基于冠層高光譜信息的蘋果樹花量估測

劉　穎，王克健，謝讓金，2，呂　強，2，何紹蘭，2，易時來，2，鄭永強，鄧　烈，2

（1西南大學/中國農(nóng)業(yè)科學院柑桔研究所，重慶 400712；2國家柑桔工程技術(shù)研究中心，重慶 400712）

基于冠層高光譜信息的蘋果樹花量估測

劉穎1，王克健1，謝讓金1，2，呂強1，2，何紹蘭1，2，易時來1，2，鄭永強1，鄧烈1，2

（1西南大學/中國農(nóng)業(yè)科學院柑桔研究所，重慶 400712；2國家柑桔工程技術(shù)研究中心，重慶 400712）

【目的】研究基于盛花期冠層高光譜數(shù)據(jù)的蘋果花量估測技術(shù)，為植株花果管理和生產(chǎn)力預測技術(shù)的建立奠定基礎(chǔ)。【方法】以5年生M9無性系砧木‘米奇嘎啦’蘋果（Malus pumila‘Mitch Gala’）、樹形為高紡錘形的植株為試材，在盛花期采集植株冠層可見-近紅外高光譜圖像，人工統(tǒng)計供試植株花量，比對分析基于原始光譜反射率（original reflectance spectra，OS）與Savitzky-Golay平滑法（savitzky-golay smoothing，SG）、正態(tài)變量標準化（standardization of normal variables，SNV）、標準化（Normalize）、一階求導（first derivation，lstDer）、二階求導（second derivation，2ndDer）共5種預處理的高光譜數(shù)據(jù)的偏最小二乘法（partial least squares method，PLS）模型，以及基于載荷系數(shù)法（x-loading weight，x-LW）提取的特征波長的PLS模型、人工神經(jīng)網(wǎng)絡(luò)（the back-propagation neural network，BPNN）、最小二乘支持向量機（the least squares support vector machines，LS-SVM）等模型對單株單位面積花量實時估測精度的影響?！窘Y(jié)果】蘋果樹單株花量與單株單位面積花量具有較高的相關(guān)系數(shù)，表明采用冠層單位面積花量替代單株總花量進行樹體花量估測可行。單株單位面積花量與植株冠層光譜反射率在紫外-可見光波長（308—700 nm）呈極顯著正相關(guān)，在近紅外波長（750—1 000 nm）相關(guān)性不顯著?；谌ㄩL，以Normalize預處理光譜建立的PLS模型對單株單位面積花量的預測效果最好，校正集決定系數(shù)（）和預測集決定系數(shù)（）分別為0.794和0.804，校正集均方根誤差（RMSEC）和預測集均方根誤差（RMSEP）分別為0.084、0.062，預測相對誤差（RE%）為3.940?；谔卣鞑ㄩL的BPNN模型穩(wěn)定性差，而LS-SVM模型的建模效果較好，和分別為0.826和0.804，RMSEC和RMSEP分別為0.077、0.064，RE%為12.160?！窘Y(jié)論】基于Normalize預處理的PLS模型對高紡錘形蘋果樹冠層單位面積花量的預測效果最優(yōu)，同時，本研究利用高光譜成像儀獲取的數(shù)據(jù)，經(jīng)過分析處理對提取特征信息進行簡化，可為多光譜遙感數(shù)據(jù)的應(yīng)用提供依據(jù)。

