本发明涉及油菜检测领域，更具体而言，本发明涉及一种基于光谱指数的油菜叶片SPAD(“土壤作物分析仪器开发”的缩写，Soil and Plant Analyzer Development)估测及估测模型构建方法。
背景技术：
叶绿素作为主要吸收光能的物质，直接影响植物光合作用的光能利用率，是植物光合作用中最重要的色素，叶片单位面积的叶绿素含量更是植物总体生长状况的一个重要指标。使用传统的方法测量叶绿素含量步骤繁琐，难以做到实时估测，还会损害植物叶片，难以满足现代农业的需求。
随着高光谱技术的不断发展，可以利用高光谱技术获得广泛的信息，不仅可以获取物体的形状大小等外部特征，更可以了解物体内部细微的物理结构和化学组分，从而有大量的研究基于高光谱技术快速和准确地获取植物叶片叶绿素含量。其中利用光谱指数估测植物叶片叶绿素含量的研究已经涉及很多作物且研究较为深入：程乾等[1]通过研究光谱指数与水稻叶绿素含量的相关性，认为REP(红边位置)和EVI(增强植被指数)可以作为监测水稻叶绿素含量的遥感参数；唐延林等[2]的研究指出水稻叶片和穗的叶绿素、类胡萝卜素含量与光谱植被指数PRVI(色素比值指数)和λred(红边位置)有很好的相关性，用光谱指数PRVI和λred能较好地估算水稻不同发育时期叶片和穗的叶绿素、类胡萝卜素含量。孟卓强等[3]也利用红边光谱数据、NDVI(归一化植被指数)和RVI(比值植被指数)对冬小麦建立了叶绿素密度的回归方程。冯伟等[4]通过红边位置参数REPIG(倒高斯模型求得的红边位置)、红边位置参数REPLE(线性外推法求得的红边位置)建立了小麦叶片叶绿素含量的预测模型。谢瑞芝等[5]研究发现mSR705(修正红边单比指数)与玉米叶片色素含量之间的相关性很强。
各种重要农作物的叶绿素含量与高光谱指数的相关性以及建立反演模型的研究都已较为深入，但是通过分析这些不同地区和不同作物的研究，可以发现虽然很多绿色植物关于叶绿素敏感的光谱指数大致相同，但由于作物品种的不同、地区不同、生育期不同，所拟合的反演模型并不相同，因此有必要单独研究西北地区油菜生长过程中的叶绿素含量反演模型。并且油菜作为我国重要的经济作物，为了准确预测其长势产量并指导其生产，进行深入研究其生长过程中叶绿素含量的监测模型也具有重大意义。
参考文献
[1]程乾,黄敬峰,王人潮等.MODIS植被指数与水稻叶面积指数及叶片叶绿素含量相关性研究[J].应用生态学报,2004,15(8):64-68.
Cheng Q,Huang J F,Wang R C,et al.Correlation analysis of simulated MODIS vegetation indices and rice leaf area index and leaf chlorophyll content[J].Chinese Journal of Applied Ecology,2004,15(8):64-68.
[2]唐延林,黄敬峰,王人潮.水稻不同发育时期高光谱与叶绿素和类胡萝卜素的变化规律[J].中国水稻科学,2004,18(1):61-68.
Tang Y L,Huang J F,Wang R C.Change law of hyperspectral data with chlorophyll and carotenoid for rice at different developmental stages[J].Chinese Journal of Rice Science,2004,18(1):61-68.
[3]孟卓强,胡春胜,程一松.高光谱数据与冬小麦叶绿素密度的相关性研究[J].干旱地区农业研究,2007,25(6):80-85.
Meng Z Q,Hu C S,Cheng Y S.Study on correlation between chlorophyll density of winter wheat and hyperspectral data[J].Agricultural Research in the Arid Areas,2007,25(6):80-85.
[4]冯伟,朱艳,姚霞等.小麦叶片色素含量的高光谱监测[J].应用生态学报,2008,19(5):66-73.
Feng W,Zhu Y,Yao X,et al.Monitoring of wheat leaf pigment concentration with hyper-spectral remote sensing[J].Chinese Journal ofApplied Ecology,2008,19(5):66-73.
[5]谢瑞芝,周顺利,王纪华等.玉米叶片高光谱反射率、吸收率与色素含量的关系比较分析[J].玉米科学,2006,14(3):76-79.
