基于組合色彩特征的蘋果樹葉片各生長期氮含量預測

王金星 劉雪梅 劉雙喜,3 權澤堃 徐春保 江 浩

(1.山東農業大學機械與電子工程學院， 泰安 271018； 2.山東省農業裝備智能化工程實驗室， 泰安 271018；3.山東省園藝機械與裝備重點實驗室， 泰安 271018)

0 引言

中國是世界上最大的蘋果生產國和消費國，總種植面積及總產量均占世界50%以上[1-2]。氮元素是蘋果樹體內一種重要的必需元素，它影響果樹體內各種生理生化過程、果樹抗性、果品產量、品質以及儲藏性狀[3-4]。合理施用氮肥可以促進蘋果樹健康生長，提高果實產量及果品品質，減少農田環境污染與資源浪費。因此，精準預測果樹氮含量對指導果樹健康成長有重要作用[5-7]。葉片是整個樹體上對土壤礦質營養反應最敏感的器官，蘋果葉片營養分析、診斷技術可以作為蘋果樹氮素營養盈虧并指導精準施肥的依據[8-9]。傳統的作物氮素檢測方法主要有田間采樣室內化學分析測定法和葉色卡法，雖然結果準確可靠，但分析成本高、檢驗周期長、時效性差[10]。近年來，機器學習及數字圖像處理技術的快速發展為作物氮素營養快速、無損和準確監測提供了有效方法與手段[11]。

目前，國內外學者針對作物氮含量預測方法已經進行了大量的研究[12-14]，取得了一定成果。近年一些學者嘗試將支持向量機(SVM)方法[15-17]應用到植被理化參數的反演中，梁棟等[18]利用SVM回歸方法估測冬小麥葉面積指數LAI，且估測精度優于傳統模型。何汝艷等[19]聯合應用連續小波變換與支持向量機方法對條銹病脅迫下冬小麥葉片全氮含量進行反演，且具有較高的估測精度。

對作物的葉片氮含量進行的研究，大部分是基于光譜數據，其優點是預測精度較高，但是成本昂貴、操作難度大，難以推廣使用。本研究通過提取圖像特征結合機器學習對蘋果樹葉片進行氮素營養預測，具有成本低、可操作性高、可實時監測的優點。本文以不同時期的田間試驗為基礎，通過主成分分析提取不同時期的關鍵影響因子，對比基于支持向量機、反向傳播(Back propagation, BP)神經網絡和極限學習機(Extreme learning machine,ELM)3種方法建立的不同生長時期蘋果樹葉片氮含量預測模型，以期建立不同時期不同因子的最佳蘋果樹葉片氮含量預測模型，為蘋果樹營養診斷、精準施肥提供信息支持。

1 材料與方法

1.1 試驗區域

試驗樣本采集自山東省萬林農場試驗園，試驗品種為4年樹齡的煙臺紅富士。試驗園分為A、B兩個區域，區域A采集的樣本作為測試集，區域B采集的樣本作為驗證集。試驗園位于山東省泰安市寧陽縣葛石鎮，海拔62.2 m，位于東經116°49′、北緯35°45′，屬于溫帶大陸性半濕潤季風氣候，年平均氣溫13℃，年平均降水量697 mm。

1.2 數據采集

1.2.1樣本采集與葉片圖像獲取

分別于4月3日(開花期)、4月12日(開花期)、5月18日(幼果期)、6月3日(幼果期)、6月22日(果實膨大期)、7月9日(果實膨大期)在區域A試驗園隨機選取50株蘋果樹作為試驗本體，標號1～50，并在每株試驗本體的樹冠外圍新梢中間部位4個方位各摘取5片充分展開、無損傷、無病蟲害的健康葉片作為試驗樣本[20-21]。在4個不同方位選取平整的、便于色彩采集的10片葉片放置在光學標定板上，將佳能EOS 80D型相機(焦距35 mm)安裝于深圳市優捷虎電子科技有限公司生產的卓美z-888型三腳架上，利用水平儀調節相機，使鏡頭與標定板垂直進行圖像采集，圖像尺寸為6 000像素×4 000像素。同一植株在不同時期采集的葉片圖像如圖1所示。

