菜油兼用型油菜籽粒油酸含量的高光谱模型构建

金宇豪 石楠 文双雅 陈崇怡 卢俊玮 高志强

摘要：【目的】基于高光譜特征初步判别油菜摘薹情况，为实现高光谱反演籽粒油酸含量提供理论指导。【方法】使用FieldSpec 3地物光谱仪采集油菜盛花期叶片光谱数据，采用Agilent GC-MS 7980B气相色谱仪分析摘薹和未摘薹处理的籽粒油酸含量，比较2组处理的平均原始光谱反射率特征，及其油菜叶片原始及一阶微分光谱反射率与籽粒油酸含量相关性，在此基础上构建基于原始光谱特征波长的支持向量机（SVM）判别模型、基于光谱参数的油酸含量二项式模型、基于一阶微分光谱特征波长的油酸含量多元线性逐步回归（MLSR）及偏最小二乘回归（PLSR）预测模型，并利用独立样本T检验对模型精度进行验证。【结果】发现未摘薹及摘薹处理的平均原始光谱反射率曲线在760～1080 nm波段存在一定差异。未摘薹及摘薹处理的原始光谱反射率与籽粒油酸含量相关性曲线存在一定差异，未摘薹处理的原始光谱反射率在484～956和1001～1146 nm波段与籽粒油酸含量呈正相关，摘薹处理的原始光谱反射率在1882～2111和2324～2499 nm波段与油菜籽粒油酸含量呈正相关，说明摘薹会影响油菜光谱反射率与籽粒油酸含量的相关性表现。选取位于760～1080 nm波段4个拐点波长（760、920、970和1080 nm）的原始光谱反射率作为自变量，用以构建SVM判别模型，经过多次随机取样比较构建所有SVM判别模型，发现最佳判别模型的训练集样本总体精度为86.1%，验证集样本总体精度为77.8%，说明利用高光谱技术判别油菜是否摘薹具有一定的可行性。光谱参数模型中RVI模型对未摘薹处理油菜籽粒油酸含量的反演效果最佳，且该模型与未摘薹处理籽粒油酸含量的相关系数 （-0.705）最高。比较全部油菜籽粒油酸含量预测模型类型，PLSR模型对未摘薹处理籽粒油酸含量预测精度最高，其训练集R2=0.590、RMSE=0.610，MLSR模型对摘薹处理籽粒油酸含量预测精度最高，其训练集R2=0.773、RMSE=0.874。利用独立样本T检验对二者模型测试集样本进行验证，未摘薹样本P=0.839，摘薹样本P=0.858，二者样本实测值与预测值均无显著差异（P>0.05），模型合理，说明利用高光谱技术对油菜籽粒油酸含量进行预测可行。【建议】引入随机森林等机器学习算法，更好地选取特征波长（显著相关波长或全波段等），提高光谱数据对油菜籽粒油酸含量的预测能力。后期的试验应侧重于多品种油菜籽粒油酸含量估测研究，探索高光谱技术估测油菜籽粒油酸含量是否具备普遍的可行性。利用高光谱技术反演其他油菜籽粒品质指标，为高光谱遥感监测油菜品质提供理论依据。