Xie R Z,Zhou S L,Wang J H,et al.Comparison of the leaf hyperspectral reflectance and absorptance in relation to the leaf pigment contents in corn plants[J].Journal of Maize Sciences,2006,14(3):76-79.
[6]张文英,王凯华.甘蓝型油菜SPAD值与叶绿素含量关系分析[J].中国农学通报,2012,28(21):92-95.
Zhang W Y,Wang K H.The Analysis of relationship between SPAD reading and chlorophyll content in Brassica napus L[J].Chinese Agricultural Science Bulletin,2012,28(21):92-95.
[7]丁希斌,刘飞,张初,等.基于高光谱成像技术的油菜叶片SPAD值检测[J].光谱学与光谱分析,2015,35(2):486-491.
Ding X B,Liu F,Zhang C,et al.Prediction of SPAD value in oilseed rape leaves using hyperspectral imaging technique.Spectroscopy and Spectral Analysis,2015,35(2):486-491.
[8]张晓华,常庆瑞,章曼等.基于高光谱植被指数的西北玉米不同时期叶绿素含量估测[J].中国农业大学学报,2015,20(4):75-81.
Zhang X H,Chang Q R,Zhang M,et al.Hyperspectral vegetation index monitoring of chlorophyll content of different corn growth stage in Northwest China[J].Journal of China Agricultural University,2015,20(4):75-81.
[9]白雪娇.冬小麦氮素营养及其冠层生物理化参量高光谱遥感监测[D].陕西杨凌:西北农林科技大学,2013.
Bai X J.Monitoring Nitrogen Status and physicochemical parameters with hyperspectral sensing in winter wheat[D].Yangling:Northwest A&F University,2013.
[10]孙金英.基于冠层反射光谱的油菜生长与氮素营养监测研究[D].重庆:西南大学,2012.
Sun J Y.Study on monitoring the growth and nitrogen status in rapeseed based on canopy reflectance spectra[D].Chongqing:Southwest University,2012.
[11]王家强,伍维模,李志军等.基于高光谱指数的天然胡杨叶绿素遥感建模研究[J].干旱区资源与环境,2014,28(10):95-99.
Wang J Q,Wu W D,Li Z J,et al.Remote sensing modeling research of natural Populus euphratica chlorophyll based on hyperspectral indices[J].Journal of Arid Land Resources and Environment,2014,28(10):95-99.
[12]陈兵,徐丽,刘政等.棉花黄萎病叶片氮素含量与高光谱数据相关性分析[J].新疆农业科学,2015,52(7):170-175.
Chen B,Xu L,Liu Z,et al.The relationship between nitrogen contents and hyper spectra data in leaves of cotton under Verticilliumwilt[J].Xinjiang Agricultural Sciences,2015,52(7):170-175.
[13]李珺,宋文龙.基于光谱指数的仙客来叶片含水率检测方法研究[J].北方园艺,2014,2014(12):75-77.
Li J,Song W L.Study on detection method of cyclamen leaf water content based on spectral index[J].Northern Horticulture,2014,2014(12):75-77.
[14]宫兆宁,赵雅莉,赵文吉等.基于光谱指数的植物叶片叶绿素含量的估算模型[J].生态学报,2014,34(20):5736-5745.
Gong Z N,Zhao Y L,Zhao W J,et al.Estimation model for plant leaf chlorophyll content based on the spectral index content[J].Acta Ecology Sinica,2014,34(20):5736-5745.
[15]赵佳佳,冯美臣,王超等.基于光谱植被指数的冬小麦叶绿素含量反演[J].山西农业大学学报(自然科学版),2014,34(5):391-396.
Zhao J J,Feng M C,Wang C,et al.Simulating the content of chlorophyll in winter wheat based on spectral vegetation index[J].Journal of Shanxi Agricultural University(Nature Science Edition),2014,34(5):391-396.
[16]张苏,刘良云,黄文江.基于植被指数的叶绿素密度遥感反演建模与适用性研究[J].遥感信息,2013,28(3):94-101,111.
Zhang S,Liu L Y,Huang W J.Retrieval of canopy chlorophyll density based on hyperspectral vegetation indices[J].Remote Sensing Information,2013,28(3):94-101,111.
[17]雷彤,赵庚星,朱西存等.基于高光谱的苹果果期冠层光谱特征及其果量估测[J].生态学报,2010,30(9):2276-2285.
