked rapeseed was 484-956 nm and 1001-1146 nm， and the original spectral reflectance of plucked rapeseed was 1882-2111 nm and 2324-2499 nm， indicating that the correlation between spectral reflectance and oleic acid content of rapeseed was affected by moss picking. The original spectral reflectance at four inflection points（760， 920， 970 and 1080 nm） in the 760-1080 nm band was selected as the independent variable to construct the SVM discriminant model. After multiple random sampling and comparison of all SVM discriminant models， it was found that the overall accuracy of the training set sample of the best discriminant model was 86.1%. The overall accuracy of the validation set was 77.8%， which indicated that it was feasible to use hyperspectral technology to determine whether rapeseed moss picking. Among the spectral parameter models， RVI model had the best inversion effect on the content of rapeseed oleic acid in unmossed rapeseed， and the correlation coefficient between RVI and the content of rapeseed oleic acid in unmossed rapeseed was -0.705. Comparing the prediction models of oleic acid content in rapeseed of all types， PLSR model had the highest prediction accuracy of oleic acid content in rapeseed of unmossed rapeseed， with its training set R2=0.590 and RMSE=0.610; MLSR model had the highest prediction accuracy of oleic acid content in rapeseed of mossed rapeseed， with its training set R2=0.773 and RMSE=0.874. The independent sample T test was used to verify the two model test sets of samples. P=0.839 for the unmossed sample and P=0.858 for the mossed sample， and there was no significant difference between the measured and predicted values of the two samples（P>0.05）. The model was reasonable， indicating that it was feasible to predict the oleic acid content of rapeseed using hyperspectral technology. 【Suggestion】 Introduce random forest and other machine lear-ning algorithms to better select characteristic wavelengths（significantly correlated wavelengths or full bands， etc.） and improve the prediction ability of spectral data for rapeseed oleic acid content. Later experiments should focus on the estimation of rapeseed oleic acid content in multiple varieties of B. napus， and explore whether hyperspectral technology is universally feasible to estimate rapeseed oleic acid content. Other rapeseed quality indexes were retrieved by hyperspectral technique， which provides the basis for monitoring rapeseed quality by hyperspectral remote sensing.

Key words： Brassica napus hyperspectral; mossed treatment; oleic acid content; characteristic wavelength; discrimination model;prediction model

0 引言

【研究意義】油菜是五大油料作物之一，在我國長江流域廣泛種植（林寶剛等，2020），兼具油用、菜用、肥用、飼用、藥用及景觀等用途（汪波等，2019）。油菜籽粒油酸含量是評價油菜品質(zhì)的重要指標(biāo)之一，有研究表明，油酸是人體必須的脂肪酸之一，能提高人體免疫能力，有效預(yù)防各類心血管疾?。ü鶠]等，2019;徐揚帆等，2020）。但目前油菜籽粒油酸含量一般只能通過實驗室檢測（盧俊瑋等，2020），存在耗時長和成本高等問題。因此利用高光譜技術(shù)實現(xiàn)油菜籽粒油酸含量的無損、便捷、高效和低耗監(jiān)測，對于實現(xiàn)利用遙感技術(shù)監(jiān)測油菜品質(zhì)具有重要意義?！厩叭搜芯窟M展】光譜技術(shù)作為作物遙感監(jiān)測的主要方式（Li et al.，2016;Duan et al.，2019;Das et al.，2020;Shi et al.，2020），常應(yīng)用于油菜表型特征監(jiān)測（常濤等，2018;程潛等，2018）。龔龑等（2017）研究發(fā)現(xiàn)，利用油菜冠層高光譜數(shù)據(jù)構(gòu)建油菜莢果期及開花期的估產(chǎn)模型穩(wěn)定性強，對油菜產(chǎn)量預(yù)測的精度高。趙贊忠（2018）通過研究油菜不同密肥條件特征光譜參數(shù)變化，發(fā)現(xiàn)紅邊面積和紅黃邊振幅光譜參數(shù)與油菜LAI值相關(guān)性達顯著水平，在此基礎(chǔ)上建立油菜不同生育期冠層特征光譜參數(shù)的LAI估測模型，對油菜不同生育期LAI值進行了有效反演。高開秀等（2019）通過分析獲取冬油菜地上部生物量、氮素積累量及葉片氮濃度等氮素營養(yǎng)指標(biāo)，并基于寬波段植被指數(shù)與冬油菜氮素營養(yǎng)指標(biāo)的相關(guān)性，確定最佳敏感指數(shù)，構(gòu)建了氮素營養(yǎng)指標(biāo)估測模型，實現(xiàn)了冬油菜氮素營養(yǎng)指標(biāo)的快速無損監(jiān)測。崔小濤等（2020）以西北地區(qū)油菜為研究對象，計算油菜葉片SPAD值和光譜參數(shù)的相關(guān)系數(shù)，篩選出對于SPAD值敏感的光譜參數(shù)，以此為基礎(chǔ)構(gòu)建了光譜參數(shù)、偏最小二乘及遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)油菜葉片SPAD值反演模型?！颈狙芯壳腥朦c】目前未見利用高光譜技術(shù)預(yù)測油菜籽粒油酸含量的相關(guān)報道?！緮M解決的關(guān)鍵問題】測定菜油兼用型油菜的盛花期葉片高光譜特征，對未摘薹與摘薹的油菜盛花期葉片原始光譜進行分類，以期實現(xiàn)利用高光譜技術(shù)判別油菜摘薹與否，同時利用盛花期高光譜特征構(gòu)建油菜籽粒油酸含量預(yù)測模型，為遙感監(jiān)測油菜品質(zhì)提供理論依據(jù)。

