基于近紅外光譜技術的果樹花期樹種識別方法

王曉麗,張曉麗,周國民

（1.北京林業大學 精準林業北京市重點實驗室，北京100083；2.北京林業大學 省部共建森林培育與保護重點實驗室，北京 100083；3.中國農業科學院 農業信息研究所，北京100081）

基于近紅外光譜技術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.北京林業大學 精準林業北京市重點實驗室，北京100083；2.北京林業大學 省部共建森林培育與保護重點實驗室，北京 100083；3.中國農業科學院 農業信息研究所，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據。利用剔除異常光譜、5點移動平滑等技術對4種果樹花期花的光譜反射率進行預處理，使用連續投影算法（SPA）進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（INDV）和比值植被指數（IRV）共11個特征波段作為分類建模數據，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網絡（BP）算法3種識別模型。結果表明：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%）。綜合研究認為：在優選波段的基礎上，對果樹花期樹種判別應優選BP神經網絡模型。圖10表5參22

經濟林學；果樹花期；光譜分析；分類識別； PLS-DA；O-PLS-DA；BP

水果產業是中國種植業中僅次于糧食、蔬菜的第三大產業，在國民經濟中占有重要地位。中國是世界上最大的水果生產國［1］，如蘋果Malus pumila，梨Pyrus spp.，甜櫻桃Prunus avium等，但國產水果的質量不容樂觀，培育和檢測高質果樹是當前迫切需要解決的現實問題。遙感技術（RS）和地理信息系統（GIS）的集成可以提供強大的空間決策支持系統，為檢測果樹的生長狀況、健康狀況和果樹分類等［2-4］提供了技術基礎；隨著遙感技術的發展，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。近紅外光譜技術由于其高分辨率特性被廣泛應用，如邢東興等［7］利用冠層和葉片的實測高光譜數據對果樹的病蟲害、凍害、營養元素與微量元素含量等進行了研究；朱西存等［8-9］基于高光譜數據，建立了蘋果花磷素和氮素含量的預測模型，效果較好；雷彤等［10］基于多光譜和數碼照相技術發現藍光、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較好的相關性；李子藝等［11］采用BP神經網絡對南疆盆地主栽果樹進行基于冠層光譜的分類，而且分類精度較高。國內外基于光譜技術對果樹的研究基本局限于病蟲害預警、施藥、葉面積指數估計和冠層生物量檢測、產量預測和果品品質評估等方面［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據，并選取了相關特征波長以及歸一化植被指數（INDV）和比值植被指數（IRV）分類建模，以期探尋利用地面全波段光譜測試數據對果樹樹種進行科學識別的有效方法與途徑，并為今后高空遙感技術進行果樹樹種識別提供理論基礎。

1 材料與方法

1.1 研究區概況及樣品儀器

研究區位于遼寧省興城市（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，是中國農業部認定的優質水果生產基地。

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·株-1測量樣本花。測定點選取的標準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，距離約20 cm，測定光譜數10條·次-1，3重復·處理-1。為保證數據的有效性與準確性，隔10 min進行1次標準白板矯正。獲得待測樹種盛花期花的光譜數據如圖1所示。

1.2.2 光譜處理 環境和機器本身的影響會使得到的光譜數據夾雜高頻噪聲，同時各種隨機因素也有可能造成光譜的基線漂移或旋轉，因此需對得到的數據作異樣光譜曲線剔除和光譜曲線5點平滑處理等預處理。得到花期冠層光譜數據分別為梨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］方法對樣品集進行劃分，分別得到330個建模集、55個驗證集和55個預測集。BP神經網絡樣本劃分比例為75%，15%和15%。

1.2.3 數據處理 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）和復雜多變量數據智慧處理軟件系統（ChemDataSolution 1.1.0，大連達碩信息技術有限公司，中國）對數據進行分析并建模。

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與光譜數據進行PLS分析，建立分類變量y與光譜數據x間的PLS回歸模型；最后根據模型計算檢驗集（未知樣本）的分類變量值yP。具體判別方法是：①當yP＞0.5，且偏差＜0.5時，判定樣本屬于該類；②當yP＜0.5，偏差＜0.5時，判定樣本不屬于該類；③當偏差≥0.5時，判別不穩定。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的基礎上提出的一種新的數據分析方法。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性，而 “y-orthogonal” 則描述x與y中不相關的信息。因此，該方法的特點是可以剔除自變量x中與分類變量y無關的變化，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化。⑶基于誤差反向傳播算法的多層前向神經網絡（Back Propagation）即BP神經網絡算法［17-18］是一種不同于傳統方法的人工智能方法，其主要思想是將學習過程分為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 數據分析