Lei T,Zhao G X,Zhu X C,et al.Canopy spectral features and fruit amount estimation of apple tree at fruit stage based on hyperspectral data[J].Acta Ecology Sinica,2010,30(9):2276-2285.
[18]张玉萍,李桂芝,王海光等.不同氮素量与小麦条锈病条件下小麦生理及冠层光谱研究[J].中国植保导刊,2014,34(1):21-26.
Zhang Y P,Li G Z,Wang H G,et al.Research on wheat physiological and spectral characteristics under the conditions of different nitrogen level and wheat stripe rust[J].China Plant Protection,2014,34(1):21-26.
[19]Chao Y W,Zheng N,Quan T,Wen J H.Estimating chlorophyll content from hyperspectral vegetation indices:Modeling and validation[J].Agricultural and Forest Meteorology,2008,148(8):1230-1241.
[20]Horler D N H,Dockray M,Barber J.The red edge of plant leaf reflectance[J].International Journal of Remote Sensing,1983,4(2):273-288.
[21]Wessman C A,Aber J D,Peterson D L,et al.Foliar Analysis Using Near Infrared Reflectance Spectroscopy[J].Canadian Journal of Forest Research,1988,18(1):6-11.
[22]Filella I,Penuelas J.The red edge position and shape as indicators of plant chlorophyll content,biomass and hydric status[J].International Journal of Remote Sensing,1994,15(7):1459-1470.
技术实现要素：
鉴于此，本发明提供了一种基于光谱指数的油菜叶片SPAD估测模型的构建方法，包括步骤：(1)分别于试验区中油菜的不同生育期进行田间采样；(2)将所述试验区划分为M个小区，每个小区选择N个样点；(3)每个样点选择X片具有代表性的，生长健康的叶片作为采集样本，每片叶片测量Y个SPAD值，取其平均值作为该叶片的SPAD值，每个样点记录X个SPAD值，最后取该样点所有记录值的平均值作为该样点的SPAD值，其中M，N，X和Y为自然数；(4)测定所述叶片的光谱反射率，得到不同波段组合的光谱指数；(5)对所述SPAD值和光谱指数进行相关性分析，选择与SPAD值相关性好的光谱指数进行线性拟合和非线性拟合，以进行反演建模。
优选地，所述步骤(5)包括：以光谱指数为自变量，SPAD值为因变量，分别建立线性函数、抛物线函数、指数函数、幂函数和对数函数，从中选取决定系数最高的模型。
优选地，所述生育期包括：苗期、现蕾抽苔期、开花期。
优选地，所述M为24，N为3，X为3，Y为10。
优选地，采集完样本后立即装入塑封袋中排尽空气，并尽快放入冰箱中冷藏保存。
优选地，选择每片叶片的两个点，每个点两条光谱，最后取平均值作为该样点的油菜叶片光谱值。
优选地，所述方法还包括：
通过均方根误差RMSE和相对误差RE，利用检验样本，对回归模型进行检验。
本发明还提供了一种基于光谱指数估测油菜叶片SPAD的方法，包括利用根据上述方法构建的模型来估测油菜叶片的SPAD。
根据在下文中所描述的附图和实施例，本发明的这些和其它方面将是清楚明白的，并且将参考在下文中所描述的实施例而被阐明。
附图说明
将参考附图中所说明的示范性的实施例而在下文中更详细地解释本发明。
图1是不同生育期油菜光谱反射率与SPAD值的相关性曲线。
具体实施方式