蘋果樹；單位面積花量；高光譜；偏最小二乘法；載荷系數(shù)法

0　引言

【研究意義】蘋果是世界最大宗的水果之一，而中國又是世界最大的蘋果生產(chǎn)國。目前中國蘋果種植面積約為2.2×106hm2，約占世界蘋果總種植面積的42%；總產(chǎn)量為3.598×107t，約占世界總量的54.21%，年產(chǎn)值達1 605.17億元［1］。由此可見，中國蘋果生產(chǎn)在世界蘋果產(chǎn)業(yè)中占有極為重要的地位，也是蘋果主產(chǎn)區(qū)農(nóng)民增加收入的重要途徑。要實現(xiàn)蘋果生產(chǎn)基地的優(yōu)質(zhì)豐產(chǎn)，則首先需要蘋果樹具有良好的生長勢和適宜的花量，而高效可靠的花量估測技術(shù)是實施疏花疏果和精準肥水管理的重要依據(jù)［2］。但對于大面積規(guī)模化果園，依靠人工統(tǒng)計花量十分費時、費力，且對技術(shù)經(jīng)驗要求較高，一般管理人員難以正確實施。近年來，快速發(fā)展的光譜技術(shù)為果樹營養(yǎng)和果實品質(zhì)無損監(jiān)測等提供了可能。利用光譜分辨率高、波段連續(xù)性強、光譜信息量大等優(yōu)勢，實時記錄植物器官生長發(fā)育中的細微變化，通過科學的光譜采集和模型運算可獲取詳細的生物物理和生物化學參數(shù)信息，及時了解植物的生理生態(tài)變化和營養(yǎng)狀況，同時還可以預測產(chǎn)量以及對果樹品種、病害進行分類［3-6］?！厩叭搜芯窟M展】許多研究表明，利用植株冠層的光譜信息，可以對作物的生長狀況進行評估和預測。GUTIERRE等［7］分析了常用的植被指數(shù)和冠層光譜反射率與棉花生物量之間的關(guān)系，結(jié)果表明植株盛花期的比值植被指數(shù)與棉花產(chǎn)量具有顯著的相關(guān)性。程洪等［8］利用樹冠圖像特征對蘋果樹產(chǎn)量建立了神經(jīng)網(wǎng)絡(luò)模型，其決定系數(shù)達到0.9以上。PRASAD等［9］探討了冬小麥植株的冠層反射率指數(shù)與生物質(zhì)產(chǎn)量間的相關(guān)性。朱西存等［10］對蘋果花期的冠層高光譜特征進行了研究，探索出該時期的敏感波長以及不同花量光譜曲線的差異。潘蓓等［11］利用蘋果冠層的光譜數(shù)據(jù)建立了預測果樹P含量的估測模型。BROGE等［12］通過對作物冠層的光譜反射率紅邊特性的分析以進行對葉綠素密度的預測。ROYO和VILLEGAS［13］通過實地測量小麥冠層光譜反射率進而實現(xiàn)對小粒谷物的生物量評估?！颈狙芯壳腥朦c】目前，有關(guān)蘋果冠層花量的實時光譜估測技術(shù)研究鮮見報道。本研究選用高紡錘形蘋果植株，在盛花期采集植株冠層高光譜圖像信息，通過光譜數(shù)據(jù)預處理、建模方法篩選與預測精度分析，對基于光譜技術(shù)的蘋果樹冠層花量的估測進行研究?！緮M解決的關(guān)鍵問題】建立高紡錘形蘋果樹冠層高光譜圖像信息采集方法，探討基于不同預處理方法的PLS模型以及基于特征波長的PLS、BPNN和LS-SVM模型對冠層花量的估測效果，預期結(jié)果能夠為建立快速準確的花量光譜估測技術(shù)提供理論依據(jù)。

1　材料與方法

試驗于2015年4月在陜西海升集團千陽蘋果基地的矮砧密植高紡錘形果園進行。

1.1試驗時間、地點

該基地位于陜西省關(guān)中西陲，北緯34°34′34″—34°56′56″，東徑106°56′15"—107°22′31″，屬暖溫帶半大陸性氣候，年均氣溫10.9℃，年降水量653 mm，果園株距1 m，行距4 m。

1.2試驗材料

在試驗果園選擇99株M9自根砧‘米奇嘎啦’（Malus pumila ‘Mitch Gala'）蘋果樹為試材，供試植株為定植后第5年，樹形為高紡錘形，冠徑約60 cm，樹高約3.0 m，長勢基本一致，正值盛花期，單株花量差異較大。

1.3蘋果冠層高光譜圖像的采集

將黑色KT板（一種由再生塑料顆粒經(jīng)過發(fā)泡生成板芯，再經(jīng)表面覆膜壓合而成的一種新型材料）直立放在蘋果樹一側(cè)作為背景，采用以高光譜成像儀（ImSpector，V10E，芬蘭）、EMCCD（Raptor photonics公司，F(xiàn)A285-CL，英國）、旋轉(zhuǎn)平臺、控制器和筆記本電腦等設(shè)備組成的信息采集系統(tǒng)逐株進行光譜圖像信息采集。光譜信息采集時間為盛花期晴朗無云天氣時的10:00—14:00，鏡頭焦距8 mm，傳感器分辨率1 004×1 002，波長范圍305.461—1 090.103 nm，具有501個波段。為了盡量獲取完整的冠層信息，將成像儀與樹體之間的距離設(shè)為最大行距，并主要采集花量集中的樹冠中間區(qū)域。在圖像信息采集過程中根據(jù)光線方位和光強的改變及時用白板進行校正。

1.4蘋果單株花量和單位面積花量統(tǒng)計

從試驗植株各個部位隨機選擇50個花序，調(diào)查每個花序的花量，得到花序平均花朵數(shù)為6朵，再人工統(tǒng)計整個植株的花序總量，以式1計算得到試驗單株的總花量。即：