1 材料與方法

1. 1 試驗地點與供試材料

試驗于2019年10月—2020年5月在湖南農(nóng)業(yè)大學(xué)瀏陽教學(xué)科研綜合基地實施。該基地位于東經(jīng)113°84′、北緯28°30′，系丘陵小盆地，屬亞熱帶季風(fēng)濕潤氣候;土壤為潴育性水稻土，pH 5.71，有機碳、全氮、全磷和全鉀含量分別為29.10、1.58、0.49和14.62 g/kg。供試材料為湘油420，系湖南農(nóng)業(yè)大學(xué)油料作物改良中心育成的菜油兼用型特早熟甘藍型油菜品種，是長江中下游南部地區(qū)適應(yīng)稻稻油三熟制的主推品種。

1. 2 試驗方法

1. 2. 1 裂區(qū)試驗 統(tǒng)一施基肥600 kg/ha（復(fù)合肥氮磷鉀有效養(yǎng)分比例18∶12∶10），主區(qū)P因素為播種量，設(shè)3個密度水平，分別為低密（P1：3.270 kg/ha）、中密（P2：3.675 kg/ha）、高密（P3：4.080 kg/ha）;裂區(qū)T因素為摘薹方式，設(shè)未摘薹（T0）和摘薹（T1）。共計6個處理，9組重復(fù)，54個小區(qū)，小區(qū)面積40 m2（長20 m、寬2 m）。

1. 2. 2 摘薹處理 按單株摘薹1次進行摘薹處理，不摘薹為對照。摘薹長度10～15 cm，于2019年1月5日開始摘薹，每隔3 d摘薹1次（摘過的單株不再摘薹），2019年1月28日結(jié)束。摘薹小區(qū)于第1次摘薹后統(tǒng)一補施90 kg/ha尿素。全生育期統(tǒng)一進行田間管理。

1. 3 測定項目及方法

1. 3. 1 葉片光譜的測定 使用美國ASD（Analytical spectral devices）公司生產(chǎn)的FieldSpec 3地物光譜儀，該儀器測量的波長范圍在350～2500 nm，光譜分辨率在350～1000 nm內(nèi)為3 nm，采樣間隔為1.4 nm，在1000～2500 nm內(nèi)為10 nm，采樣間隔為2 nm。于油菜盛花期進行葉片光譜數(shù)據(jù)的測定，未摘薹小區(qū)隨機測得5株油菜主莖無柄葉光譜數(shù)據(jù);摘薹小區(qū)隨機測得5株油菜最粗壯一級分支無柄葉光譜數(shù)據(jù)，最終每小區(qū)獲取1條平均光譜數(shù)據(jù)。

1. 3. 2 油酸含量數(shù)據(jù)的測定 隨機選取各小區(qū)5株油菜一級分支油菜籽粒作為測定樣本，樣本量共計54個（未摘薹與摘薹組樣本數(shù)均為27）。采用美國Agilent GC-MS 7980B氣相色譜分析脂肪酸組分。脂肪酸測定方法參照GB/T 17376—2008《動植物油脂 脂肪酸甲酯制備標(biāo)準(zhǔn)》。樣品脂肪酸組成成分如表1所示，根據(jù)保留時間對應(yīng)的峰面積判別脂肪酸類別，列出該樣品脂肪酸組成為軟脂酸（3.091 min）、硬脂酸（3.961 min）、油酸（4.180 min）、亞油酸（4.482 min）、亞麻酸（4.871 min）、二十碳烯酸（4.974 min），其中，第7個峰代表油酸，保留時間4.180 min，峰寬0.057 min，峰面積7570.856 Pa*s，峰高1788.108 Pa，含量63.845%。