以下结合附图详细描述本发明的优选实施例。
1材料与方法
1.1材料
田间试验位于乾县齐南村，地理位置为东经108°07’33”，北纬34°38’48”。该区属于暖温带大陆性季风性半湿润气候，四季分明，年平均气温12.6℃，积温为4 575℃，平均降水量620mm，年日照时数在2 100h以上。
试验区的油菜均属于自然生长，施肥采用标准施肥，1次施足底肥。数据采集通过野外采集样品，室内无损检测，分别于2015-04-09(苗期)、2015-04-23(现蕾抽苔期)、2015-05-09(开花期)进行田间采样。试验区一共设置24个小区，每个小区选择3个样点，每个样点选择3片具有代表性的，生长健康的叶片作为采集样本。采集完样本后立即装入塑封袋中排尽空气，并尽快放入冰箱中冷藏保存，以保证室内采集光谱时叶片的新鲜度。
1.2数据采集方法
1.2.1油菜叶片光谱采集
油菜叶片的光谱是用美国SVC(Spectra Vista Corporation，原GER)公司生产的SVC HR-1024I全波段地物光谱仪进行采集的，光谱范围是350～2500nm。在本发明的优选实施例中，每个样点选择采集回来的3片叶片，每片叶片测两个点，每个点两条光谱，最后取平均值作为该样点的油菜叶片光谱值。
1.2.2油菜叶片SPAD值测定方法
本发明使用油菜叶片SPAD值表示其叶绿素含量。张文英等[6]的研究中证明，油菜叶片的SPAD值与叶绿素总量的相关性极其显著，并可以建立两者间的数学关系模型，即可以以测定的SPAD值表征叶绿素含量。
本发明的SPAD值测量采用仪器SPAD-502，该仪器是由日本KONICA MINOLTA公司生产的SPAD(Soil Plant Analysis Development Unit)502叶绿素计。在本发明的优选实施例中，测量采集的每个样点对应的三片叶片，每片叶片测10个SPAD值，取其平均值作为该叶片的SPAD值，每个样点记录3个SPAD值，最后取该样点所有记录值的平均值作为该样点的SPAD值。
1.3高光谱参数的计算
根据油菜叶片的光谱特征，并结合前人的研究选择以下26种光谱指数，具体公式或定义如表1。
表1光谱指数计算公式
1.4预测模型构建及精度验证
对采集的SPAD值和计算的光谱指数进行相关性分析，选择与叶绿素相关性好的光谱指数进行线性拟合和非线性拟合，利用均方根误差RMSE和相对误差RE对拟合值和实测值进行检验，确定最佳估测模型。筛除数据中存在的错误样点后，苗期样点个数共有69个，50个样点数据用于建模，19个样点数据用于验证；现蕾抽苔期样点个数共有68个，50个样点数据用于建模，18个样点数据用于验证；开花期样点个数共有68个，50个用于建模，18个用于验证。
2结果与分析
2.1油菜叶片光谱与SPAD值的相关性分析
附图1示出了油菜叶片光谱与SPAD值的相关性曲线，从附图1可以看出，油菜不同时期的光谱与SPAD值相关性最强的波段范围基本一致。在黄绿波段及红光波段都显示了极显著的相关性，其中在550nm左右，出现相关性峰值，表现为与SPAD值呈极显著负相关，之后相关性出现回落，在680nm左右达到最低值，后又逐渐升高，在700nm左右出现第二个相关性峰值，也表现为与SPAD值呈极显著负相关。本发明选择的光谱指数也基于这些波段范围得出。
2.2油菜叶片光谱参数与SPAD值的相关性分析
将油菜叶片的光谱指数与SPAD值进行相关性分析后得出：苗期与SPAD值呈极显著相关的光谱指数有Db、SDb、Dy、SDy、WP_R、Rg、SDg、SDr/SDb、SDr/SDy、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)、MCARI、NDVI705、mSR705、mNDVI705、VOG1、VOG2、VOG3、RI、REPLI，其中SDr/SDy相关性系数最高，达到了0.79；现蕾抽苔期与SPAD值呈极显著相关的光谱指数有Db、SDb、Dy、SDy、WP_R、Rr、WP_r、Rg、SDg、SDr/SDb、SDr/SDy、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)、MCARI、NDVI705、mSR705、mNDVI705、VOG1、VOG2、VOG3、PSRI、CRI、RI、REPLI，其中SDr/SDy和(SDr-SDy)/(SDr+SDy)的相关性系数最高，达到了0.82；开花期与SPAD值呈极显著相关的光谱指数有Db、SDb、SDy、WP_R、Rg、SDg、SDr/SDb、SDr/SDy、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)、NDVI705、mSR705、mNDVI705、VOG1、VOG2、VOG3、RI、REPLI，其中(SDr-SDy)/(SDr+SDy)相关性系数最高，达到了0.65。