試驗植株枝葉分散，從樹冠一側(cè)觀察類似于一個平面，用單株總花量除以采集冠層的樹體實際面積，即可得到冠層單位面積花量（式2）。

1.5光譜數(shù)據(jù)提取

如圖1所示，將采集的高光譜圖像（1-a）先用HIS Analyzer進行黑白板校正得到圖像（1-b），將DN值轉(zhuǎn)換成反射率；再將獲得的高光譜反射率圖像以ENVI4.7軟件進行處理，用分割方法將目標區(qū)域以外的圖像去掉得到圖像（1-c）；然后采用單波長閾值法除去背景，得到紅色區(qū)域的樹體冠層圖像（1-d），提取包括花朵、枝葉、樹干等在內(nèi)的冠層面積（紅色區(qū)域）的平均光譜反射率為試驗單株的冠層光譜反射率。

圖1　嘎啦蘋果樹冠層高光譜圖像處理流程圖Fig. 1　The processing flow chart of Gala tree's canopy hyper-spectral images

1.6光譜數(shù)據(jù)預處理與特征波長提取

光譜采集過程中，由于外界環(huán)境的影響會導致光譜曲線存在一些噪聲，因此本試驗采用The Unscrambler v9.7軟件中提供的SG、SNV、lstDer、2ndDer、Normalize等5種光譜預處理方法［14］。采用x-LW法［15］提取預測單株花量的特征波長。

1.7模型建立與優(yōu)選標準

本研究獲得99株矮砧‘嘎啦’蘋果樹冠層高光譜反射率信息，在建模過程中采用隨機分配法［16］選取79個樣本作為校正集，20個樣本作為預測集。在全波長條件下，建立基于樹體冠層原始光譜反射率與不同預處理光譜的PLS模型［17］，經(jīng)數(shù)據(jù)分析篩選出最佳預處理的PLS模型；再基于x-LW提取的特征波長建立PLS、BPNN［18］和LS-SVM［19］模型。以決定系數(shù)（R2）、均方根誤差（RMSE）和相對誤差（RE）作為評價指標［20］。

2　結(jié)果

2.1花量水平評價指標篩選

在光譜建模分析研究中，所建模型的性能優(yōu)劣和適應(yīng)范圍在較大程度上取決于校正集樣本數(shù)據(jù)的精度和覆蓋范圍，尤以樣品值覆蓋范圍越大，所建模型的預測精度越高，適用范圍越廣［21］。本試驗所用樣本植株中（表1），單株花量介于60—2 322朵，平均花量為843.818朵，樣本變異系數(shù)為62.214%；單株單位面積花量在0.007—0.291朵/cm2之間，平均單位面積花量為0.106，樣本變異系數(shù)為63.462%。二者都具有較大的花量覆蓋范圍，可以用于建模預測分析。

由圖2可知，單株花量和單株單位面積花量的相關(guān)系數(shù)達到0.930，由此表明，以單株單位面積花量代表單株花量水平是完全可行的。

表1　嘎啦蘋果盛花期單株花量與單位面積花量的統(tǒng)計結(jié)果Table 1　The statistics of the number of flowers per tree and flowers per unit area during Gala blooming

圖2　單株花量與單株單位面積花量的線性關(guān)系Fig. 2　The linear relationship of flowers per tree and flowers per unit area per tree

2.2嘎啦蘋果盛花期冠層高光譜曲線特征

為了直觀了解單位面積不同花量與花期冠層光譜反射率的關(guān)系，將99個樣本數(shù)據(jù)按照單位面積花量由低到高分成3組，每組33個樣本，從而得到平均單位面積花量分別為0.096、0.260和0.487 朵/cm2的3組數(shù)據(jù)，將每一組別所有樣本的冠層光譜進行平均，同時將冠層光譜數(shù)據(jù)與單位面積花量進行相關(guān)性分析。結(jié)果顯示（圖3、圖4），單株單位面積花量在紫外-可見光波段（308—700 nm）顯著影響其光譜反射率，兩者之間呈極顯著正相關(guān)；在近紅外波段（750—1 050 nm）的決定系數(shù)較低，相關(guān)性沒有達到極顯著水平。水是吸收太陽輻射能量最強的介質(zhì)，主要影響短波-紅外光譜的反射率，在室外采集高光譜圖像時，不可避免空氣中水汽對圖像高光譜反射率的影響，因此，在758 nm波長下突然出現(xiàn)的一個反射峰，可能是受室外采集高光譜圖像時空氣中水汽的影響［22］。在550 nm綠光區(qū)域有一個明顯的波峰，是由于冠層葉片對綠光的強烈反射所致；在690 nm紅光區(qū)域有一個明顯的波谷，這是由于冠層葉片對紅光強烈吸收形成的；在750—1 050 nm波長范圍內(nèi)，蘋果樹冠層具有較高的反射率，1 000 nm以后光譜反射率驟然降低。

圖3　嘎啦蘋果盛花期單位面積不同花量的冠層光譜曲線Fig. 3　The reflective spectra curves of Gala canopy with different flowers per unit area in blooming period

