王曉麗,張曉麗,周國民

（1.北京林業(yè)大學(xué) 精準(zhǔn)林業(yè)北京市重點(diǎn)實驗室，北京100083；2.北京林業(yè)大學(xué) 省部共建森林培育與保護(hù)重點(diǎn)實驗室，北京 100083；3.中國農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)信息研究所，北京100081）

基于近紅外光譜技術(shù)的果樹花期樹種識別方法

王曉麗1,2,3,張曉麗1,2,周國民3

（1.北京林業(yè)大學(xué) 精準(zhǔn)林業(yè)北京市重點(diǎn)實驗室，北京100083；2.北京林業(yè)大學(xué) 省部共建森林培育與保護(hù)重點(diǎn)實驗室，北京 100083；3.中國農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)信息研究所，北京100081）

為建立果樹花期樹種識別的有效模型，利用ASD FieldSpec 3全波段便攜式光譜分析儀采集了4種果樹花期花的光譜數(shù)據(jù)。利用剔除異常光譜、5點(diǎn)移動平滑等技術(shù)對4種果樹花期花的光譜反射率進(jìn)行預(yù)處理，使用連續(xù)投影算法（SPA）進(jìn)行有效波長選取并獲得7個波長下的反射光譜，同時增加了590 nm和720 nm處2個波形差異大的光譜，與歸一化植被指數(shù)（INDV）和比值植被指數(shù)（IRV）共11個特征波段作為分類建模數(shù)據(jù)，建立了偏最小二乘判別分析（PLS-DA），正交偏最小二乘判別分析（O-PL-DA）和基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)（BP）算法3種識別模型。結(jié)果表明：對測試樣本的識別率由高到低依次為BP（93.90%）＞O-PLS-DA（81.82%）＞PLS-DA（76.36%）。綜合研究認(rèn)為：在優(yōu)選波段的基礎(chǔ)上，對果樹花期樹種判別應(yīng)優(yōu)選BP神經(jīng)網(wǎng)絡(luò)模型。圖10表5參22

經(jīng)濟(jì)林學(xué)；果樹花期；光譜分析；分類識別； PLS-DA；O-PLS-DA；BP

水果產(chǎn)業(yè)是中國種植業(yè)中僅次于糧食、蔬菜的第三大產(chǎn)業(yè)，在國民經(jīng)濟(jì)中占有重要地位。中國是世界上最大的水果生產(chǎn)國［1］，如蘋果Malus pumila，梨Pyrus spp.，甜櫻桃Prunus avium等，但國產(chǎn)水果的質(zhì)量不容樂觀，培育和檢測高質(zhì)果樹是當(dāng)前迫切需要解決的現(xiàn)實問題。遙感技術(shù)（RS）和地理信息系統(tǒng)（GIS）的集成可以提供強(qiáng)大的空間決策支持系統(tǒng)，為檢測果樹的生長狀況、健康狀況和果樹分類等［2-4］提供了技術(shù)基礎(chǔ)；隨著遙感技術(shù)的發(fā)展，植物物種信息提取已有大量研究［5-6］，也為果樹的遙感信息帶來了可能。近紅外光譜技術(shù)由于其高分辨率特性被廣泛應(yīng)用，如邢東興等［7］利用冠層和葉片的實測高光譜數(shù)據(jù)對果樹的病蟲害、凍害、營養(yǎng)元素與微量元素含量等進(jìn)行了研究；朱西存等［8-9］基于高光譜數(shù)據(jù)，建立了蘋果花磷素和氮素含量的預(yù)測模型，效果較好；雷彤等［10］基于多光譜和數(shù)碼照相技術(shù)發(fā)現(xiàn)藍(lán)光、紅光和近紅外波段為蘋果花期的敏感波段，花期光譜特征變化與花葉比和花樹比呈現(xiàn)較好的相關(guān)性；李子藝等［11］采用BP神經(jīng)網(wǎng)絡(luò)對南疆盆地主栽果樹進(jìn)行基于冠層光譜的分類，而且分類精度較高。國內(nèi)外基于光譜技術(shù)對果樹的研究基本局限于病蟲害預(yù)警、施藥、葉面積指數(shù)估計和冠層生物量檢測、產(chǎn)量預(yù)測和果品品質(zhì)評估等方面［12-13］，對于果樹花期分類的研究涉及極少。本研究采集并分析了常見4種果樹花期的光譜數(shù)據(jù)，并選取了相關(guān)特征波長以及歸一化植被指數(shù)（INDV）和比值植被指數(shù)（IRV）分類建模，以期探尋利用地面全波段光譜測試數(shù)據(jù)對果樹樹種進(jìn)行科學(xué)識別的有效方法與途徑，并為今后高空遙感技術(shù)進(jìn)行果樹樹種識別提供理論基礎(chǔ)。