1. 4 數(shù)據(jù)處理及統(tǒng)計分析

1. 4. 1 光譜數(shù)據(jù)處理 本研究先使用View Spec Pro 6.0對采集到的高光譜數(shù)據(jù)進行處理，輸出原始及一階微分數(shù)據(jù)，并利用Excel 2016對原始及一階微分光譜全波段分別與油酸含量進行相關(guān)性分析（總樣本數(shù)為54），前期研究發(fā)現(xiàn)，區(qū)分油菜未摘薹與摘薹光譜有利于提高油菜光譜反射率與籽粒油酸含量相關(guān)性。結(jié)合前人對于植物光譜參數(shù)的研究（諶俊旭，2019;孫玉婷等，2020;邢璐琪等，2020），選取可見光和近紅外光波段具有代表性的9個光譜參數(shù)（涵蓋一階微分光譜全波段400～2449 nm）用于輔助預(yù)測籽粒油酸含量（表2）。

1. 4. 2 分類數(shù)據(jù)處理 利用Excel 2016對未摘薹和摘薹處理油菜樣本進行多次隨機取樣，并利用Matlab R2018a實現(xiàn)基于SVM分類法的不同處理的油菜花期原始高光譜判別，試驗參數(shù)設(shè)置：（1）漏提率，即本屬于分類樣本中的真實分類，但未被分類到對應(yīng)類別中的樣本的比例;（2）錯提率，即處于預(yù)測類別樣本中，但實際上應(yīng)該是其他類別的樣本概率;（3）總體精度，即被正確判別的樣本與總樣本的比例。

1. 4. 3 油酸含量數(shù)據(jù)處理 利用SPSS 25.0分別進行油酸含量與原始高光譜及一階微分光譜的皮爾遜相關(guān)性檢驗;選取相關(guān)性達極顯著的波長作為特征波長，并利用Umscrambler 9.7及SPSS 25.0構(gòu)建油酸含量預(yù)測模型，模型的擬合效果通過決定系數(shù)和均方根誤差判定，決定系數(shù)越大，均方根誤差越小，預(yù)測效果越好，對實測值與預(yù)測值進行獨立樣本T檢驗（劉紅梅等，2019），判斷所構(gòu)建模型的合理性。

2 基于高光譜特征的油菜籽粒油酸含量預(yù)測模型的構(gòu)建與驗證

2. 1 原始光譜特征分析結(jié)果

將盛花期高光譜數(shù)據(jù)分摘薹組和未摘薹組，獲取二者不同波長的平均光譜反射率（圖1）。發(fā)現(xiàn)未摘薹和摘薹處理油菜葉片平均原始光譜反射率曲線均在可見光波長范圍（390～780 nm）內(nèi)表現(xiàn)出1峰2谷的特征，在560 nm附近出現(xiàn)光譜反射率小高峰;在近紅外短波范圍（780～1100 nm）內(nèi)反射率波動穩(wěn)定，呈現(xiàn)出一段高反射率的平臺;在近紅外長波范圍（1100～2500 nm）內(nèi)呈現(xiàn)出顯著的4峰4谷的特征，在1130、1300、1650和1860 nm附近均出現(xiàn)光譜反射率高峰?？梢娢凑泛驼诽幚淼挠筒似骄脊庾V反射率曲線在760～1080 nm范圍內(nèi)表現(xiàn)一定差異，表現(xiàn)為摘薹處理的光譜反射率略低于未摘薹處理。

2. 2 原始光譜反射率與油酸含量相關(guān)性分析結(jié)果

由圖2可知，未摘薹和摘薹處理的油菜葉片原始光譜反射率與籽粒油酸含量的相關(guān)性變化規(guī)律存在一定差異。未摘薹處理原始光譜反射率在484～956和1001～1146 nm波段與籽粒油酸含量呈正相關(guān)關(guān)系，而在其余波段與籽粒油酸含量呈負相關(guān)關(guān)系，且在693～713 nm波段與籽粒油酸含量呈顯著正相關(guān)（P<0.05，下同）。摘薹處理原始光譜反射率與籽粒油酸含量在1882～2111和2324～2499 nm波段呈正相關(guān)關(guān)系，在其余波段與籽粒油酸含量呈負相關(guān)關(guān)系，且在415～426 nm波段與籽粒油酸含量呈顯著負相關(guān)關(guān)系。說明油菜是否進行摘薹處理會影響油菜原始光譜與其籽粒油酸含量的相關(guān)性，導(dǎo)致二者相關(guān)性發(fā)生不同變化。

2. 3 基于原始光譜特征的SVM判別模型構(gòu)建

從2組原始光譜數(shù)據(jù)中各隨機抽取18個樣本作為訓(xùn)練集，共36個，然后將剩余每組的9個樣本（共18個）作為測試集;未摘薹與摘薹處理油菜葉片原始光譜反射率在760～1080 nm波段存在一定差異，因此選取該波段范圍內(nèi)的4個拐點（760、920、970和1080 nm）作為特征波長。將選取的特征波長作為輸入變量，采用CV自動尋優(yōu)參數(shù)，經(jīng)過多次隨機取樣，構(gòu)建SVM的分類模型，比較全部SVM分類模型，選取精度最高的SVM模型，結(jié)果如表3和表4所示。當(dāng)SVM-Type為C-classification，采用徑向基核函數(shù)（RBF），gamma=1024、cost=256時分類結(jié)果最好，訓(xùn)練集樣本36個，預(yù)測成功31個，總體精度達86.1%;驗證集樣本18個，預(yù)測成功14個，總體精度達77.8%，可為遙感判別油菜摘薹情況提供依據(jù)。