1.2.2樣本處理與氮素營養測定

采用凱氏定氮法對蘋果樹葉片全氮含量進行測定。將帶回實驗室的葉片放在自來水下沖洗干凈，用95∶5的鹽酸溶液清洗1～2 min，再用無離子水沖洗2次，放入105℃高溫烘箱殺青30 min，再調至80℃持續干燥至樣品質量恒定，使用研缽將干燥樣品研磨至粉末狀，稱取0.1 g干樣，用H2SO4-H2O2消解，冷卻后采用海能公司生產的K9860型全自動凱氏定氮儀測定蘋果樹葉片的全氮含量，測量3次取平均值作為最終氮含量。

1.3 數據預處理

首先獲取蘋果樹葉片原始圖像。其次對單片葉片分割提取，將圖像背景標定板去掉后圖像如圖2所示，分割后得到單片葉片。

對蘋果樹葉片根據多尺度Retinex理論(Multi scale Retinex,MSR)進行去光照處理，MSR的優點是不僅可以增強圖像對比度還可以對圖像在動態范圍內進行壓縮，并且，在一定條件下，MSR可以克服單尺度Retinex理論(Single scale Retinex,SSR)的缺點，保持圖像色彩恒常性的同時，實現圖像全局、部分動態范圍壓縮以及圖像色彩的增強，MSR計算公式為

(1)

式中r(x,y)——輸出圖像

Wk——第k個尺度的加權系數

S(x,y)——原始圖像

Fk——環繞函數

K——高斯中心環繞函數的個數，當K=1時，只有一個中心環繞函數，MSR理論退化為SSR理論

通常情況下，為保證MSR算法同時包含SSR算法低、中、高3個尺度的優點，K取值為3，并且W1=W2=W3=1/3。圖3為圖像處理前后對比。

最后，在RGB空間下提取蘋果樹葉片各單色分量，開花期、幼果期和果實膨大期蘋果樹葉片在RGB空間下各單色分量的分布范圍。開花期，R、G、B分量的最大值分別為7.882、62.410、15.539，最小值分別為5.041、50.236、6.470，平均值分別為6.139、54.684、10.886；在幼果期，R、G、B分量的最大值分別為7.867、53.602、23.589，最小值分別為2.764、43.132、13.694，平均值分別為5.231、47.449、18.838；果實膨大期，R、G、B分量的最大值分別為9.143、49.821、28.361，最小值分別為2.333、40.828、22.515，平均值分別為5.552、45.118、25.447。

為避免圖像的單色分量參數對氮素表征能力弱的問題，進一步提升基于圖像處理技術在RGB空間下對蘋果樹葉片氮含量監測的準確性，引入R+G+B、R-B、R-G、G-B、R-G-B、R/(R+G+B)、G/(R+G+B)、B/(R+B+G)、G/R、R/(R+G-B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、(R-G)/(R+G+B)共14個單色分量色彩組合參數，共計17種圖像色彩特征。因篇幅有限，在開花期采集的部分原始數據，如表1所示。

表1 開花期采集的部分原始數據Tab.1 Part of original data collected at flowering stage

2 預測模型構建

2.1 主成分分析法

主成分分析(Principal component analysis,PCA)是一種重要的數據統計方法，其能夠從眾多原始變量中找出幾個綜合性強的變量來替代原始變量，新的綜合變量之間不僅互不相關，而且保留了原始變量的絕大部分信息，最終實現降維目的，使問題得到最佳綜合[22-24]。其計算步驟為：①預處理后的原始數據構造標準化矩陣。②對標準化矩陣計算相關系數矩陣R=(rij)m×n。③計算相關系數矩陣R的特征方程得到特征值和特征向量。④計算貢獻率τi與累計貢獻率ηi。累計貢獻率越大說明數據信息損失越小。⑤計算主成分載荷矩陣以及主成分得分。其中載荷矩陣表示原始數據協方差矩陣的特征值。

(2)

式中lij——主成分載荷矩陣

λi——原始數據協方差矩陣的特征值

eij——單位特征向量

最后，將原始樣本數據代入主成分的表達式中即可計算出主成分得分。

2.2 對比模型

2.2.1支持向量機

支持向量機是機器學習領域最重要的方法之一，是借助于統計與優化方法解決機器學習問題的強有力工具。針對蘋果樹葉片在RGB空間下各單色分量及各單色分量多種色彩組合參數檢測過程的隨機波動性，采用在小樣本、非線性問題的擬合上有一定優勢的SVM回歸模型來構建蘋果樹葉片在RGB空間下17種色彩特征與蘋果樹葉片氮含量的預測模型。蘋果樹葉片在RGB空間下各單色分量及各單色分量多種色彩組合參數檢測過程中，利用每組試驗的輸入變量xi和輸出量(蘋果樹葉片氮含量)si構建樣本空間{(xi,si),i=1,2,…,n}。si可表示為非線性函數模型

fs(x)=ωTφ(x)+b

(3)