1 材料與方法

1.1 研究區(qū)概況及樣品儀器

研究區(qū)位于遼寧省興城市（40°16′～40°50′N， 120°06′～120°50′E）， 地處東北平原腹地， 面積約 2 147 km2，屬于北溫帶大陸性氣候。年平均降水量為600 mm，冬季平均氣溫為-13.0℃，夏季平均氣溫為25.0℃。興城市的水果栽培以梨，蘋果，桃Amygdalus persica，杏Armeniaca vulgaris為特色，是中國農(nóng)業(yè)部認(rèn)定的優(yōu)質(zhì)水果生產(chǎn)基地。

2016年4月28日-2016年5月10日，選取樹高和胸徑基本一致的梨 ‘早酥’ ‘Zaosu’，蘋果 ‘華紅’ ‘Huahong’，桃 ‘鐵桃’ ‘Tietao’，杏 ‘銀白杏’ ‘Yinbaixing’等4個果樹品種，10株·品種-1，3～4個測定點(diǎn)·株-1測量樣本花。測定點(diǎn)選取的標(biāo)準(zhǔn)為花束比較緊湊且都在盛花期。

采用ASD公司的FieldSpec 3便攜式光譜輻射計，測量盛花期待測樹種花的光譜反射率（R）。光譜范圍為350～2 500 nm；光譜采樣間隔為1 nm；波長精度為±1 nm。

1.2 研究方法

1.2.1 光譜掃描 光譜探頭垂直于被測點(diǎn)，距離約20 cm，測定光譜數(shù)10條·次-1，3重復(fù)·處理-1。為保證數(shù)據(jù)的有效性與準(zhǔn)確性，隔10 min進(jìn)行1次標(biāo)準(zhǔn)白板矯正。獲得待測樹種盛花期花的光譜數(shù)據(jù)如圖1所示。

1.2.2 光譜處理 環(huán)境和機(jī)器本身的影響會使得到的光譜數(shù)據(jù)夾雜高頻噪聲，同時各種隨機(jī)因素也有可能造成光譜的基線漂移或旋轉(zhuǎn)，因此需對得到的數(shù)據(jù)作異樣光譜曲線剔除和光譜曲線5點(diǎn)平滑處理等預(yù)處理。得到花期冠層光譜數(shù)據(jù)分別為梨110條，蘋果170條，桃100條，杏60條。偏最小二乘判別分析（PLS-DA）和正交偏最小二乘判別分析（O-PLS-DA）采用Kennard-stone［14］方法對樣品集進(jìn)行劃分，分別得到330個建模集、55個驗證集和55個預(yù)測集。BP神經(jīng)網(wǎng)絡(luò)樣本劃分比例為75%，15%和15%。

1.2.3 數(shù)據(jù)處理 用 Excel 2010，ViewSpec Pro（Version 5.6.8,ASD Inc.，美國），MatlabR2014a軟件（Version 8.3.0.532，The MathWorks，美國）和復(fù)雜多變量數(shù)據(jù)智慧處理軟件系統(tǒng)（ChemDataSolution 1.1.0，大連達(dá)碩信息技術(shù)有限公司，中國）對數(shù)據(jù)進(jìn)行分析并建模。