2. 4 基于光譜參數(shù)的油菜籽粒油酸含量預(yù)測模型構(gòu)建

2. 4. 1 光譜參數(shù)與籽粒油酸含量相關(guān)性分析 如表5所示，未摘薹處理的9個光譜參數(shù)中Db、SDb、SDr與籽粒油酸含量呈正相關(guān)，其余光譜參數(shù)與籽粒油酸含量呈負相關(guān)，Db、SDb、Dy、Dr、NDVI、RVI、DVI與籽粒油酸含量呈顯著或極顯著（P<0.01，下同）相關(guān)，其中RVI與籽粒油酸含量相關(guān)系數(shù)最高（-0.705）。摘薹處理的9個光譜參數(shù)中SDy、NDVI和RVI與籽粒油酸含量呈正相關(guān)，其余光譜參數(shù)與籽粒油酸含量呈負相關(guān)，但摘薹處理的9個光譜參數(shù)與籽粒油酸含量相關(guān)性普遍較低，均未達顯著水平（P>0.05，下同）。

2. 4. 2 油菜籽粒油酸含量的光譜參數(shù)模型構(gòu)建

以18組樣本數(shù)據(jù)建模、9個光譜參數(shù)作為自變量，通過單因素二項式回歸，構(gòu)建籽粒油酸含量的高光譜遙感預(yù)測模型（表6）。NDVI和RVI構(gòu)建的未摘薹處理籽粒油酸含量預(yù)測模型精度較高，二者模型的R2均大于0.500，且RMSE均小于0.800。

2. 5 基于特征波長的油菜籽粒油酸含量預(yù)測模型構(gòu)建

2. 5. 1 特征波長選取 利用SPSS 25.0分別計算未摘薹及摘薹油菜盛花期葉片一階微分光譜反射率與籽粒油酸含量的相關(guān)系數(shù)，進行皮爾遜相關(guān)性檢驗，選取達到極顯著相關(guān)的波長作為特征波長，結(jié)果如表7所示。未摘薹處理的籽粒油酸含量與一階微分光譜相關(guān)性最高的波長（1815 nm）出現(xiàn)在近紅外波段范圍內(nèi)，相關(guān)系數(shù)達0.706。摘薹處理的籽粒油酸含量與一階微分光譜相關(guān)性最高的波長同樣出現(xiàn)在近紅外波段范圍內(nèi)，為1933 nm，二者相關(guān)系數(shù)達0.739。

2. 5. 2 未摘薹處理的特征波長油酸含量預(yù)測模型構(gòu)建 從未摘薹處理中隨機選取18個高光譜樣本作為訓(xùn)練集，選擇與油酸含量達極顯著相關(guān)的波段（R1815、R1814、R1816、R455、R454、R1197）作為輸入變量，構(gòu)建基于一階微分光譜特征油酸含量的多元線性回歸模型及偏最小二乘模型（圖3）。MLSR模型訓(xùn)練集的R2=0.590、RMSE=0.610。PLSR模型訓(xùn)練集R2=0.648、RMSE=0.680（圖4）。二者模型的預(yù)測精度均大于0.500，且明顯優(yōu)于光譜參數(shù)二項式模型。

2. 5. 3 摘薹處理的特征波長油酸含量預(yù)測模型構(gòu)建 從摘薹處理中隨機選取18個光譜樣本作為訓(xùn)練集，選擇與籽粒油酸含量達極顯著相關(guān)的波段（R′1933、R′2491、R′358、R′2497）作為輸入變量，構(gòu)建基于一階微分光譜特征油酸含量的多元線性回歸模型及偏最小二乘模型。如圖5所示，MLSR訓(xùn)練集的R2=0.773、RMSE=0.874;如圖6所示，PLSR模型訓(xùn)練集R2=0.637、RMSE=1.015。二者模型的預(yù)測精度均大于0.500，且明顯優(yōu)于光譜參數(shù)二項式模型。

2. 5. 4 油酸含量的預(yù)測模型驗證 模型精度由決定系數(shù)與均方根誤差判定，如表8所示，未摘薹處理MLSR模型和PLSR模型的訓(xùn)練集與驗證集的RMSE值差異不大，但PLSR模型訓(xùn)練集的R2明顯高于MLSR模型的R2，同時PLSR模型驗證集的R2同樣高于MLSR模型的R2，表明MLSR模型能更有效地對未摘薹處理籽粒油酸含量進行預(yù)測。摘薹處理的MLSR模型與PLSR模型相比，其訓(xùn)練集和驗證集的R2均明顯高于PLSR模型，且MLSR模型的訓(xùn)練集和驗證集的RMSE值均明顯低于PLSR模型，說明MLSR模型對油酸含量的預(yù)測更精準(zhǔn)。