关键词： 油菜;高光谱;摘薹处理;油酸含量;特征波长;判别模型;预测模型

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

【研究意义】油菜是五大油料作物之一，在我国长江流域广泛种植（林宝刚等，2020），兼具油用、菜用、肥用、饲用、药用及景观等用途（汪波等，2019）。油菜籽粒油酸含量是评价油菜品质的重要指标之一，有研究表明，油酸是人体必须的脂肪酸之一，能提高人体免疫能力，有效预防各类心血管疾病（郭滢等，2019;徐扬帆等，2020）。但目前油菜籽粒油酸含量一般只能通过实验室检测（卢俊玮等，2020），存在耗时长和成本高等问题。因此利用高光谱技术实现油菜籽粒油酸含量的无损、便捷、高效和低耗监测，对于实现利用遥感技术监测油菜品质具有重要意义。【前人研究进展】光谱技术作为作物遥感监测的主要方式（Li et al.，2016;Duan et al.，2019;Das et al.，2020;Shi et al.，2020），常应用于油菜表型特征监测（常涛等，2018;程潜等，2018）。龚龑等（2017）研究发现，利用油菜冠层高光谱数据构建油菜荚果期及开花期的估产模型稳定性强，对油菜产量预测的精度高。赵赞忠（2018）通过研究油菜不同密肥条件特征光谱参数变化，发现红边面积和红黄边振幅光谱参数与油菜LAI值相关性达显著水平，在此基础上建立油菜不同生育期冠层特征光谱参数的LAI估测模型，对油菜不同生育期LAI值进行了有效反演。高開秀等（2019）通过分析获取冬油菜地上部生物量、氮素积累量及叶片氮浓度等氮素营养指标，并基于宽波段植被指数与冬油菜氮素营养指标的相关性，确定最佳敏感指数，构建了氮素营养指标估测模型，实现了冬油菜氮素营养指标的快速无损监测。崔小涛等（2020）以西北地区油菜为研究对象，计算油菜叶片SPAD值和光谱参数的相关系数，筛选出对于SPAD值敏感的光谱参数，以此为基础构建了光谱参数、偏最小二乘及遗传算法优化BP神经网络油菜叶片SPAD值反演模型。【本研究切入点】目前未见利用高光谱技术预测油菜籽粒油酸含量的相关报道。【拟解决的关键问题】测定菜油兼用型油菜的盛花期叶片高光谱特征，对未摘薹与摘薹的油菜盛花期叶片原始光谱进行分类，以期实现利用高光谱技术判别油菜摘薹与否，同时利用盛花期高光谱特征构建油菜籽粒油酸含量预测模型，为遥感监测油菜品质提供理论依据。

1 材料与方法

1. 1 试验地点与供试材料

试验于2019年10月—2020年5月在湖南农业大学浏阳教学科研综合基地实施。该基地位于东经113°84′、北纬28°30′，系丘陵小盆地，属亚热带季风湿润气候;土壤为潴育性水稻土，pH 5.71，有机碳、全氮、全磷和全钾含量分别为29.10、1.58、0.49和14.62 g/kg。供试材料为湘油420，系湖南农业大学油料作物改良中心育成的菜油兼用型特早熟甘蓝型油菜品种，是长江中下游南部地区适应稻稻油三熟制的主推品种。

1. 2 试验方法

1. 2. 1 裂区试验 统一施基肥600 kg/ha（复合肥氮磷钾有效养分比例18∶12∶10），主区P因素为播种量，设3个密度水平，分别为低密（P1：3.270 kg/ha）、中密（P2：3.675 kg/ha）、高密（P3：4.080 kg/ha）;裂区T因素为摘薹方式，设未摘薹（T0）和摘薹（T1）。共计6个处理，9组重复，54个小区，小区面积40 m2（长20 m、宽2 m）。

1. 2. 2 摘薹处理 按单株摘薹1次进行摘薹处理，不摘薹为对照。摘薹长度10～15 cm，于2019年1月5日开始摘薹，每隔3 d摘薹1次（摘过的单株不再摘薹），2019年1月28日结束。摘薹小区于第1次摘薹后统一补施90 kg/ha尿素。全生育期统一进行田间管理。

1. 3 测定项目及方法

1. 3. 1 叶片光谱的测定 使用美国ASD（Analytical spectral devices）公司生产的FieldSpec 3地物光谱仪，该仪器测量的波长范围在350～2500 nm，光谱分辨率在350～1000 nm内为3 nm，采样间隔为1.4 nm，在1000～2500 nm内为10 nm，采样间隔为2 nm。于油菜盛花期进行叶片光谱数据的测定，未摘薹小区随机测得5株油菜主茎无柄叶光谱数据;摘薹小区随机测得5株油菜最粗壮一级分支无柄叶光谱数据，最终每小区获取1条平均光谱数据。

1. 3. 2 油酸含量数据的测定 随机选取各小区5株油菜一级分支油菜籽粒作为测定样本，样本量共计54个（未摘薹与摘薹组样本数均为27）。采用美国Agilent GC-MS 7980B气相色谱分析脂肪酸组分。脂肪酸测定方法参照GB/T 17376—2008《动植物油脂 脂肪酸甲酯制备标准》。样品脂肪酸组成成分如表1所示，根据保留时间对应的峰面积判别脂肪酸类别，列出该样品脂肪酸组成为软脂酸（3.091 min）、硬脂酸（3.961 min）、油酸（4.180 min）、亚油酸（4.482 min）、亚麻酸（4.871 min）、二十碳烯酸（4.974 min），其中，第7个峰代表油酸，保留时间4.180 min，峰宽0.057 min，峰面积7570.856 Pa*s，峰高1788.108 Pa，含量63.845%。