1.2.4 建模方法 ⑴偏最小二乘判別分析（PLS-DA）［15］算法是基于偏最小二乘回歸的判別分析方法，基本思想是根據(jù)已知樣品集的特征，建立定性分析模型。首先建立校正樣本集的分類變量y；然后將y與光譜數(shù)據(jù)進(jìn)行PLS分析，建立分類變量y與光譜數(shù)據(jù)x間的PLS回歸模型；最后根據(jù)模型計算檢驗集（未知樣本）的分類變量值yP。具體判別方法是：①當(dāng)yP＞0.5，且偏差＜0.5時，判定樣本屬于該類；②當(dāng)yP＜0.5，偏差＜0.5時，判定樣本不屬于該類；③當(dāng)偏差≥0.5時，判別不穩(wěn)定。⑵正交偏最小二乘判別分析（O-PLS-DA）［16］相似于PLS-DA，與PLS-DA基于偏最小二乘回歸分析不同的是，前者是基于正交偏最小二乘法辨別分析，是在PLS的基礎(chǔ)上提出的一種新的數(shù)據(jù)分析方法。該方法將x變量分為“y-predictive”和 “y-orthogonal”2個部分，其中 “y-predictive”中的第一潛變量涵括x與y間的最大變化與相關(guān)性，而 “y-orthogonal” 則描述x與y中不相關(guān)的信息。因此，該方法的特點(diǎn)是可以剔除自變量x中與分類變量y無關(guān)的變化，使模型變得易于解釋，其判別效果及主成分得分圖的可視化效果更加明顯，使模型的解釋與診斷能力更加優(yōu)化。⑶基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)（Back Propagation）即BP神經(jīng)網(wǎng)絡(luò)算法［17-18］是一種不同于傳統(tǒng)方法的人工智能方法，其主要思想是將學(xué)習(xí)過程分為2個階段：一是正向傳播，二是誤差反向傳播。利用輸出后的誤差來估計前一層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層反傳，使獲得所有層的誤差估計。這樣就形成了輸入層的誤差沿著相反的方向逐級傳遞的過程，因此，該算法也稱為誤差反向后傳算法，簡稱BP算法。

圖1 不同樹種花的遙感反射光譜特征Figuer 1 Characteristics of remote sensing reflectance spectra of fruit trees at different flowering stages

2 數(shù)據(jù)分析

2.1 光譜分析及特征提取

近紅外光譜通常包含數(shù)以千計的波長變量，且遠(yuǎn)大于樣本量，利用全波段數(shù)據(jù)進(jìn)行建模時，并非每個波長都能提供有用信息，大量的冗余數(shù)據(jù)會增加建模工作量。本研究采用連續(xù)投影算法（SPA）［19］，尋找含有最少冗余信息的變量組合，使變量間的共線性最小。迭代結(jié)果如圖2所示，按篩選出的順序排序特征波長分別為 541，395，370，682，1 839，2 481， 1 268 nm。

圖2 SPA特征提取結(jié)果Figure 2 Feature extraction results of SPA

對4類樹種花的光譜數(shù)據(jù)求平均值（圖3），發(fā)現(xiàn)在430～1 000 nm波段下光譜反射率由高到低的順序為：蘋果＞梨＞杏＞桃；在1 100～1 400 nm波段下，光譜反射率由高到低的順序為：蘋果＞梨＞桃＞杏；在1 500～1 800 nm光譜反射率由高到低的順序為：蘋果＞梨＞桃＞杏。對光譜數(shù)據(jù)求導(dǎo)數(shù)可以反映光譜反射率的上升速度，從圖4可知：桃在562～675 nm波段時反射率上升最快，其次是杏，蘋果，梨；在695～750 nm波段時，反射率上升速度有所變化，速度由高到低為蘋果＞梨＞桃＞杏。由此可知：在562～675 nm和695～750 nm波段下果樹花期光譜波形有差異，不能被全部采用，因此連續(xù)投影算法（SPA）將此2個波段大部數(shù)據(jù)排除，只選擇了此波段的峰值590 nm，720 nm作為建模數(shù)據(jù)；植被指數(shù)是能反映植物生長狀況的指數(shù)，常用的植被指數(shù)有IRV和INDV，為了提高模型的精度本研究又增加這2個植被指數(shù)用于建模。綜上分析，最終選取的特征波長為370，395，541，590，682，720，1 839，2 481，1 268 nm以及IRV和INDV。