式中fs(x)——非線性函數模型

ω——自變函數系數

φ(x)——輸入空間x的非線性映射

b——偏置

為最大可能減少訓練誤差的經驗風險，ω和b通過R(f)模型進行評估

(4)

式中R(f)——考慮最少錯分樣本的廣義最優分類面函數

C——懲罰因子L——損失函數

yi——真實值f(xi)——預測值

n——樣本個數

(5)

引入Lagrange方程

(6)

(7)

其中

K〈xi,xj〉=φ(xi)φ(xj)

式中K〈xi,xj〉——核函數

2.2.2BP神經網絡

BP神經網絡在復雜的非線性系統中具有較高的建模能力，并對數據具有良好的擬合能力，在預測方面應用廣泛。研究表明，這種簡單的網絡結構可以逼近任意非線性函數，是一種典型函數映射關系。

2.2.3極限學習機

極限學習機(ELM)是一種簡單易用、有效的單隱層前饋神經網絡。與傳統的前饋神經網絡訓練速度慢、容易陷入極小值點、學習率選擇敏感等缺點相比，ELM算法隨機產生輸入層與隱含層的連接權值w及隱含層神經元的閾值t，且在訓練過程中無需調整。只要設置隱含層神經元的個數，便可以獲得唯一的最優解，具有學習速度快、泛化能力強等優點。

2.3 基于組合色彩特征的蘋果樹葉片氮含量預測模型

基于上述算法，為了提高預測模型精度，本文將多種算法相結合，構建了基于組合色彩特征的蘋果樹葉片氮含量預測模型。其預測流程如圖4所示，預測步驟如下：

(1)調研國內外數字圖像處理與機器學習技術在農業方面的應用，尤其是對作物氮素營養預測方面的研究。

(2)采集開花期、幼果期、果實膨大期3個不同尺度蘋果樹葉片樣本和圖像。

(3)利用化學方法對葉片進行氮素營養測定，對葉片圖像進行中值濾波、去光照等預處理，在RGB空間下提取蘋果樹葉片17種色彩特征。

(4)利用主成分分析對蘋果樹葉片圖形色彩特征進行優化，提取不同尺度關鍵影響因子。

(5)建立PCA-SVM、PCA-BP、PCA-ELM預測模型，對比篩選出不同尺度最佳預測模型；調整優化最佳模型參數，構建基于組合色彩特征的蘋果樹葉片氮含量預測模型；通過田間試驗驗證蘋果樹葉片氮含量預測模型性能，實現對不同生長時期蘋果樹葉片氮含量的精準預測。

2.4 模型評價指標

使用預處理后的數據作為模型的輸入，對基于組合色彩特征的預測模型進行訓練和測試。本文選用的預測模型性能評價指標有平均絕對誤差(Mean absolute error, MAE)、均方根誤差(Root mean square error,RMSE)和平均絕對百分誤差(Mean absolute percentage error, MAPE)。

3 試驗結果與分析

3.1 數據集

以山東省泰安市寧陽縣萬林農場試驗園區域A中蘋果樹葉片氮含量為研究對象。采用已經預處理過的試驗數據，主要包括RGB空間中R、G、B和R+G+B、R-B、R-G、G-B、R-G-B、R/(R+G+B)、G/(R+G+B)、B/(R+B+G)、G/R、R/(R+G-B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、(R-G)/(R+G+B)14個單色分量色彩組合參數，最終實現開花期、幼果期和果實膨大期蘋果樹葉片氮含量的精準預測。

3.2 平臺和環境

試驗所使用計算機的配置如下：處理器為Intel(R) Xeon(R) Silver 4210R CPU @2.40 Hz；機帶內存為64 GB；操作系統為Windows 10(64位)；圖像分割、圖像去光照處理與獲取蘋果樹葉片RGB空間下各單色分量及單色分量多種色彩組合參數由Matlab實現；SVM、BP神經網絡和ELM回歸模型均在Matlab中完成。