1. 4 数据处理及统计分析

1. 4. 1 光谱数据处理 本研究先使用View Spec Pro 6.0对采集到的高光谱数据进行处理，输出原始及一阶微分数据，并利用Excel 2016对原始及一阶微分光谱全波段分别与油酸含量进行相关性分析（总样本数为54），前期研究发现，区分油菜未摘薹与摘薹光谱有利于提高油菜光谱反射率与籽粒油酸含量相关性。结合前人对于植物光谱参数的研究（谌俊旭，2019;孙玉婷等，2020;邢璐琪等，2020），选取可见光和近红外光波段具有代表性的9个光谱参数（涵盖一阶微分光谱全波段400～2449 nm）用于辅助预测籽粒油酸含量（表2）。

1. 4. 2 分类数据处理 利用Excel 2016对未摘薹和摘薹处理油菜样本进行多次随机取样，并利用Matlab R2018a实现基于SVM分类法的不同处理的油菜花期原始高光谱判别，试验参数设置：（1）漏提率，即本属于分类样本中的真实分类，但未被分类到对应类别中的样本的比例;（2）错提率，即处于预测类别样本中，但实际上应该是其他类别的样本概率;（3）总体精度，即被正确判别的样本与总样本的比例。

1. 4. 3 油酸含量数据处理 利用SPSS 25.0分别进行油酸含量与原始高光谱及一阶微分光谱的皮尔逊相关性檢验;选取相关性达极显著的波长作为特征波长，并利用Umscrambler 9.7及SPSS 25.0构建油酸含量预测模型，模型的拟合效果通过决定系数和均方根误差判定，决定系数越大，均方根误差越小，预测效果越好，对实测值与预测值进行独立样本T检验（刘红梅等，2019），判断所构建模型的合理性。

2 基于高光谱特征的油菜籽粒油酸含量预测模型的构建与验证

2. 1 原始光谱特征分析结果

将盛花期高光谱数据分摘薹组和未摘薹组，获取二者不同波长的平均光谱反射率（图1）。发现未摘薹和摘薹处理油菜叶片平均原始光谱反射率曲线均在可见光波长范围（390～780 nm）内表现出1峰2谷的特征，在560 nm附近出现光谱反射率小高峰;在近红外短波范围（780～1100 nm）内反射率波动稳定，呈现出一段高反射率的平台;在近红外长波范围（1100～2500 nm）内呈现出显著的4峰4谷的特征，在1130、1300、1650和1860 nm附近均出现光谱反射率高峰。可见未摘薹和摘薹处理的油菜平均原始光谱反射率曲线在760～1080 nm范围内表现一定差异，表现为摘薹处理的光谱反射率略低于未摘薹处理。

2. 2 原始光谱反射率与油酸含量相关性分析结果

由图2可知，未摘薹和摘薹处理的油菜叶片原始光谱反射率与籽粒油酸含量的相关性变化规律存在一定差异。未摘薹处理原始光谱反射率在484～956和1001～1146 nm波段与籽粒油酸含量呈正相关关系，而在其余波段与籽粒油酸含量呈负相关关系，且在693～713 nm波段与籽粒油酸含量呈显著正相关（P<0.05，下同）。摘薹处理原始光谱反射率与籽粒油酸含量在1882～2111和2324～2499 nm波段呈正相关关系，在其余波段与籽粒油酸含量呈负相关关系，且在415～426 nm波段与籽粒油酸含量呈显著负相关关系。说明油菜是否进行摘薹处理会影响油菜原始光谱与其籽粒油酸含量的相关性，导致二者相关性发生不同变化。

2. 3 基于原始光谱特征的SVM判别模型构建

从2组原始光谱数据中各随机抽取18个样本作为训练集，共36个，然后将剩余每组的9个样本（共18个）作为测试集;未摘薹与摘薹处理油菜叶片原始光谱反射率在760～1080 nm波段存在一定差异，因此选取该波段范围内的4个拐点（760、920、970和1080 nm）作为特征波长。将选取的特征波长作为输入变量，采用CV自动寻优参数，经过多次随机取样，构建SVM的分类模型，比较全部SVM分类模型，选取精度最高的SVM模型，结果如表3和表4所示。当SVM-Type为C-classification，采用径向基核函数（RBF），gamma=1024、cost=256时分类结果最好，训练集样本36个，预测成功31个，总体精度达86.1%;验证集样本18个，预测成功14个，总体精度达77.8%，可为遥感判别油菜摘薹情况提供依据。