圖3 4種果樹光譜平均值圖Figure 3 Mean spectral reflectance of 4 fruit tree species

圖4 4種果樹光譜一階導(dǎo)數(shù)圖Figure 4 First derivative spectral reflectance of 4 fruit tree species

2.2 PLS-DA模型對未知樣品的預(yù)測效果

從圖5和表1可知：殘差方差和誤差隨著模型輸入主成分?jǐn)?shù)量的增加先減小而后穩(wěn)定，決定系數(shù)R2值則先增加而后穩(wěn)定。當(dāng)主成分?jǐn)?shù)值顯示為6時， 得到均方誤差最小值為0.05，決定系數(shù)最大值為0.79（表1）；因此，在隨即建立的PLS-DA模型中選擇了6個主成分，由此得到的得分圖如圖6所示，顯示效果較好。

圖5 PLS-DA方差解釋Figure 5 Residual variance of PLS-DA

圖6 PLS-DA得分圖Figure 6 Scores of PLS-DA

表1 各主成分誤差變化及決定系數(shù)變化情況Table 1 Changes of errors and R2for every principal parameters

通過使用所選擇的最佳波長和植被指數(shù)建立的PLS-DA模型如下：y＝-3.30R369+6.20R394-7.99R540+5.51R681-1.79R590-4.25R720+3.29R1267-0.98R1838+3.44R2480-12.50INDV+0.45IRV+8.22。表2顯示了不同果樹樹種在PLS-DA模型下的預(yù)測精度。結(jié)果表明：對于蘋果、桃和杏的預(yù)測精度較高，梨的準(zhǔn)確度略低。不同果樹物種的檢測精度差異很大。預(yù)測集樣本總體識別率為76.36%。

2.3 O-PLS-DA模型對未知樣品的預(yù)測效果

從圖7和表3可知：殘差方差和誤差隨著模型輸入主成分?jǐn)?shù)量的增加先減小而后趨于穩(wěn)定，相關(guān)系數(shù)R2則先增加而后趨于穩(wěn)定增加。當(dāng)主成分?jǐn)?shù)值顯示為7時，得到均方誤差最小值為0.04，決定系數(shù) R2最大值為 0.85（表 3）；因此，在建立O-PLS-DA模型中選擇了7個主成分作為指標(biāo)，得到得分圖如圖8所示。此模型下分類效果比PLS-DA更明顯。

表2 PLS-DA模型下4類果樹花期光譜識別率Table 2 Classification results of PLS-DA model for four fruit tree species

建立的O-PLS-DA模型如下：y＝0.01R369-0.06R394-1.08R540-0.52R681-0.89R590-0.99R720-0.96R1267-0.51R1838+0.10R2480-0.28INDV-2.58IRV+2.16。表4顯示了不同果樹樹種的O-PLS-DA模型的預(yù)測精度。結(jié)果表明，對于蘋果、桃和杏的預(yù)測精度較高，梨的準(zhǔn)確度略低，但比PLS-DA略有提高。不同果樹品種的檢測精度差異很大。預(yù)測集樣本總體識別率為81.82%，比PLS-DA模型精度有所提高。

圖7 O-PLS-DA方差解釋Figure 7 Residual variance of O-PLS-DA

圖8 O-PLS-DA得分圖Figure 8 Scores of O-PLS-DA

表3 各主成分誤差變化及決定系數(shù)變化情況Table 3 Changes of errors and R2for every principal parameters