3.3 試驗結果分析

3.3.1模型分析

由于圖像多種色彩特征之間存在一定的相關性，直接作為模型的輸入會使數據量過于龐大，使用主成分分析法對所獲取的數據降維和分析，得到不相關的新變量，最終提取出多尺度蘋果樹葉片氮含量的關鍵影響因子。本文利用SPSS軟件實現對蘋果樹葉片氮含量關鍵影響因子的篩選，不同生長時期的方差及主成分貢獻率如表2所示。

表2 開花期、幼果期、果實膨大期方差及主成分貢獻率Tab.2 Variance and principal component contribution rate in flowering, young fruit and fruit expansion stages

選擇“特征值”大于1作為提取主成分的原則，由表2可知，開花期、幼果期、果實膨大期中前3個因子的特征值均大于1，因此3個生長時期均選擇前3個因子代替原變量。采用具有Kaiser標準化的正交旋轉法得到各個顏色因子對不同主因子的因子載荷，得到的不同時期成分矩陣如圖5所示。圖中圖像色彩特征1～17分別表示成分B、G、R、R-B、R-G、G-B、R+G+B、R-G-B、R/(R+G+B)、G/(R+G+B)、B/(R+G+B)、G/R、R/(R+G-B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、(R-G)/(R+G+B)。

由圖5可以看出，開花期，對成分1貢獻最大的有B、R-B、G-B、G/(R+G+B)、B/(R+G-B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)8種色彩特征，對成分2貢獻較大的是R-G、R/(R+G+B)和G/R，R+G+B對成分3貢獻較大；幼果期，對成分1貢獻較大的有R-B、G/(R+G+B)、(R-B)/(R+G+B)，對成分2貢獻較大的有R/(R+G-B)、(R-G)/(R+G+B)，對成分3貢獻較大的有G、R+G+B；果實膨大期，對成分1貢獻最大的有R-G、G/(R+G+B)、R/(R+G-B)、(R-G)/(R+G+B)，對成分2貢獻較大的有B/(R+G+B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)，R+G+B對成分3貢獻較大。

通過主成分分析方法對不同尺度蘋果樹葉片的色彩特征進行降維處理，提取出前3個主成分因子，并建立各主成分的線性表達式為

F11=0.11u1-0.038u2-0.031u3+…+0.079u17

(8)

F12=0.023u1+0.006u2+0.276u3+…+0.135u17

(9)

F13=0.056u1+0.283u2+0.144u3+…+0.012u17

(10)

F21=0.115v1-0.073v2-0.033v3+…+0.080v17

(11)

F22=0.051v1+0.057v2+0.210v3+…+0.172v17

(12)

F23=0.093v1+0.355v2+0.123v3+…+0.021v17

(13)

F31=0.077w1-0.018w2+0.144w3+…+0.132w17

(14)

F32=0.193w1-0.027w2-0.023w3+…+0.040w17

(15)

F33=0.266w1+0.238w2+0.112w3+…+0.049w17

(16)

式中F11、F12、F13、F21、F22、F23、F31、F32、F33表示不同尺度前3個主成分因子，u1、u2、…、u17、v1、v2、…、v17、w1、w2、…、w17表示不同尺度蘋果樹葉片的17種色彩特征。

因此本文根據尺度不同選取不同的關鍵影響因子，開花期選用的關鍵影響因子為B、R-B、G-B、G/(R+G+B)、B/(R+G-B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、R-G、R/(R+G+B)、G/R、R+G+B；幼果期選用的關鍵影響因子為R-B、G/(R+G+B)、(R-B)/(R+G+B)、R/(R+G-B)、(R-G)/(R+G+B)、G、R+G+B；果實膨大期選用的關鍵影響因子為R-G、G/(R+G+B)、R/(R+G-B)、(R-G)/(R+G+B)、B/(R+G+B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、R+G+B。選取不同的關鍵影響因子可降低數據維度和復雜度，并以此構建多尺度蘋果樹葉片氮含量預測模型的輸入因子，輸出參數為蘋果樹葉片氮含量。

3.3.2模型選擇

為了得到更加精準的預測效果，分別對PCA-SVM模型、PCA-BP模型、PCA-ELM模型進行對比，均以相同的樣本進行訓練。預測誤差曲線和預測結果精度對比如圖6和表3所示。