圖4　單株冠層光譜反射率與單株單位面積花量的相關(guān)性曲線Fig. 4　The correlation curve of canopy spectral reflectance per tree with flowers per unit area per tree

2.3基于不同預處理的PLS模型對單株單位面積花

量的估測

比對分析不同光譜預處理方法對估測單株單位面積花量的PLS模型的影響。從本試驗結(jié)果可見（表2），基于Normalize預處理的建模效果最好，模型的決定系數(shù)最高，Rc2和Rp2分別為0.794和0.804；均方根誤差和相對誤差最小，RMSEC和RMSEP分別為0.084和0.062，RE%為3.940。Normalize-PLS的預測散點圖如圖5所示。

2.4基于特征波長的PLS、BPNN和LS-SVM模型對單株單位面積花量的估測

表2　基于不同預處理的PLS模型預測結(jié)果Table 2　The prediction results of PLS models based on different pretreatments

表3　基于特征波長的三種模型對單株單位面積花量的建模結(jié)果Table 3　The results of three models based on characteristic wavelengths to predict the number of flowers per unit area per tree

圖5　Normalize-PLS模型對單株單位面積花量的預測結(jié)果Fig. 5　The prediction result of flowers per unit area per tree based on Normalize-PLS

采用全波長建立校正模型時，不僅運算數(shù)據(jù)量大，而且冗余信息較多，校正模型的預測精度未必能達到最優(yōu)［23］。利用x-LW提取了8個特征波長（555.889、678.518、750.358、751.962、755.170、848.612、923.113和934.467 nm），基于該特征波長建立PLS、LS-SVM、BPNN 3種模型。運行LS-SVM模型時采用交叉驗證優(yōu)化參數(shù)，運行BPNN模型時參數(shù)設(shè)置為允許最大訓練步數(shù)5 000步，訓練目標最小誤差0.01，每間隔50步顯示一次訓練結(jié)果，學習速率為0.01。由3種模型的建模結(jié)果（表3）可知，BPNN模型預測集R2偏低，RE偏高，模型穩(wěn)定性不足；PLS模型的相對誤差最小，但模型決定系數(shù)偏低，預測精度不如全波長；LS-SVM模型決定系數(shù)最高，均方根誤差較小，RE稍高，以該模型綜合效果較好。x-LW-LS-SVM的預測散點圖如圖6所示。

圖6　x-LW-LS-SVM模型對單株單位面積花量的預測結(jié)果Fig. 6　The prediction result of flowers per unit area per tree based on x-LW-LS-SVM

3　討論

花期是蘋果樹年生長發(fā)育周期中的重要時期，樹體花量的多少是果樹肥水管理的重要依據(jù)，也是果園生產(chǎn)力預測的一項重要依據(jù)，因此，快速估測花量具有重要生產(chǎn)意義［24］。光譜技術(shù)是近年果樹生理信息獲取方法的一次革命，較多研究表明，通過冠層光譜信息可以實時了解作物的生理生化特征［25-28］，預測作物或組織的代謝趨勢［29］，精準指導果園管理作業(yè)［30］。矮砧高紡錘形密植栽培是當前蘋果栽培技術(shù)的發(fā)展趨勢，也是中國推動蘋果栽培技術(shù)提檔升級的重要內(nèi)容之一［31］，因此，本試驗選擇高紡錘形蘋果樹進行研究。

由于田間采集蘋果樹冠層高光譜圖像時難免出現(xiàn)局部區(qū)域丟失現(xiàn)象，這對于樹體總花量的預測必然造成一定的誤差，而統(tǒng)計單位面積花量可以有效降低該誤差。此外，衡量一株樹花量的多少不應(yīng)該只看花量絕對值，統(tǒng)計單位面積花量則可更為科學地評估樹體開花能力和花量水平，從而科學進行疏花管理［32-33］。本研究表明利用冠層高光譜或特征光譜反射率均可實現(xiàn)對蘋果單株單位面積花量的有效估測，由于單株花量與單株單位面積花量之間較高的線性相關(guān)性，因此可同時通過線性方程估測單株花量。而通過特征波長的篩選利用，可為研制成本較低的多光譜監(jiān)測系統(tǒng)、最終為實現(xiàn)果園花量光譜估測技術(shù)的實用化奠定基礎(chǔ)。