2.4 BP模型對未知樣品的預(yù)測效果

圖9表明：在訓(xùn)練34次后交叉熵趨向于平穩(wěn)，即BP神經(jīng)網(wǎng)絡(luò)算法在迭代34次時得到最穩(wěn)定模型，誤差最優(yōu)為0.04～0.05（圖10），在預(yù)測集中有部分杏被誤認(rèn)為桃，總體識別率達(dá)到93.90%（表5），與前面2種識別方法相比，BP神經(jīng)網(wǎng)絡(luò)算法具有自動劃分樣本集的功能，方法有效，識別率高。由于BP神經(jīng)網(wǎng)絡(luò)是有輸入層、隱含層、輸出層的非線性模型，因此沒有具體的模型表達(dá)式。

表4 O-PLS-DA模型下4類未知果樹花期光譜識別率Table 4 Classification results of O-PLS-DA model for detecting fruit tree species

3 結(jié)論和討論

基于對研究區(qū)ASD Fieldspec 3測量數(shù)據(jù)和現(xiàn)場調(diào)查分析，探討了利用近紅外光譜技術(shù)自動檢測果樹盛花期花的光譜反射率，并以此建立函數(shù)模型實現(xiàn)對果樹樹種的映射；驗證了近紅外光譜技術(shù)作為檢測花期果樹品種的可行性，為快速監(jiān)測果樹生產(chǎn)狀況提供了理論基礎(chǔ)，為果樹科學(xué)經(jīng)營和數(shù)字化管理提供科學(xué)依據(jù)。

圖9 BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)Figure 9 Number of iterations for BP model

圖10 BP神經(jīng)網(wǎng)絡(luò)20個柱形誤差直方圖Figure 10 Errors for BP model

3.1 波段選擇的范圍

對4種果樹花期的光譜數(shù)據(jù)進(jìn)行預(yù)處理和 SPA波段選擇，選取 541，395，370，682， 1 839， 2 481， 1 268， 590， 720 nm 等9個特征波長并獲得該波長下花的光譜反射率，同時加入植被指數(shù)IRV和INDV共11個指標(biāo)值作為分類模型的自變量；研究發(fā)現(xiàn)波段優(yōu)先選擇的是可見光波段（390～780 nm），其次是近紅外波段（780～3 300 nm），此組合波段對待測果樹的分類效果較好。

表5 BP模型下4類果樹花期預(yù)測集光譜識別率Table 5 Classification results of BP model for detecting fruit tree species

3.2 不同建模方式的比較

對所選波段進(jìn)行了3種方式的建模。盡管O-PLS-DA在PLS-DA基礎(chǔ)上作了改進(jìn)，但此兩者將梨誤判為蘋果的概率較大，分析原因可能是梨花和蘋果花在盛花期光譜數(shù)據(jù)較為相似，今后若用線性模型對果樹分類，應(yīng)考慮增加花蕾期數(shù)據(jù)或結(jié)合其他信息進(jìn)行識別。BP神經(jīng)網(wǎng)絡(luò)與前2種方法相比有更高的識別正確率，原因在于BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)能力，可以實現(xiàn)輸入與輸出之間的高度非線性映射，得到較為理想的分類效果，因此被廣泛的應(yīng)用在各品種識別領(lǐng)域中［11,20-22］。本研究通過BP神經(jīng)網(wǎng)絡(luò)算法對4種果樹花期樹種進(jìn)行分類，最高精度達(dá)到93.90%，說明采用BP神經(jīng)網(wǎng)絡(luò)算法能夠?qū)κ⒒ㄆ诠麡錁浞N進(jìn)行基于冠層光譜的分類，且達(dá)到較高的識別精度。