由圖6可以看出，開花期、幼果期和果實膨大期PCA-SVM模型的誤差曲線在零值上下波動最小，其次是PCA-BP模型，3個時期內誤差曲線波動最大的是PCA-ELM模型。

由表3可以看出，開花期，PCA-SVM模型的MAE、MAPE和RMSE均低于PCA-ELM和PCA-BP模型，PCA-SVM模型的MAE、MAPE和RMSE分別為1.072、0.099、1.035 g/kg，PCA-SVM模型預測精度高于PCA-BP、PCA-ELM兩種模型；幼果期，PCA-SVM模型的MAE、MAPE和RMSE均低于PCA-ELM和PCA-BP模型，PCA-SVM模型的MAE、MAPE和RMSE分別為0.722、0.065、0.850 g/kg，PCA-SVM模型預測精度高于PCA-BP和PCA-ELM模型；果實膨大期，PCA-SVM模型的MAE、MAPE和RMSE也低于PCA-ELM和PCA-BP模型，PCA-SVM模型的MAE、MAPE和RMSE分別為0.680、0.080、0.833 g/kg，PCA-SVM模型預測精度高于PCA-BP和PCA-ELM模型。對比結果表明，PCA-SVM模型在開花期、幼果期、果實膨大期的預測精度均高于PCA-BP、PCA-ELM模型。因此本文選擇PCA-SVM模型作為組合色彩特征蘋果樹葉片氮含量的預測模型。

表3 不同生長時期各模型預測結果精度分析Tab.3 Accuracy analysis of prediction results of each model in different growth periods g/kg

3.3.3模型優化

影響遺傳算法[25-26](Genetic algorithm, GA)性能和行為的關鍵因素為交叉概率(Crossover probability,Pc)和變異概率(Mutation probability,Pm)，但要通過反復試驗來確定這2個參數值，過程較為繁瑣。自適應遺傳算法(Adaptive genetic algorithm,AGA)[27-28]可使Pc和Pm隨適應度自動變更，即當種群中各個體的適應度趨于一定值或趨于局部最優時，增加Pc和Pm；相反，當適應度較發散時，減小Pc和Pm。對于種群適應度小于平均適應度的個體，采用較高的Pc和Pm淘汰該個體，而大于種群平均適應度的個體，采用較低的Pc和Pm使該個體得到保護進入下一代。但該方法較適于處于進化后期的群體，對初期進化不利。為了避免Pc和Pm取零值，防止其處于一種近似停滯不前的局面，保證每代的優良個體不被破壞，采用精英選擇策略，使其直接復制到下一代中。優化后Pc和Pm計算公式分別為

(17)

(18)

式中fmax——群體中最大適應度

favg——每代群體的平均適應度

f′——交叉個體中較大的適應度

f——變異個體的適應度

Pc1、Pc2——交叉概率，取0.9、0.6

Pm1、Pm2——變異概率，取0.1、0.001

懲罰因子C的范圍為[0.1，100]，RBF核函數寬度σ的范圍為[0.01，10]，交叉概率Pc的范圍為[0.4，0.9]，變異概率Pm的范圍為[0.001，0.1]。支持向量機參數最優值如表4所示。

表4 支持向量機參數最優值Tab.4 Optimal parameters of support vector machine

把優化后的C和σ應用到組合色彩特征蘋果樹葉片氮含量預測模型中，與優化前的預測模型相比較，結果如圖7所示。

從圖7可以看出，在開花期、幼果期和果實膨大期3個尺度中優化后的模型所得到的預測曲線均與實際曲線更加接近，說明優化后PCA-SVM蘋果樹葉片氮含量預測模型的擬合效果優于優化前。表5為優化后的PCA-SVM模型在開花期、幼果期和果實膨大期試驗得到的MAE、MAPE和RMSE。

表5 不同生長時期優化后PCA-SVM預測模型的精度分析Tab.5 Accuracy analysis of PCA-SVM prediction model optimized in different growth periods g/kg