由于前人研究未涉及高光譜技術(shù)對油菜籽粒油酸含量的監(jiān)測，因此本研究采用獨立樣本T檢驗對摘薹和未摘薹處理籽粒油酸含量高光譜模型預(yù)測效果進行驗證。如表9所示，通過試驗獲取驗證集的油酸含量實際值，通過最優(yōu)預(yù)測模型獲取驗證集的油酸含量預(yù)測值。對未摘薹及摘薹處理驗證集樣本籽粒油酸含量的實際值與預(yù)測值進行獨立樣本T檢驗，將油酸含量實際值劃分為A組，油酸含量預(yù)測值劃分為B組。結(jié)果表明，對于未摘薹處理，假設(shè)2組方差相等，P=0.839>0.05，2組數(shù)據(jù)不存在顯著差異，說明利用PLSR模型對未摘薹處理籽粒油酸含量進行預(yù)測是合理的;對于摘薹處理，假設(shè)2組方差相等，P=0.858>0.05，2組數(shù)據(jù)不存在顯著差異，說明利用MLSR模型對摘薹處理籽粒油酸含量進行預(yù)測可行。

3 討論

前人研究表明，高光譜技術(shù)可有效地對農(nóng)作物的長勢、產(chǎn)量、品質(zhì)、病蟲害及生理生化指標(biāo)進行監(jiān)測（高開秀等，2019;栗方亮等，2020;施光耀等，2020），說明高光譜技術(shù)在促進農(nóng)田發(fā)展方面具有良好的應(yīng)用前景，因此本研究有針對性地利用高光譜技術(shù)對油菜籽粒油酸含量進行了預(yù)測研究，可填補目前高光譜技術(shù)對油菜品質(zhì)監(jiān)測方面的空白。尹凡等（2013）利用不同油菜品種光譜反射率特征差異，建立波長指數(shù)尋找識別油菜品種的特征波段，并采用主成分分析法降維后基于馬氏距離成功構(gòu)建了油菜品種識別模型，表明高光譜技術(shù)在不同品種油菜識別上具有一定的應(yīng)用優(yōu)勢，本研究采用SVM法構(gòu)建未摘薹與摘薹油菜判別模型的思路與其一致，即尋求不同摘薹處理油菜葉片平均原始光譜反射率特征差異，利用差異波段（760～1080 nm）的4個拐點波長反射率，成功構(gòu)建油菜未摘薹與摘薹判別模型，同樣說明光譜技術(shù)在區(qū)分未摘薹與摘薹油菜上具備一定的可行性。田容才等（2020）研究發(fā)現(xiàn)，水稻孕穗期在514、580、638和695 nm波長處的冠層一階微分光譜反射率與水稻籽粒粗蛋白含量相關(guān)性達到極顯著水平，并基于敏感波長構(gòu)建了四元線性籽粒粗蛋白含量估測模型，證明利用高光譜反演水稻品質(zhì)指標(biāo)具有一定的可行性。本研究在此基礎(chǔ)上分析油菜盛花期葉片一階微分光譜反射率與油菜籽粒油酸含量的相關(guān)性，篩選與油菜籽粒油酸含量達極顯著相關(guān)的波長，構(gòu)建未摘薹與摘薹油菜的PLSR與MLSR籽粒油酸含量估測模型，證明利用高光譜反演油菜籽粒油酸含量可行，為高光譜技術(shù)監(jiān)測油菜品質(zhì)指標(biāo)提供了依據(jù)。

雖然本研究利用高光譜成功反演了油菜籽粒油酸含量，但也存在一些不足：（1）前期試驗方案未涉及油菜籽粒油酸含量的預(yù)測，導(dǎo)致補充試驗時選取的樣本量過少，而大樣本條件下的油菜是否摘薹判別模型及籽粒油酸含量預(yù)測模型更具代表性，后期研究應(yīng)進一步完善試驗方案增加試驗的樣本量。（2）選取9個光譜參數(shù)與摘薹處理油菜一級分支籽粒油酸含量的相關(guān)性較低，因此在后期研究中應(yīng)增加光譜參數(shù)的選取范圍，提高光譜參數(shù)對摘薹處理油菜一級分支籽粒油酸含量的敏感性。（3）本研究集中于油菜是否摘薹，因此對油菜籽粒油酸含量的預(yù)測僅涉及到一級分支，但對于油菜的主莖和二級分支的籽粒油酸含量監(jiān)測同樣具有實際意義，因此后續(xù)試驗可對油菜的主莖及各級分支籽粒油酸含量監(jiān)測開展研究，提升試驗的廣度。（4）本研究主要內(nèi)容僅涉及油菜的盛花期，后期研究可以挖掘油菜其他生育期的數(shù)據(jù)潛力，對比分析油菜各生育期的異同，為實現(xiàn)高光譜技術(shù)在油菜田間的應(yīng)用提供依據(jù)。