3.3 關(guān)于方法改進(jìn)的探討

本研究只建立了4個果樹品種的識別模型，在今后研究中可以加入更多果樹品種的檢測模型。植被指數(shù)方面選擇了INDV和IRV，今后可以考慮加入更多光譜指數(shù)，如綠度植被指數(shù)（IGV）和垂直植被指數(shù)（IPV）等；這些參數(shù)在不同樹種中相關(guān)性也各不相同。本研究檢測了果樹花期花的光譜差異，但沒有考慮不同花卉的生理和生化參數(shù)，在今后應(yīng)考慮碳、氮、磷等元素或微量元素對其光譜反射率的影響。BP神經(jīng)網(wǎng)絡(luò)是一種高效、穩(wěn)定的模型，但是它對輸入數(shù)據(jù)的質(zhì)量和數(shù)量都有一定的要求，尤其在波段輸入數(shù)量上會出現(xiàn)過擬合的現(xiàn)象，在研究中應(yīng)該引起重視。

［1］ 鄧小蕾.果園信息獲取現(xiàn)代傳感方法及裝置研究［D］.北京：中國農(nóng)業(yè)大學(xué)，2014.DENG Xiaolei.Advanced Sening Method and Apparatus for Orchard Information Collection ［D］.Beijing:China Agricultural University,2014.

［2］ MASELLI F,CHIESI M,BRILLI L,et al.Simulation of olive fruit yield in tuscany through the integration of remote sensing and ground data ［J］.Ecol Model,2012,244（1745）:1-12.

［3］ PE?A M A,BRENNING A.Assessing fruit-tree crop classification from landsat-8 time series for the Maipo valley,Chile ［J］.Remote Sens Environ,2015,171（10）:234-244.

［4］ STRUTHERS R,IVANOVA A,TITS L,et al.Thermal infrared imaging of the temporal variability in stomatal conductance for fruit trees ［J］.Int J Appl Earth Obs Geoinf,2015,39（2）:9-17.

［5］ IMMITZER M,VUOLO F,ATZBERGER C.First experience with sentinel-2 data for crop and tree species classifications in Central Europe ［J］.Remote Sens,2016,8（3）:166.doi:10.3390/rs8030166.

［6］ LIU Xiaolong,BO Yanchen.Object-based crop species classification based on the combination of airborne hyperspectral images and LiDAR data ［J］.Remote Sens,2015,7（1）:922-950.doi:10.3390/rs70100922.

［7］ 邢東興，常慶瑞.基于花期果樹冠層光譜反射率的果樹樹種辨識研究［J］.紅外與毫米波學(xué)報，2009，28（3）：207-211.XING Dongxing,CHANG Qingrui.Identification of species of fruit trees based on the spectral reflectance of canopies of fruit trees during flowering period ［J］.J Infrared Millim Waves,2009,28（3）:207-211.

［8］ 朱西存，趙庚星，王凌，等.基于高光譜的蘋果花氮素含量預(yù)測模型研究［J］.光譜學(xué)與光譜分析,2010，30（2）： 416-420.ZHU Xicun,ZHAO Gengxing,WANG Ling,et al.Hyperspectrum based prediction model for nitrogen content of apple flowers ［J］.Spectrosc Spectral Anal,2010,30（2）:416-420.

［9］ 朱西存，趙庚星，雷彤，等.蘋果花期的冠層高光譜特征研究［J］.光譜學(xué)與光譜分析，2009，29（10）：2708-2712.ZHU Xicun,ZHAO Gengxing,LEI Tong,et al.Study on hyperspectral characteristics of apple florescence canopy［J］.Spectrosc Spectral Anal,2009,29（10）:2708-2712.

［10］ 雷彤，趙庚星，朱西存，等.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［J］.中國農(nóng)業(yè)科學(xué)，2009， 42（7）： 2481-2490.LEI Tong,ZHAO Gengxing,ZHU Xicun,et al.Research of apple florescence spectral features based on hyperspectral data and digital photos ［J］.Sci Agric Sin,2009,42（7）:2481-2490.