2. 4 基于光谱参数的油菜籽粒油酸含量预测模型构建

2. 4. 1 光谱参数与籽粒油酸含量相关性分析 如表5所示，未摘薹处理的9个光谱参数中Db、SDb、SDr与籽粒油酸含量呈正相关，其余光谱参数与籽粒油酸含量呈负相关，Db、SDb、Dy、Dr、NDVI、RVI、DVI与籽粒油酸含量呈显著或极显著（P<0.01，下同）相关，其中RVI与籽粒油酸含量相关系数最高（-0.705）。摘薹处理的9个光谱参数中SDy、NDVI和RVI与籽粒油酸含量呈正相关，其余光谱参数与籽粒油酸含量呈负相关，但摘薹处理的9个光谱参数与籽粒油酸含量相关性普遍较低，均未达显著水平（P>0.05，下同）。

2. 4. 2 油菜籽粒油酸含量的光谱参数模型构建

以18组样本数据建模、9个光谱参数作为自变量，通过单因素二项式回归，构建籽粒油酸含量的高光谱遥感预测模型（表6）。NDVI和RVI构建的未摘薹处理籽粒油酸含量预测模型精度较高，二者模型的R2均大于0.500，且RMSE均小于0.800。

2. 5 基于特征波长的油菜籽粒油酸含量预测模型构建

2. 5. 1 特征波长选取 利用SPSS 25.0分别计算未摘薹及摘薹油菜盛花期叶片一阶微分光谱反射率与籽粒油酸含量的相关系数，进行皮尔逊相关性检验，选取达到极显著相关的波长作为特征波长，结果如表7所示。未摘薹处理的籽粒油酸含量与一阶微分光谱相关性最高的波长（1815 nm）出现在近红外波段范围内，相关系数达0.706。摘薹处理的籽粒油酸含量与一阶微分光谱相关性最高的波长同样出现在近红外波段范围内，为1933 nm，二者相关系数达0.739。

2. 5. 2 未摘薹处理的特征波长油酸含量预测模型构建 从未摘薹处理中随机选取18个高光谱样本作为训练集，选择与油酸含量达极显著相关的波段（R1815、R1814、R1816、R455、R454、R1197）作为输入变量，构建基于一阶微分光谱特征油酸含量的多元线性回归模型及偏最小二乘模型（图3）。MLSR模型训练集的R2=0.590、RMSE=0.610。PLSR模型训练集R2=0.648、RMSE=0.680（图4）。二者模型的预测精度均大于0.500，且明显优于光谱参数二项式模型。

2. 5. 3 摘薹处理的特征波长油酸含量预测模型构建 从摘薹处理中随机选取18个光谱样本作为训练集，选择与籽粒油酸含量达极显著相关的波段（R′1933、R′2491、R′358、R′2497）作为输入变量，构建基于一阶微分光谱特征油酸含量的多元线性回归模型及偏最小二乘模型。如图5所示，MLSR训练集的R2=0.773、RMSE=0.874;如图6所示，PLSR模型训练集R2=0.637、RMSE=1.015。二者模型的预测精度均大于0.500，且明显优于光谱参数二项式模型。

2. 5. 4 油酸含量的预测模型验证 模型精度由決定系数与均方根误差判定，如表8所示，未摘薹处理MLSR模型和PLSR模型的训练集与验证集的RMSE值差异不大，但PLSR模型训练集的R2明显高于MLSR模型的R2，同时PLSR模型验证集的R2同样高于MLSR模型的R2，表明MLSR模型能更有效地对未摘薹处理籽粒油酸含量进行预测。摘薹处理的MLSR模型与PLSR模型相比，其训练集和验证集的R2均明显高于PLSR模型，且MLSR模型的训练集和验证集的RMSE值均明显低于PLSR模型，说明MLSR模型对油酸含量的预测更精准。