光譜預處理不僅可以有效消除背景噪音、降低物理因素所導致的散射影響，而且可以提高模型的適用性。田喜等［34］采用不同光譜預處理方法對柑橘葉片光合色素進行預測研究，結(jié)果顯示經(jīng)過多元散射校正建立LS-SVM對葉綠素a的預測效果最好；易時來等［35］表明在預測錦橙葉片鉀含量采用二階微分建立回歸模型預測精度最高；盧艷麗等［36］采用570—590 nm波段的一階導數(shù)預測土壤有機質(zhì)含量得到了較高的預測精度。本試驗結(jié)果表明，不同光譜預處理方法所獲得的PLS模型預測精度存在差異，其中，以經(jīng)過Normalize預處理的高光譜數(shù)據(jù)所建立的PLS模型預測精度最高，表明通過對光譜數(shù)據(jù)進行預處理可提高建模預測精度。

偏最小二乘法（PLS）、支持向量機（LS-SVM）、神經(jīng)網(wǎng)絡(luò)（BP）都是化學計量學建模分析中常用的方法。本研究中，以特征波長的光譜數(shù)據(jù)為自變量的PLS模型的建模效果不及全波長的建模效果好，這可能是因為提取的特征波長不夠充分；BP模型得到的Rc2最高，Rp2最低，RMSE相差較大，并且預測RE偏大，表明其模型的穩(wěn)定性不夠；LS-SVM模型決定系數(shù)較高，預測效果最優(yōu)，但是預測相對誤差稍大，不及Normalize-PLS的建模效果，兩種建模方法均有各自的優(yōu)缺點，x-LW-LS-SVM模型所用波長數(shù)較少，提高了模型的運算速度，但是降低了模型的預測精度，因此，進一步研究特征波長的提取至關(guān)重要。其中核函數(shù)和正則化參數(shù)對于LS-SVM模型的性能具有重要的作用，目前雖有多種選取參數(shù)的方法，例如本研究采用的交叉驗證法，但不能保證能夠得到一個最優(yōu)的建模參數(shù)，而如何快速有效地確定最優(yōu)參數(shù)，一直以來都是提高該模型學習和泛化能力的主要研究問題之一［37-38］。

4　結(jié)論

基于高紡錘形蘋果樹盛花期冠層高光譜圖像信息，通過不同光譜預處理方法、特征波長的提取和建模方法，可實現(xiàn)對單株單位面積花量的較好預測。3種建模預測方法比對發(fā)現(xiàn)，基于全波長的偏最小二乘法模型（PLS模型）和基于特征波長的最小二乘支持向量機（LS-SVM）對單株單位面積花量的估測效果均較好，人工神經(jīng)網(wǎng)絡(luò)模型（BPNN模型）穩(wěn)定性最差。其中以基于標準化預處理的PLS模型綜合效果最佳。

References

［1］ 孫佳佳. 中國蘋果進口貿(mào)易研究［D］. 楊凌: 西北農(nóng)林科技大學，2014.

SUN J J. China apple import trade research ［D］. Yangling: Northwest A&F University， 2014. （in Chinese）

［2］ 向陽. 淺談蘋果疏花疏果技術(shù). 農(nóng)業(yè)科技與信息， 2013， 19: 29-30.

XIANG Y. Introduction to apple thin flower thinning technology. Journal of Agricultural Science and Technology and Information Technology， 2013， 19: 29-30. （in Chinese）

［4］ CAVALHO S， SCHLERF M， PUTTEN W H V D， SKIDMORE A K. Hyperspectral reflectance of leaves and flowers of an outbreak species discriminates season and successional stage of vegetation. International Journal of Applied Earth Observation and Geoinformation， 2013， 24: 32-41.

［5］ 朱西存， 趙庚星， 王瑞燕， 董芳， 王凌， 雷彤. 蘋果葉片的高光譜特征及其色素含量監(jiān)測. 中國農(nóng)業(yè)科學， 2010， 43（6）: 1189-1197.

ZHU X C， ZHAO G X， WANG R Y， DONG F， WANG L， LEI T. Hyperspectral characteristics of apple leaves and their pigment contents monitoring. Scientia Agriculture Sinica， 2010， 43（6）: 1189-1197. （in Chinese）

［6］ 雷彤， 趙庚星， 朱西存， 董超， 孟巖， 戰(zhàn)冰. 基于高光譜的蘋果果期冠層光譜特征及其果量估測. 生態(tài)學報， 2010， 30（9）: 2276-2285.

LEI T， ZHAO G X， ZHU X C， DONG C， MENG Y， ZHAN B. Canopy spectral features and fruit amount estimation of apple tree at fruit stage based on hyperspectral data. Acta Ecologica Sinica， 2010，30（9）: 2276-2285. （in Chinese）

［7］ GUTIERREZ M， NORTON R， THORP K R， WANG G. Association of spectral reflectance indices with plant growth and lint yield in upland cotton. Crop Science， 2012， 52（2）: 849-857.

［8］ 程洪， DAMEROW L， BLANKE M， 孫宇瑞， 程強. 基于樹冠圖像特征的蘋果園神經(jīng)網(wǎng)絡(luò)估產(chǎn)模型. 農(nóng)業(yè)機械學報， 2015（1）: 4.