［11］ 李子藝，王振錫，岳俊，等.基于BP神經(jīng)網(wǎng)絡(luò)的高光譜果樹樹種識別研究［J］.江蘇農(nóng)業(yè)科學(xué)，2016,44（5）： 410-414.LI Ziyi,WANG Zhenxi,YUE Jun,et al.Study on recognition of fruit tree with hyperspectral data based on BP neural network ［J］.Jiangsu Agric Sci,2016,44（5）:410-414.

［12］ DAS P T,TAJO L,GOSWAMI J.Assessment of citrus crop condition in umling block of Ri-Bhoi district using RS and GIS technique ［J］.J Indian Soc Remote Sens,2009,37（2）:317-324.

［13］ 鄭劍，周竹，仲山民，等.基于近紅外光譜與隨機(jī)青蛙算法的褐變板栗識別［J］.浙江農(nóng)林大學(xué)學(xué)報，2016， 33（2）： 322-329.ZHENG Jian,ZHOU Zhu,ZHONG Shanmin,et al.Chestnut browning detected with near-infrared spectroscopy and a random-frog algorithm ［J］.J Zhejiang Aamp;F Univ,2016,33（2）:322-329.

［14］ 劉偉，趙眾，袁洪福，等.光譜多元分析校正集和驗證集樣本分布優(yōu)選方法研究［J］.光譜學(xué)與光譜分析，2014， 34（4）： 947-951.LIU Wei,ZHAO Zhong,YUAN Hongfu,et al.An optimal selection method of samples of calibration set and validation set for spectral multivariate analysis ［J］.Spectrosc Spectral Anal,2014,34（4）:947-951.

［15］ 唐果，田曠達(dá)，李祖紅，等.近紅外光譜結(jié)合PLS-DA劃分煙葉等級［J］.煙草科技，2013（4）：60-62.TANG Guo,TIAN Kuangda,LI Zuhong,et al.Classification of tobacco grades by near-infrared spectroscopy and PLSDA ［J］.Tobacco Sci Technol,2013（4）:60-62.

［16］ 唐軍，王青，童紅，等.薰衣草精油的衰減全反射紅外光譜辨別分析［J］.光譜學(xué)與光譜分析，2016，36（3）：716-719.TANG Jun,WANG Qing,TONG Hong,et al.Discriminant analysis of lavender essential oil by attenuated total reflectance infrared spectroscopy ［J］.Spectrosc Spectral Anal,2016,36（3）:716-719.

［17］ 王茜蒨，黃志文，劉凱，等.基于主成分分析和人工神經(jīng)網(wǎng)絡(luò)的激光誘導(dǎo)擊穿光譜塑料分類識別方法研究［J］.光譜學(xué)與光譜分析， 2012， 32（12）： 3179-3182.WANG Qianqian,HUANG Zhiwen,LIU Kai,et al.Classification of plastics with laser-induced breakdown spec-troscopy based on principal component analysis and artificial neural network model ［J］.Spectrosc Spectral Anal,2012,32（12）:3179-3182.

［18］ 高浪，謝康和.人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用［J］.土木工程學(xué)報，2002，35（4）：77-81.GAO Lang,XIE Kanghe.Application of artificial neural networks to geotechnical engineering ［J］.China Civil Eng J,2002,35（4）:77-81.

［19］ 成忠，張立慶，劉赫揚(yáng)，等.連續(xù)投影算法及其在小麥近紅外光譜波長選擇中的應(yīng)用［J］.光譜學(xué)與光譜分析， 2010， 30（4）： 949-952.CHENG Zhong,ZHANG Liqing,LIU Heyang,et al.Successive projections algorithm and its application to selecting the wheat near-infrared spectral variables ［J］.Spectrosc Spectral Anal,2010,30（4）:949-952.