由于前人研究未涉及高光谱技术对油菜籽粒油酸含量的监测，因此本研究采用独立样本T检验对摘薹和未摘薹处理籽粒油酸含量高光谱模型预测效果进行验证。如表9所示，通过试验获取验证集的油酸含量实际值，通过最优预测模型获取验证集的油酸含量预测值。对未摘薹及摘薹处理验证集样本籽粒油酸含量的实际值与预测值进行独立样本T检验，将油酸含量实际值划分为A组，油酸含量预测值划分为B组。结果表明，对于未摘薹处理，假设2组方差相等，P=0.839>0.05，2组数据不存在显著差异，说明利用PLSR模型对未摘薹处理籽粒油酸含量进行预测是合理的;对于摘薹处理，假设2组方差相等，P=0.858>0.05，2组数据不存在显著差异，说明利用MLSR模型对摘薹处理籽粒油酸含量进行预测可行。

3 讨论

前人研究表明，高光谱技术可有效地对农作物的长势、产量、品质、病虫害及生理生化指标进行监测（高开秀等，2019;栗方亮等，2020;施光耀等，2020），说明高光谱技术在促进农田发展方面具有良好的应用前景，因此本研究有针对性地利用高光谱技术对油菜籽粒油酸含量进行了预测研究，可填补目前高光谱技术对油菜品质监测方面的空白。尹凡等（2013）利用不同油菜品种光谱反射率特征差异，建立波长指数寻找识别油菜品种的特征波段，并采用主成分分析法降维后基于马氏距离成功构建了油菜品种识别模型，表明高光谱技术在不同品种油菜识别上具有一定的应用优势，本研究采用SVM法构建未摘薹与摘薹油菜判别模型的思路与其一致，即寻求不同摘薹处理油菜叶片平均原始光谱反射率特征差异，利用差异波段（760～1080 nm）的4个拐点波长反射率，成功构建油菜未摘薹与摘薹判别模型，同样说明光谱技术在区分未摘薹与摘薹油菜上具备一定的可行性。田容才等（2020）研究发现，水稻孕穗期在514、580、638和695 nm波长处的冠层一阶微分光谱反射率与水稻籽粒粗蛋白含量相关性达到极显著水平，并基于敏感波长构建了四元线性籽粒粗蛋白含量估测模型，证明利用高光谱反演水稻品质指标具有一定的可行性。本研究在此基础上分析油菜盛花期叶片一阶微分光谱反射率与油菜籽粒油酸含量的相关性，筛选与油菜籽粒油酸含量达极显著相关的波长，构建未摘薹与摘薹油菜的PLSR与MLSR籽粒油酸含量估测模型，证明利用高光谱反演油菜籽粒油酸含量可行，为高光谱技术监测油菜品质指标提供了依据。

虽然本研究利用高光谱成功反演了油菜籽粒油酸含量，但也存在一些不足：（1）前期试验方案未涉及油菜籽粒油酸含量的预测，导致补充试验时选取的样本量过少，而大样本条件下的油菜是否摘薹判别模型及籽粒油酸含量预测模型更具代表性，后期研究应进一步完善试验方案增加试验的样本量。（2）选取9个光谱参数与摘薹处理油菜一级分支籽粒油酸含量的相关性较低，因此在后期研究中应增加光谱参数的选取范围，提高光谱参数对摘薹处理油菜一级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，因此对油菜籽粒油酸含量的预测仅涉及到一级分支，但对于油菜的主茎和二级分支的籽粒油酸含量监测同样具有实际意义，因此后续试验可对油菜的主茎及各级分支籽粒油酸含量监测开展研究，提升试验的广度。（4）本研究主要内容仅涉及油菜的盛花期，后期研究可以挖掘油菜其他生育期的数据潜力，对比分析油菜各生育期的异同，为实现高光谱技术在油菜田间的应用提供依据。

4 建议

4. 1 预测模型优化

本研究构建了油菜籽粒油酸含量的MLSR预测模型，该模型存在着一定的局限性，当选取的因变量过多时，模型的精确度会无限接近于1，但实际的拟合效果并不会达理想状态。因此仅选取了与籽粒油酸含量达到极显著相关的波长作为因变量，虽然对数据进行了有效降维，但同时也造成了数据的部分信息缺失。在今后的研究中可引入随机森林等机器学习算法，更好地选取特征波长（显著相关波长或全波段等），提高光谱数据对油菜籽粒油酸含量的预测能力。

4. 2 多品种分析

在利用高光谱反演作物各类指标的研究中，试验的样本量与作物的品种数量往往与反演模型的普适性挂钩，由于本研究的主体研究对象是菜油兼用型油菜，研究的重点在于油菜是否摘薹，导致品种单一，代表性不强。后期的试验应侧重于多品种油菜籽粒油酸含量估测研究，探索高光谱技术估测油菜籽粒油酸含量是否具备普遍的可行性，为高光谱技术在油菜田监测的实际应用提供理论依据。