CHENG H， DAMEROW L， BLANKE M， SUN Y R， CHEN Q. ANN model for apple yield estimation based on feature of tree image . Transactions of the Chinese Society for Agricultural Machinery，2015（1）: 4. （in Chinese）

［9］ PRASAD B， BABAR M A， CARVER B F， RAUN W R， KLATT A R. Association of biomass production and canopy spectral reflectance indices in winter wheat. Canadian Journal of Plant Science， 2009，89（3）: 485-496.

平臺和終端需要保證單設(shè)備指令的時序性，即當先下發(fā)開燈，再下發(fā)關(guān)燈時，路燈收到的指令也應(yīng)先為開，后為關(guān)。需要保證一組路燈的狀態(tài)，即一組路燈同時開時，不能有的路燈收到開的指令，有的路燈收到關(guān)的指令。

［10］ 朱西存， 趙庚星， 雷彤， 李希燦， 陳志強. 蘋果花期的冠層高光譜特征研究. 光譜學與光譜分析， 2009， 29（10）: 2708-2712.

ZHU X C， ZHAO G X， LEI T， LI X C， CHEN Z Q. Study on hyperspectral characteristics of apple florescence canopy. Spectroscopy and Spectral Analysis， 2009， 29（10）: 2708-2712. （in Chinese）

［11］ 潘蓓， 趙庚星， 朱西存， 劉海騰， 梁爽， 田大德. 利用高光譜植被指數(shù)估測蘋果樹冠層葉綠素含量. 光譜學與光譜分析， 2013， 33（8）: 2203-2206.

PAN B， ZHAO G X， ZHU X C， LIU H T， LIANG S， TIAN D D. Estimation of chlorophyll content in apple tree canopy based on hyperspectral parameters. Spectroscopy and Spectral Analysis， 2013，33（8）: 2203-2206. （in Chinese）

［12］ BROGE N H， MORTENSEN J V. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data. Remote Sensing of Environment， 2002， 81（1）: 45-57.

［13］ ROYO C， VILLEGAS D. Field measurements of canopy spectra for biomass assessment of small-grain cereals//MATOVIC D. Biomass-Detection， Production and Usage. In Tech， 2011: 87-92.

［14］ 尼珍， 胡昌勤， 馮芳. 近紅外光譜分析中光譜預處理方法的作用及其發(fā)展. 藥物分析雜志， 2008， 28（5）: 824-829.

NI Z， HU C Q， FENG F. Progress and effect of spectral data pretreatment in NIR analytical technique. Chinese Journal ofPharmaceutical Analysis， 2008， 28（5）: 824-829. （in Chinese）

［15］ RASMUSSEN J， AAMAND J， ROSENBERG P， JACOBSEN O S，SORENSEN S R. Spatial variability in the mineralisation of the phenylurea herbicide linuron within a danish agricultural field: multivariate correlation to simple soil parameters. Pest Management Science， 2005， 61（9）: 829-837.

［16］ 岳學軍， 全東平， 洪添勝， 王健， 瞿祥明， 甘海明. 柑橘葉片葉綠素含量高光譜無損檢測模型. 農(nóng)業(yè)工程學報， 2015， 31（1）: 294-302.

YUE X J， QUAN D P， HONG T S， WANG J， QU X M， GAN H M. Non-destructive hyperspectral measurement model of chlorophyll content for citrus leaves. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（1）: 294-302. （in Chinese）

［17］ BARKER M， RAYENS W. Partial least squares for discrimination. Journal of Chemometrics， 2003， 17: 166-173.

［18］ ElMASRY G， WANG N， VIGNEAUL C. Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks. Postharvest Biology and Technology， 2009， 52（1）: 1-8.

［19］ BALABIN R M， SAFIEVA R Z， LOMAKINA E I. Comparison of linear and nonlinear calibration models based on near infrared （NIR）spectroscopy data for gasoline properties prediction. Chemometrics and Intelligent Laboratory Systems， 2007， 88（2）: 183-188.

［20］ 李永亮. 杉木紅邊參數(shù)估算葉綠素含量模型研究［D］. 長沙: 中南林業(yè)科技大學， 2011.

LI Y L. The Study of estimation models of chinese fir chlorophyll content based on red edge parameters ［D］. Changsha: Central South University of F&T， 2011. （in Chinese）

［21］ GIOVANELLI G， SINELLI N， BEGHI R， GUIDETTI R，CASIRAGHI E. NIR spectroscopy for the optimization of postharvest apple management. Postharvest Biology & Technology， 2014， 87（1）: 13-20.

［22］ CLEVERS J G P W， KOOISTRA L， SCHAEPMAN M E. Using spectral information from the NIR water absorption features for the retrieval of canopy water content. International Journal of Applied Earth Observation and Geoinformation， 2008， 10（3）: 388-397.