［20］ 吳桂芳，蔣益虹，王艷艷，等.基于獨(dú)立主成分和BP神經(jīng)網(wǎng)絡(luò)的干紅葡萄酒品種的鑒別［J］.光譜學(xué)與光譜分析， 2009， 29（5）： 1268-1271.WU Guifang,JIANG Yihong,WANG Yanyan,et al.Discrimination of varieties of dry red wines based on independent component analysis and BP neural network ［J］.Spectrosc Spectral Anal,2009,29（5）:1268-1271.

［21］ 王艷艷，何勇，邵詠妮，等.基于可見-近紅外光譜的咖啡品牌鑒別研究［J］.光譜學(xué)與光譜分析，2007，27（4）： 702-706.WANG Yanyan,HE Yong,SHAO Yongni,et al.Discrimination among different brands of coffee by using vis-near infrared ［J］.Spectrosc Spectral Anal,2007,27（4）:702-706.

［22］ 邵詠妮，何勇，鮑一丹.基于獨(dú)立組分分析和BP神經(jīng)網(wǎng)絡(luò)的可見/近紅外光譜蜂蜜品牌的鑒別［J］.光譜學(xué)與光譜分析， 2008， 28（3）： 602-605.SHAO Yongni,HE Yong,BAO Yidan.Application of visible/near infrared spectroscopy to discriminating honey brands based on independent component analysis and BP neural network ［J］.Spectrosc Spectral Anal,2008,28（3）:602-605.

Automatic detection of fruit tree species during the flowering period using near infrared spectra technologies

WANG Xiaoli1,2,3,ZHANG Xiaoli1,2,ZHOU Guomin3
（1.Beijing Key Laboratory of Precision Forestry,Beijing Forestry University,Beijing 100083,China;2.Key Laboratory for Silviculture and Forest Conservation of Ministry of Education,Beijing Forestry University,Beijing 100083,China;3.Institute of Agricultural Information,Chinese Academy of Agricultural Sciences,Beijing 100081,China）

To establish an effective model for fruit tree species identification at the flowering stage,spectral data of four kinds of fruit trees were collected using an ASD FieldSpec 3 full band portable spectrometer.Nine sensitive and characteristic bands of the spectrum（370 nm,395 nm,541 nm,590 nm,682 nm,720 nm,1 268 nm,1 839 nm,and 2 481 nm）and two vegetation indices for accurately detecting fruit tree species were first obtained using the Successive-Projections-Algorithm （SPA）method.Subsequently,some classification methods were applied,such as Partial Least Squares Discriminant Analysis （PLS-DA）,Orthogonal Projection to Latent Structure Discriminant Analysis （O-PLS-DA）,and Back Propagation （BP）,to compare their effectiveness for distinguishing fruit tree species.Choice 30 m×30 m standard rural area in the garden,select 10 trees of every 4 fruit tree species and every tree select 3-4 points using optional bolting method.10 spectra were measured and take the average at every point,repeated three times.Results showed that the average detecting accuracy for PLS-DA was 73.36%,for O-PLS-DA was 81.82%,and for BP was 93.90%with the BP model having the best prediction accuracy for clarifying fruit tree species.This study demonstrated the feasibility of implementing hyperspectral imaging from near infrared spectra technologies （NIST）for identifying fruit tree species during the flowering period. ［Ch,10 fig.5 tab.22 ref.］

non-timber forest products （NTFP）;fruit tree florescence;near infrared spectrum;classification;PLS-DA;O-PLS-DA;BP

S123；S661

A

2095-0756（2017）06-1008-08

10.11833/j.issn.2095-0756.2017.06.006

2016-12-15；

2017-02-06

國家林業(yè)局林業(yè)公益性行業(yè)科研專項（201404401）；國家高技術(shù)研究發(fā)展計劃（863計劃）項目（2013AA102405）

王曉麗，助理研究員，從事 “3S”技術(shù)在數(shù)字果園中的應(yīng)用研究。E-mail：443196863@qq.com。通信作者：張曉麗，教授，博士，從事林業(yè)遙感和地理信息系統(tǒng)等研究。E-mail：zhang-xl@163.net