4 建議

4. 1 預(yù)測模型優(yōu)化

本研究構(gòu)建了油菜籽粒油酸含量的MLSR預(yù)測模型，該模型存在著一定的局限性，當(dāng)選取的因變量過多時，模型的精確度會無限接近于1，但實際的擬合效果并不會達理想狀態(tài)。因此僅選取了與籽粒油酸含量達到極顯著相關(guān)的波長作為因變量，雖然對數(shù)據(jù)進行了有效降維，但同時也造成了數(shù)據(jù)的部分信息缺失。在今后的研究中可引入隨機森林等機器學(xué)習(xí)算法，更好地選取特征波長（顯著相關(guān)波長或全波段等），提高光譜數(shù)據(jù)對油菜籽粒油酸含量的預(yù)測能力。

4. 2 多品種分析

在利用高光譜反演作物各類指標(biāo)的研究中，試驗的樣本量與作物的品種數(shù)量往往與反演模型的普適性掛鉤，由于本研究的主體研究對象是菜油兼用型油菜，研究的重點在于油菜是否摘薹，導(dǎo)致品種單一，代表性不強。后期的試驗應(yīng)側(cè)重于多品種油菜籽粒油酸含量估測研究，探索高光譜技術(shù)估測油菜籽粒油酸含量是否具備普遍的可行性，為高光譜技術(shù)在油菜田監(jiān)測的實際應(yīng)用提供理論依據(jù)。

4. 3 品質(zhì)關(guān)聯(lián)性分析

在油菜育種和實際推廣種植過程中要改善油菜籽粒的品質(zhì)指標(biāo)，培育高含油量、高棕櫚酸、高硬脂酸、高油酸、低芥酸及低亞麻酸的油菜種質(zhì)資源一直是育種家的追求。相較于常規(guī)的作物生理生化指標(biāo)檢測，高光譜反演作物生理生化指標(biāo)具有極強的優(yōu)勢，但目前利用高光譜反演油菜籽粒品質(zhì)指標(biāo)方面的研究還尤為稀少，開展高光譜監(jiān)測油菜籽粒品質(zhì)指標(biāo)的關(guān)聯(lián)性研究，有利于實現(xiàn)對于油菜籽粒品質(zhì)指標(biāo)便捷、快速和無損檢測，可為油菜育種提供指導(dǎo)。

參考文獻：

常濤，王悅，程潛，張振乾，官春云，王國槐. 2018. 高光譜反射法早期快速篩選高含油量油菜種質(zhì)資源[J]. 激光生物學(xué)報，27（6）： 510-515. doi：10.3969/j.issn.1007-7146.2018. 06.004. [Chang T，Wang Y，Cheng Q，Zhang Z Q，Guan C Y，Wang G H. 2018. Early screening of rapeseed germplasm for high oil content by hyperspectral reflectance method[J]. Acta Laser Biology Sinica，27（6）： 510-515.]

諶俊旭. 2019. 不同施氮水平下帶狀套作玉米冠層光譜特征及產(chǎn)量品質(zhì)模型研究[D]. 成都： 四川農(nóng)業(yè)大學(xué). [Chen J X. 2019. Canopy hyperspectral characteristics and mo-del of yield and quality of maize under different nitrogen fertilizer levels in intercropping system[D]. Chengdu： Sichuan Agricultural University.]

程潛，李斌，張振乾，官春云，王悅，陳浩，方希林，楊鑫. 2018. 不同硼用量下油菜冠層反射光譜與葉綠素含量間定量關(guān)系[J]. 西南農(nóng)業(yè)學(xué)報，31（10）：2127-2134. doi：10.16213/ j.cnki.scjas.2018.10.023. [Cheng Q，Li B，Zhang Z Q，Guan C Y，Wang Y，Chen H，F(xiàn)ang X L，Yang X. 2018. Quantitative relationship between canopy reflectance spectra and chlorophyll content of rape under different boron content[J]. Southwest China Journal of Agricultural Scien-ces，31（10）： 2127-2134.]

崔小濤，常慶瑞，屈春燕，史博太，蔣丹垚，夏利恒，王玉娜. 2020. 基于高光譜和MLSR-GA-BP神經(jīng)網(wǎng)絡(luò)模型油菜葉片SPAD值遙感估算[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報，51（8）： 74-84. doi：10.19720/j.cnki.issn.1005-9369.2020.08.0010. [Cui X T，Chang Q R，Qu C Y，Shi B T，Jiang D Y，Xia L H，Wang Y N. 2020. Remote sensing estimation of SPAD value for rape leaf based on hyperspectral and MLSR-GA-BP neural network model[J]. Journal of Northeast Agricultural University，51（8）： 74-84.]