表2不同生育期光谱指数与SPAD值相关系数
注：**P<0.01达到极显著相关水平；*P<0.05达到显著相关水平。
2.3构建油菜叶片SPAD值的反演模型
为了实时对油菜对叶绿素含量进行监测，选择了与SPAD值相关性最高的光谱指数进行反演建模。以光谱指数为自变量，SPAD值为因变量，分别建立线性函数、抛物线函数、指数函数、幂函数和对数函数，从中选取决定系数最高的模型。其中现蕾抽苔期的回归拟合优度较高的模型最多，并且三个时期都是以SDr/SDy和(SDr-SDy)/(SDr+SDy)两指数得出的拟合模型为最佳。
表3油菜叶片不同生育期光谱指数与SPAD值估算模型
2.4反演模型的检验
为了检验SPAD值反演模型的精度，通过RMSE(均方根误差)和RE(相对误差)，利用检验样本，对回归模型进行检验。
表4油菜苗期光谱指数与SPAD值估算模型精度检验
表5油菜现蕾抽苔期光谱指数与SPAD值估算模型精度检验
表6油菜开花期光谱指数与SPAD值估算模型精度检验
由以上精度检验结果可以得知：苗期选择8个光谱指数的拟合方程的RMSE和RE都很低，其中以SDr/SDy为自变量的模型最低，可以作为苗期叶绿素含量监测的模型；现蕾抽苔期中选择的除去REPLI的16个光谱指数的拟合方程的RMSE和RE都较好，其中以SDr/SDy和(SDr-SDy)/(SDr+SDy)为自变量的模型最低，可以作为现蕾抽苔期叶绿素含量监测的模型；开花期选择的7个光谱指数的拟合方程的RMSE和RE都较高，拟合效果不太理想，只有SDr/SDb和SDr/SDy为自变量的模型相对较低。
综上所述，可以得出以下结论：
1)从油菜叶片光谱与SPAD值的相关性曲线来看，黄绿波段及红光波段都显示了与SPAD值的极显著相关性。其中在绿光波动550nm左右，出现了1个相关性峰值，表现为与SPAD值呈极显著负相关，之后相关性出现回落，在红光波段680nm处达到最低值，后又逐渐升高，在近红外波段700nm左右出现第二个相关性峰值，也表现为与SPAD值呈极显著负相关。
2)在各个生育期显示较强相关性的光谱指数不尽相同，苗期SDr/SDy显示的相关性系数最高，开花期(SDr-SDy)/(SDr+SDy)与SPAD值的相关性最强，现蕾抽苔期中SDr/SDy和(SDr-SDy)/(SDr+SDy)都体现了与SPAD值的极强的相关性。
3)基于光谱指数对油菜SPAD进行反演估算，建立各个时期各光谱指数的关于SPAD的反演模型。根据决定系数高低判断，各时期都以SDr/SDy和(SDr-SDy)/(SDr+SDy)建立的模型的拟合度较高。通过精度检验分析，在各个时期以SDr/SDy建立的反演模型精度最高，效果最好。
SPAD值可以准确反映植物叶绿素含量高低，而叶绿素作为植物产能和长势的重要指标，在指导作物培养起着至关重要的作用。本发明主要对油菜不同时期叶片的SPAD值进行遥感监测，利用训练样本拟合了反演模型，并以同时期的检验样本检验了拟合模型的精度，证明其具有较高的可行性和精确度。本发明结果中，与油菜叶片SPAD值呈较高相关性的植被指数中包括NDVI705，且以其拟合的二次方程R2较高，与丁希斌等[7]于浙江进行的研究结果相似，但反演模型的具体系数不一样，说明以同一光谱指数建立的反演模型并不能完全应用于不同地区。并且该研究中其它显示出较强相关性的光谱指数在本发明中并未呈现比较高的相关性，一定程度上证明用以建立反演模型的光谱指数也存在地区差异，应根据不同地区的具体情况进行选择。另外，处于同一地区研究的与玉米叶片叶绿素含量相关性较强的植被指数有MCARI、PSRI等[8]，与小麦叶片叶绿素相关性较强的光谱指数包括Rg、SDr等[9]，本发明中油菜叶片的叶绿素含量也体现了与以上所列举的指数之间具有较强相关性，并能够得出较为准确的反演模型，但所拟合的方程有差异，不能通用。
上面结合附图和实施例对本发明做了详细的说明。但是，应当理解，本发明的实施例并不限于所公开的特定实施例，并且对该实施例的修改和其他实施例也意图被包含在所附权利要求书的范围内。尽管此处使用了特定术语，但是它们仅在通用和描述性意义上使用，而非为了限制的目的。