2.1 光譜分析及特征提取

近紅外光譜通常包含數以千計的波長變量，且遠大于樣本量，利用全波段數據進行建模時，并非每個波長都能提供有用信息，大量的冗余數據會增加建模工作量。本研究采用連續投影算法（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特征提取結果Figure 2 Feature extraction results of SPA

對4類樹種花的光譜數據求平均值（圖3），發現在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。對光譜數據求導數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，因此連續投影算法（SPA）將此2個波段大部數據排除，只選擇了此波段的峰值590 nm，720 nm作為建模數據；植被指數是能反映植物生長狀況的指數，常用的植被指數有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種果樹光譜一階導數圖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數量的增加先減小而后穩定，決定系數R2值則先增加而后穩定。當主成分數值顯示為6時， 得到均方誤差最小值為0.05，決定系數最大值為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模型下的預測精度。結果表明：對于蘋果、桃和杏的預測精度較高，梨的準確度略低。不同果樹物種的檢測精度差異很大。預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數量的增加先減小而后趨于穩定，相關系數R2則先增加而后趨于穩定增加。當主成分數值顯示為7時，得到均方誤差最小值為0.04，決定系數 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，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模型的預測精度。結果表明，對于蘋果、桃和杏的預測精度較高，梨的準確度略低，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測效果

圖9表明：在訓練34次后交叉熵趨向于平穩，即BP神經網絡算法在迭代34次時得到最穩定模型，誤差最優為0.04～0.05（圖10），在預測集中有部分杏被誤認為桃，總體識別率達到93.90%（表5），與前面2種識別方法相比，BP神經網絡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神經網絡是有輸入層、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 結論和討論

基于對研究區ASD Fieldspec 3測量數據和現場調查分析，探討了利用近紅外光譜技術自動檢測果樹盛花期花的光譜反射率，并以此建立函數模型實現對果樹樹種的映射；驗證了近紅外光譜技術作為檢測花期果樹品種的可行性，為快速監測果樹生產狀況提供了理論基礎，為果樹科學經營和數字化管理提供科學依據。

圖9 BP神經網絡迭代次數Figure 9 Number of iterations for BP model

圖10 BP神經網絡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據進行預處理和 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IRV和INDV共11個指標值作為分類模型的自變量；研究發現波段優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

對所選波段進行了3種方式的建模。盡管O-PLS-DA在PLS-DA基礎上作了改進，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據較為相似，今后若用線性模型對果樹分類，應考慮增加花蕾期數據或結合其他信息進行識別。BP神經網絡與前2種方法相比有更高的識別正確率，原因在于BP神經網絡具有很強的學習能力，可以實現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，因此被廣泛的應用在各品種識別領域中［11,20-22］。本研究通過BP神經網絡算法對4種果樹花期樹種進行分類，最高精度達到93.90%，說明采用BP神經網絡算法能夠對盛花期果樹樹種進行基于冠層光譜的分類，且達到較高的識別精度。

3.3 關于方法改進的探討

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。植被指數方面選擇了INDV和IRV，今后可以考慮加入更多光譜指數，如綠度植被指數（IGV）和垂直植被指數（IPV）等；這些參數在不同樹種中相關性也各不相同。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，在今后應考慮碳、氮、磷等元素或微量元素對其光譜反射率的影響。BP神經網絡是一種高效、穩定的模型，但是它對輸入數據的質量和數量都有一定的要求，尤其在波段輸入數量上會出現過擬合的現象，在研究中應該引起重視。

［1］ 鄧小蕾.果園信息獲取現代傳感方法及裝置研究［D］.北京：中國農業大學，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測模型研究［J］.光譜學與光譜分析,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.基于高光譜和數碼照相技術的蘋果花期光譜特征研究［J］.中國農業科學，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神經網絡的高光譜果樹樹種識別研究［J］.江蘇農業科學，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青蛙算法的褐變板栗識別［J］.浙江農林大學學報，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選方法研究［J］.光譜學與光譜分析，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，李祖紅，等.近紅外光譜結合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網絡的激光誘導擊穿光譜塑料分類識別方法研究［J］.光譜學與光譜分析， 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.人工神經網絡在巖土工程中的應用［J］.土木工程學報，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，等.連續投影算法及其在小麥近紅外光譜波長選擇中的應用［J］.光譜學與光譜分析， 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.基于獨立主成分和BP神經網絡的干紅葡萄酒品種的鑒別［J］.光譜學與光譜分析， 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.基于獨立組分分析和BP神經網絡的可見/近紅外光譜蜂蜜品牌的鑒別［J］.光譜學與光譜分析， 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

國家林業局林業公益性行業科研專項（201404401）；國家高技術研究發展計劃（863計劃）項目（2013AA102405）

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