［23］ BAUMGARTNER R， SOMORJAI R， BOWMAN C， SORRELL T C，MOUNTFORD C E， HIMMELREICH U. Unsupervised feature dimension reduction for classification of MR spectra. Magnetic Resonance Imaging， 2004， 22（2）: 251-256.

［24］ 雷彤， 趙庚星， 朱西存， 戰(zhàn)冰， 張洋洋. 基于高光譜和數(shù)碼照相技術(shù)的蘋果花期光譜特征研究. 中國農(nóng)業(yè)科學， 2009， 42（7）: 2481-2490.

LEI T， ZHAO G X， ZHU X C， ZHAN B， ZHANG Y Y. Research of apple florescence spectral features based on hyperspectral data and digital photos. Scientia Agricultura Sinica， 2009， 42（7）: 2481-2490.（in Chinese）

［25］ HANSEN P M， SCHJOERRING J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression. Remote Sensing of Environment， 2003， 86（4）: 542-553.

［26］ 張瑤， 鄭立華， 李民贊， 鄧小蕾， 王詩叢， 張鋒， 冀榮華. 基于光譜特征分析的蘋果樹葉片營養(yǎng)素預測模型構(gòu)建. 農(nóng)業(yè)工程學報， 2013，29（8）: 171-178.

ZHANG Y， ZHEN L H， LI M Z， DENG X L， WANG S C， ZHANG F，JI R H. Construction of apple tree leaves nutrients prediction model based on spectral analysis. Transactions of the Chinese Society of Agricultural Engineering， 2013， 29（8）: 171-178. （in Chinese）

［27］ 房賢一， 朱西存， 王凌， 趙庚星. 基于高光譜的蘋果盛果期冠層葉綠素含量監(jiān)測研究. 中國農(nóng)業(yè)科學， 2013， 46（16）: 3504-3513.

FANG X Y， ZHU X C， WANG L， ZHAO G X. Hyperspectral monitoring of the canopy chlorophyll content at apple tree prosperous fruit stage. Scientia Agricultura Sinica， 2013， 46（16）: 3504-3513. （in Chinese）

［28］ JONES C L， WEEKLER P R， MANESS N O， JAYASEKARA R，ATONE M L， CHRZ D. Remote sensing to estimate chlorophyll concentration in spinach using multi-spectral plant reflectance. Transactions of the Asabe， 2007， 50（6）: 2267-2273.

［29］ LEVASSEUR-GARCIA C. Infrared spectroscopy applied to identification and detection of microorganisms and their metabolites on cereals （corn， wheat， and barley）//Agricultural Science. Scientific Research， 2012: 185-196.

［30］ BRISCO B， BROWN R J， HIROSE T， MCNAIRN H， STAENZS K. Precision agriculture and the role of remote sensing: A review. Canadian Journal of Remote Sensing， 1998， 24（3）: 315-327.

［31］ 楊進. 矮砧蘋果的發(fā)展前景. 中國農(nóng)業(yè)科學， 1983， 16（6）: 26-31.

YANG J. Prospect in development of apple trees of dwarf stocks. Scientia Agricultura Sinica， 1983， 16（6）: 26-31. （in Chinese）

［32］ 劉萬亮， 遲乃峰， 徐建波， 宋立龍， 孫兵杰. 蘋果的花期管理. 煙臺果樹， 2008（2）: 44.

LIU W L， CHI N F， XU J B， SONG L L， SUN B J. The management of apple in blooming. Yantai Fruits， 2008（2）: 44. （in Chinese）

［33］ SOLOMAKHIN A A， BLANKE M M. Mechanical flower thinning improves the fruit quality of apples. Journal of the Science of Food and Agriculture， 2010， 90（5）: 735-741.

［34］ 田喜， 何紹蘭， 呂強， 易時來， 謝讓金， 鄭永強， 廖秋紅， 鄧烈. 高光譜圖像信息的柑橘葉片光合色素含量分析技術(shù)研究. 光譜學與光譜分析， 2014（9）: 2506-2512.

TIAN X， HE S L， LV Q， YI S L， XIE R J， ZHENG Y Q， LIAO Q H，DENG L. Determination of photosynthetic pigments in citrus leaves based on hyperspectral images datas. Spectroscopy and Spectral Analysis， 2014， （9）: 2506-2512. （in Chinese）

［35］ 易時來， 鄧烈， 何紹蘭， 鄭永強， 毛莎莎. 錦橙葉片鉀含量光譜監(jiān)測模型研究. 中國農(nóng)業(yè)科學， 2010， 43（4）: 780-786.