從表5可以看出，相對于開花期和幼果期，在果實膨大期取得的預測性能最好。此外，優化后的PCA-SVM模型的整體預測精度在不同時期均有所提高，開花期，與優化前相比MAE、MAPE和RMSE分別降低了40.3%、42%、22.7%；幼果期，與優化前相比MAE、MAPE和RMSE分別降低了22.7%、23.1%、12.1%；果實膨大期，與優化前相比MAE、MAPE和RMSE分別降低20%、20%、11.5%，可以看出開花期組合色彩特征預測模型的預測精度提高最為明顯，其次是幼果期和果實膨大期。試驗結果表明，PCA-SVM模型預測精度較高，泛化能力強，可以較好地擬合不同尺度RGB空間下各單色分量和各單色分量多種色彩組合參數與蘋果樹葉片氮含量之間的復雜關系，可以為蘋果園精準施肥提供決策依據。

3.3.4試驗驗證

試驗驗證樣本于2020年4—7月在山東省泰安市寧陽縣萬林農場試驗園區域B采集。在開花期、幼果期和果實膨大期隨機抽樣50株果樹作為驗證樣本[29]，通過凱氏定氮法獲得蘋果樹葉片的實際氮含量，利用組合色彩特征模型預測蘋果樹葉片的氮含量。通過相對誤差評定蘋果樹葉片氮含量預測模型的準確性，開花期、幼果期和果實膨大期的蘋果樹葉片氮含量及相對誤差分布如圖8所示。

試驗結果表明，開花期，蘋果樹葉片氮含量預測值與實測值的相對誤差在-6%～9.84%之間；幼果期，蘋果樹葉片氮含量預測值與實測值的相對誤差在-9%～9.51%之間；果實膨大期，蘋果樹葉片氮含量預測值與實測值的相對誤差在-10%～9.86%之間。說明開花期和幼果期基于組合色彩特征模型預測蘋果樹葉片氮含量相對誤差較小，總體來說，模型預測值與試驗結果基本符合，不同時期蘋果樹葉片氮含量實測值與預測值相對誤差在10%以內，驗證了基于組合色彩特征的蘋果樹葉片氮含量預測模型的準確性。通過機器視覺與圖像處理的方式獲取蘋果樹葉片在RGB空間下各單色分量及各單色分量多種色彩組合參數，預測不同生長時期蘋果樹葉片氮含量，與傳統方法相比，本文方法具有無損傷、效率高、成本低、操作簡單的優勢。準確地預測蘋果樹葉片氮含量也可為果園精準化管理，合理施肥、定時定量施肥提供理論依據。

4 結論

(1)采集不同生長時期的蘋果樹葉片并通過圖像處理獲取RGB空間下各單色分量與14種色彩組合參數，采用PCA篩選出不同尺度的蘋果樹葉片氮含量不同的關鍵影響因子，開花期選用的關鍵影響因子為B、R-B、G-B、G/(R+G+B)、B/(R+G-B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、R-G、R/(R+G+B)、G/R、R+G+B，幼果期選用的關鍵影響因子為R-B、G/(R+G+B)、(R-B)/(R+G+B)、R/(R+G-B)、(R-G)/(R+G+B)、G、R+G+B，果實膨大期選用的關鍵影響因子為R-G、G/(R+G+B)、R/(R+G-B)、(R-G)/(R+G+B)、B/(R+G+B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、R+G+B，以此構建蘋果樹葉片氮含量預測模型的輸入樣本，輸出參數為蘋果樹葉片氮含量，實現了模型輸入的降維，消除了變量之間的冗余性和相關性。

(2)提出PCA-SVM、PCA-ELM、PCA-BP共3種預測模型，在不同生長時期，由MAE、RMSE和MAPE作為模型評價指標確定多尺度預測模型。

(3)利用自適應遺傳算法對組合色彩特征模型中懲罰參數C和RBF核函數寬度σ進行優化，優化后PCA-SVM預測模型在開花期、幼果期和果實膨大期的平均絕對誤差分別為0.640、0.558、0.544 g/kg，平均絕對百分誤差分別為0.057、0.050、0.064 g/kg，均方根誤差分別為0.800、0.747、0.737 g/kg，優于優化前預測模型，能夠擬合蘋果樹葉片氮含量與RGB空間下各單色分量及各單色分量多種色彩組合參數之間的非線性關系，解決了傳統預測方法預測精度低、魯棒性差等問題，該模型具有良好的預測性能和泛化能力，可以為果園精準施肥管理、提升果品品質、避免資源浪費和環境污染提供理論依據。