高開秀，高雯晗，明金，李嵐?jié)?，汪善勤，魯劍? 2019. 無人機載多光譜遙感監(jiān)測冬油菜氮素營養(yǎng)研究[J]. 中國油料作物學(xué)報，41（2）： 232-242. doi：10.7505/j.issn.1007-9084. 2019.02.011. [Gao K X，Gao W H，Ming J，Li L T，Wang S Q，Lu J W. 2019. Monitoring of nitrogen nutrition in winter rapeseed using UAV-borne multispectral data[J]. Chinese Journal of Oil Crop Sciences，41（2）： 232-242.]

龔龑，肖潔，候金雨，段博. 2017. 基于無人機遙感混合光譜分析的油菜估產(chǎn)模型[J]. 測繪地理信息，42（6）： 40-45. doi：10.14188/j.2095-6045.2016350. [Gong Y，Xiao J，Hou J Y，Duan B. 2017. Rape yields estimation research based on spectral analysis for UAV image[J]. Journal of Geomatics，42（6）： 40-45.]

郭瀅，崔看，覃磊，張小波，童建華，劉忠松，夏石頭. 2019. 芥甘雜交黃籽油菜籽粒中植物激素的變化及其對脂肪酸成分與油脂含量的影響[J]. 激光生物學(xué)報，28（6）： 548-555. doi：10.3969/j.issn.1007-7146.2019.06.011. [Guo Y，Cui K，Qin L，Zhang X B，Tong J H，Liu Z S，Xia S T. 2019. Dynamic change of phytohormones in seeds of ye-llow-seeded canola progeny from hybridization between Brassica juncea and Brassica napus and its effects on fatty acid composition and oil content[J]. Acta Laser Biology Sinica，28（6）： 548-555.]

栗方亮，孔慶波，張青. 2020. 光譜分析技術(shù)在作物氮素診斷上的應(yīng)用研究進展[J]. 江西農(nóng)業(yè)學(xué)報，32（9）： 6-12. doi：10.19386/j.cnki.jxnyxb.2020.09.02. [Li F L，Kong Q B，Zhang Q. 2020. Research progress in application of spectral analysis technology in crop nitrogen diagnosis[J]. Acta Agriculturae Jiangxi，32（9）： 6-12.]

林寶剛，任韻，柳寒，何偉民，張冬青，吳德志，余華勝，華水金. 2020. 不同生態(tài)區(qū)對油菜薹營養(yǎng)品質(zhì)的影響及摘薹后產(chǎn)量表現(xiàn)[J]. 核農(nóng)學(xué)報，34（9）： 2071-2079. doi：10. 11869/j.issn.100-8551.2020.09.2071. [Lin B G，Ren Y，Liu H，He W M，Zhang D Q，Wu D Z，Yu H S，Hua S J. 2020. Effects of ecological sites on the nutritional quality of young stem of rapeseed and yield performance after post-harvesting[J]. Journal of Nuclear Agricultural Scien-ces，34（9）： 2071-2079.]

劉紅梅，肖正午，申濤，蔣鵬，單雙呂，鄒應(yīng)斌. 2019. 稻米直鏈淀粉含量近紅外檢測模型的建立[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），45（2）： 189-193. doi：10.13331/j.cnki.jhau.2019.02.014. [Liu H M，Xiao Z W，Shen T，Jiang P，Shan S L，Zou Y B. 2019. Establishment of near infrared analysis model for amylose content of rice powder[J]. Journal of Hunan Agricultural University（Natural Science），45（2）： 189-193.]

盧俊瑋，田容才，花宇輝，官春云. 2020. 光譜技術(shù)在甘藍型油菜品質(zhì)檢測中的研究進展[J]. 激光生物學(xué)報，29（4）： 289-294. doi：10.3969/j.issn.1007-7146.2020.04.001. [Lu J W，Tian R C，Hua Y H，Guan C Y. 2020. Research progress of spectral technology in detection of quality in oilseed rape（Brassica napus L.）[J]. Acta Laser Biology Sinica，29（4）： 289-294.]

施光耀，王若倫，桑玉強，張勁松，孟平. 2020. 基于高光譜的核桃—大豆復(fù)合系統(tǒng)大豆葉綠素估算研究[J]. 河南農(nóng)業(yè)大學(xué)學(xué)報，54（5）： 762-769. doi：10.16445/j.cnki.1000-2340.2020.05.005. [Shi G Y，Wang R L，Sang Y Q，Zhang J S，Meng P. 2020. Estimation of soybean chlorophyll in walnut-soybean hybrid system based on hyperspectral[J]. Journal of Henan Agricultural University，54（5）：762-769.]