4. 3 品质关联性分析

在油菜育种和实际推广种植过程中要改善油菜籽粒的品质指标，培育高含油量、高棕榈酸、高硬脂酸、高油酸、低芥酸及低亚麻酸的油菜种质资源一直是育种家的追求。相较于常规的作物生理生化指标检测，高光谱反演作物生理生化指标具有极强的优势，但目前利用高光谱反演油菜籽粒品质指标方面的研究还尤为稀少，开展高光谱监测油菜籽粒品质指标的关联性研究，有利于实现对于油菜籽粒品质指标便捷、快速和无损检测，可为油菜育种提供指导。

参考文献：

常涛，王悦，程潜，张振乾，官春云，王国槐. 2018. 高光谱反射法早期快速筛选高含油量油菜种质资源[J]. 激光生物学报，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.]

谌俊旭. 2019. 不同施氮水平下带状套作玉米冠层光谱特征及产量品质模型研究[D]. 成都： 四川农业大学. [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.]

程潜，李斌，张振乾，官春云，王悦，陈浩，方希林，杨鑫. 2018. 不同硼用量下油菜冠层反射光谱与叶绿素含量间定量关系[J]. 西南农业学报，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，Fang 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.]

崔小涛，常庆瑞，屈春燕，史博太，蒋丹垚，夏利恒，王玉娜. 2020. 基于高光谱和MLSR-GA-BP神经网络模型油菜叶片SPAD值遥感估算[J]. 东北农业大学学报，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，李岚涛，汪善勤，鲁剑巍. 2019. 无人机载多光谱遥感监测冬油菜氮素营养研究[J]. 中国油料作物学报，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.]

龚龑，肖洁，候金雨，段博. 2017. 基于无人机遥感混合光谱分析的油菜估产模型[J]. 测绘地理信息，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.]

郭滢，崔看，覃磊，张小波，童建华，刘忠松，夏石头. 2019. 芥甘杂交黄籽油菜籽粒中植物激素的变化及其对脂肪酸成分与油脂含量的影响[J]. 激光生物学报，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，孔庆波，张青. 2020. 光谱分析技术在作物氮素诊断上的应用研究进展[J]. 江西农业学报，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.]

林宝刚，任韵，柳寒，何伟民，张冬青，吴德志，余华胜，华水金. 2020. 不同生态区对油菜薹营养品质的影响及摘薹后产量表现[J]. 核农学报，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.]

刘红梅，肖正午，申涛，蒋鹏，单双吕，邹应斌. 2019. 稻米直链淀粉含量近红外检测模型的建立[J]. 湖南农业大学学报（自然科学版），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.]

卢俊玮，田容才，花宇辉，官春云. 2020. 光谱技术在甘蓝型油菜品质检测中的研究进展[J]. 激光生物学报，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，王若伦，桑玉强，张劲松，孟平. 2020. 基于高光谱的核桃—大豆复合系统大豆叶绿素估算研究[J]. 河南农业大学学报，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，杨红云，孙爱珍，梅芳，易文龙. 2020. 水稻叶片SPAD值的高光谱估算模型[J]. 南方农业学报，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，高志强，卢俊玮. 2020. 基于冠层光谱的早籼稻籽粒粗蛋白含量估测[J]. 作物杂志，（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，罗元庆，胡英哲，黄俊生，闾晓平，甘丽，李泽圆，阿旺德吉，蒯婕，傅廷栋，周广生. 2019. “一菜两用”油菜菜叶采摘时间和留叶数量效益研究[J]. 长江蔬菜，（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，Fu 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，张桂莲，张浪，易扬，林勇，江子尧，郑谐维. 2020. 高光谱技术在植被特征监测中的应用[J]. 园林，（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.]

徐扬帆，张秋平，徐明水，张振乾. 2020. 高含油高油酸油菜新品种‘帆鸣1号选育及品质分析[J]. 分子植物育种，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，刘燕，董晶晶，卢长明，徐海根. 2013. 基于冠层实测光谱的油菜品种识别[J]. 湖北农业科学，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.]

赵赞忠. 2018. 油菜冠层特征光谱参数及其叶面积指数估测研究[D]. 长沙： 湖南农业大学. [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，Fang 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.

（責任编辑 邓慧灵）