YI S L， DENG L， HE S L， ZHENG Y Q， MAO S S. A spectrum based models for monitoring leaf potassium content of Citrus sinensis （L） cv. Jincheng orange. Scientia Agricultura Sinica， 2010， 43（4）: 780-786.（in Chinese）

［36］ 盧艷麗， 白由路， 楊俐蘋， 王紅娟. 基于高光譜的土壤有機質(zhì)含量預測模型的建立與評價. 中國農(nóng)業(yè)科學， 2007， 40（9）: 1989-1995.

LU Y L， BAI Y L， YANG L P， WANG H J. Prediction and validation of soil organic matter content based on hyperspectrum. Scientia Agricultura Sinica， 2007， 40（9）: 1989-1995. （in Chinese）

［37］ 汪海燕， 黎建輝， 楊風雷. 支持向量機理論及算法研究綜述. 計算機應(yīng)用研究， 2014， 31（5）: 1281-1286.

WANG H Y， LI J H， YANG F L. Overview of support vector machine analysis and algorithm. Application Research of Computers，2014， 31（5）: 1281-1286. （in Chinese）

［38］ BASAK D， PAL S， PATRANABIS D C. Support vector regression. Neural Information Processing-Letters and Reviews， 2007， 11（10）: 203-224.

（責任編輯趙伶俐）

Estimating the Number of Apple Tree Flowers Based on Hyperspectral Information of a Canopy

LIU Ying1， WANG Ke-jian1， XIE Rang-jin1，2， Lü Qiang1，2， HE Shao-lan1，2， YI Shi-lai1，2，ZHENG Yong-qiang1， DENG Lie1，2
（1Citrus Research Institute， Southwest University/Chinese Academy of Agricultural Sciences， Chongqing 400712；2National Engineering Technology Research Center for Citrus， Chongqing 400712）

【Objective】To study a technology for estimating the number of apple flowers which is based on the hyperspectral image information of a canopy at full-bloom stage， in order to lay a foundation for the establishment of the technologies used for the management and the productivity prediction of the flowers and fruits of a plant. 【Method】 The 5-year-old Malus pumila ‘Mitch Gala' trees with M9clonal rootstocks in the shape of high spindles were studied. The visible and near infrared hyperspectral imagesof the canopy at full-bloom stage were collected， and the number of the flowers of the trees was selected and then counted manually. Finally， comparatively analyze the effects of the Partial Least Squares （PLS） models based on the original reflectance spectra （OS）and the spectra pretreated by five kinds of methods including savitzky-golay smoothing（SG）， standardization of normal variables（SNV）， Normalize， first derivation（lstDer）， second derivation（2ndDer）， the PLS， the back-propagation neural network （BPNN） and the least squares support vector machines （LS-SVM） based on characteristic wavelengths obtained by x-loading weight （x-LW） on the accuracy of the real-time estimation of the amount of flowers per unit area per tree. 【Result】 Both the number of flowers per tree and the number of flowers per unit area per tree have high correlation coefficients， which means using the number of flowers per unit area of the canopy as a substitute for the total number of flowers per tree to predict the number of flowers of all the trees is feasible. The number of flowers per unit area per tree had a very significant positive correlation with the reflectivity of the trees' canopy in the ultraviolet and visible wavelength （308-700 nm）， but the correlation between the two was not significant in the near-infrared wavelength （750-1 000 nm）. Based on full wavelength， the PLS model based on spectra pretreated by Normalize predicts the number of flowers per unit area per tree most accurately， whose determination coefficients of the calibration sets （Rc2）and of the prediction sets （Rp2） were 0.794 and 0.804， the root-mean-square errors of the calibration sets （RMSEC） and of the prediction sets （RMSEP） were 0.084， 0.062， and whose relative error （RE%） of prediction sets was 3.940. Based on characteristic wavelengths， the stability of BPNN model is bad，the LS-SVM model has better modeling results， with the Rc2and the Rp2being 0.826 and 0.804， RMSEC and the RMSEP being 0.077 and 0.064， the RE% of prediction sets is 12.160. 【Conclusion】 The PLS prediction model based on Normalize pretreatment has the best prediction results of the number of flowers of apple trees in the shape of high spindles per unit area per tree's canopy， at the same time， after obtaining the spectral data by hyperspectral imager，analysis and processing to extract feature information through simplification， which can provide a basis for the application of multispectral remote sensing data.

apple tree； flowers per unit area； hyper-spectra； PLS； x-LW

2016-02-26；接受日期：2016-07-29

國家科技支撐計劃（2014BAD16B02-2，2008BAD92B08-7-4）、國家國際科技合作專項（2013DFA11470）、重慶市科技支撐示范工程（cstc2014fazktpt80015）

聯(lián)系方式：劉穎，E-mail：ying141992@126.com。通信作者鄧烈，E-mail：liedeng@163.com