孫玉婷，楊紅云，孫愛珍，梅芳，易文龍. 2020. 水稻葉片SPAD值的高光譜估算模型[J]. 南方農(nóng)業(yè)學(xué)報，51（5）： 1062-1069. doi：10.3969/j.issn.2095-1191.2020.05.010. [Sun Y T，Yang H Y，Sun A Z，Mei F，Yi W L. 2020. Hyperspectral estimation model of rice leaf SPAD value[J]. Journal of Southern Agriculture，51（5）： 1062-1069.]

田容才，高志強，盧俊瑋. 2020. 基于冠層光譜的早秈稻籽粒粗蛋白含量估測[J]. 作物雜志，（4）：188-194. doi：10.16035/ j.issn.1001-7283.2020.04.027. [Tian R C，Gao Z Q，Lu J W. 2020. Estimation of crude protein content in early indica rice grains based on canopy spectrum[J]. Crops Journal，（4）：188-194.]

汪波，羅元慶，胡英哲，黃俊生，閭曉平，甘麗，李澤圓，阿旺德吉，蒯婕，傅廷棟，周廣生. 2019. “一菜兩用”油菜菜葉采摘時間和留葉數(shù)量效益研究[J]. 長江蔬菜，（14）： 33-35. doi：10.3865/j.issn.1001-3547.2019.14.014. [Wang B，Luo Y Q，Hu Y Z，Huang J S，Lü X P，Gan L，Li Z Y，A W D J，Kuai J，F(xiàn)u T D，Zhou G S. 2019. Study on the efficiency of “one vegetable with two applications” in the picking time and the quantity of leaves left in rape[J]. Journal of Changjiang Vegetables，（14）： 33-35.]

邢璐琪，張桂蓮，張浪，易揚，林勇，江子堯，鄭諧維. 2020. 高光譜技術(shù)在植被特征監(jiān)測中的應(yīng)用[J]. 園林，（11）： 8-14. doi：10.12193/j.laing.2020.11.0008.002. [Xing L Q，Zhang G L，Zhang L，Yi Y，Lin Y，Jiang Z Y，Zheng X W. 2020. Application of hyperspectral technique in monitoring vegetation characteristics[J]. Landscape Architecture，（11）： 8-14.]

徐揚帆，張秋平，徐明水，張振乾. 2020. 高含油高油酸油菜新品種‘帆鳴1號選育及品質(zhì)分析[J]. 分子植物育種，18（15）： 5184-5190. doi：10.13271/j.mpb.018.005184. [Xu Y F，Zhang Q P，Xu M S，Zhang Z Q. 2020. The bree-ding and quality analysis of a new rape variety ‘Fanming 1with high oil content and oleic acid content[J]. Mole-cular Plant Breeding，18（15）： 5184-5190.]

尹凡，劉燕，董晶晶，盧長明，徐海根. 2013. 基于冠層實測光譜的油菜品種識別[J]. 湖北農(nóng)業(yè)科學(xué)，52（23）：5866-5870.doi：10.14088/j.cnki.issn0439-8114.2013.23.060. [Yin F，Liu Y，Dong J J，Lu C M，Xu H G. 2013. Identification of rapeseed varieties based on canopy measurement spectrum[J]. Hubei Province Agricultural Science，52（23）： 5866-5870.]

趙贊忠. 2018. 油菜冠層特征光譜參數(shù)及其葉面積指數(shù)估測研究[D]. 長沙： 湖南農(nóng)業(yè)大學(xué). [Zhao Z Z. 2018. Estimation of canola canopy characteristic spectral parameters and leaf area index[D]. Changsha： Hunan Agricultural University.]

Das B，Manohara K K，Mahajan G R，Sahoo R N. 2020. Spectroscopy based novel spectral indices，PCA- and PLSR-coupled machine learning models for salinity stress phenotyping of rice[J]. Spectrochimica Acta Part A： Mole-cular and Biomolecular Spectroscopy，229： 117983. doi：10.1016/j.saa.2019.117983.

Duan B，F(xiàn)ang S H，Zhu R S，Wu X T，Wang S Q，Gong Y，Peng Y. 2019. Remote estimation of rice yield with unmanned aerial vehicle（UAV） data and spectral mixture analysis[J]. Frontiers in Plant Science，10：204.doi：10. 3389/fpls.2019.00204.

Li L T，Ren T，Ma Y，Wei Q Q，Wang S H，Li X K，Cong R H，Liu S S，Lu J W. 2016. Evaluating chlorophyll density in winter oilseed rape（Brassica napus L.） using canopy hyperspectral red-edge parameters[J]. Computers and Electronics in Agriculture，126： 21-31. doi：10.1016/j.compag. 2016.05.008.

Shi Y F，Lou Y S，Zhang Z，Ma L，Ojara M. 2020. Estimation of methane emissions based on crop yield and remote sensing data in a paddy field[J]. Greenhouse Gases： Scien-ce and Technology，10（1）： 196-207. doi：10.1002/ghg.1946.

（責(zé)任編輯 鄧慧靈）