下载:
-
梅Prunus mume为蔷薇科Rosaceae李属Prunus小乔木，花期1—3月，果期5—6月，是中国重要的传统名花与嘉果，已有3000多年的栽培历史[1−2]。梅分布于中国、韩国、日本等国家，在中国17个省有栽培[3]。根据栽培目的不同，梅分为花梅与果梅，花梅观赏价值高，果梅可进行果实加工利用，花果兼用梅兼顾梅花观赏与果实加工，是梅育种的五大目标之一，相比单一用途而言，应用周期延长，经济效益大增，具有良好的应用前景[4−5]。梅花花朵观赏价值高，花瓣、花色种类丰富，品种繁多，是中国重要的早春观赏花木。截至2017年，梅国际登录品种为486种[6]。梅果实可药食两用，不仅营养价值高，富含有机酸、糖类、矿质元素、维生素等营养成分，还含有酚类等生物活性物质及较高的抗氧化活性，其果实提取物具有抑菌、抗骨质疏松、抗癌等功效[7−10]；梅果实具有高酸低糖的特点，被誉为强碱性健康食品，不宜生食，常被加工为果脯、青梅酒、果汁与果酱等形式消费[11−14]。中国梅育种专家运用实生选种、芽变选种、杂交育种等方法，在青岛、武汉、南京、丽江等地展开了花果兼用梅品种选育，筛选出几十种花果兼用梅品种，近年来又选育出‘玉龙红翡’‘南农丰羽’等花果兼用品种。目前筛选出的一些品种结实能力不强，未达到食用或加工的标准，高产量、花重瓣、花色艳丽、果实可供加工利用的花果兼用梅品种较少，亟待选育[15−17]。浙江、云南、江苏是中国重要的梅种质资源分布地区。云南是梅的原产地，‘丽江照水’‘玉龙红翡’‘玉龙绯雪’分布于此。浙江梅种质资源圃收集了60种花梅品种，江苏梅种质资源圃收集了50种花梅品种。在前期调查的基础上，本研究选取了28个结实的梅品种作为研究对象进行分析及评价，旨在为花果兼用梅的品种选育及梅果实加工提供理论依据。
-
2021—2022年，选取浙江杭州、云南丽江、江苏新沂等3个梅种质资源圃中28个结实的梅品种作为试验材料(表1)，于盛花期采集花朵测定花部表型性状，于果实退绿期测定果实品质。随机采集每个品种树冠东西南北4个方向30个成熟度、大小均匀一致的果实，采后24 h内运回实验室。一部分果实用于果实外观品质的测定，另一部分切成小块，液氮速冻放入−80 ℃冰箱中保存，用于果实内在品质的测定。
表 1 梅品种名及采收地点
Table 1. Name and harvest place of P. mume cultivars
采收地点 经纬度 品种名 浙江杭州 30°15′N，119°43′E ‘单粉垂枝’‘ZAFU-CZ01’‘ZAFU-CZ02’‘ZAFU-CZ03’‘江梅’‘ZAFU-JM01’‘ZAFU-JM02’‘ZAFU-JM03’‘久观绿萼’‘素玉绿萼’‘红颜朱砂’‘骨里红’‘南农晚朱砂’‘蝶羽重’ 云南丽江 26°44′N，100°15′E ‘丽江照水’‘玉龙红翡’‘玉龙绯雪’ 江苏新沂 34°20′N，118°32′E ‘七星梅’‘雪梅’‘虎丘晚粉’‘粉霞’‘素白宫粉’‘轮违’‘昆明小跳枝’‘粉红朱砂’‘重瓣粉朱’‘三轮玉蝶’‘长蕊单绿’ -
记录各品种的花径、花瓣数量、花色参数，参考李冉馨等[18]的标准进行分级：花径(d)＞36 mm为极大、28＜d≤36 mm为大、23＜d≤28 mm为中、17＜d≤23 mm为小、d≤17 mm为极小；花瓣数量(N)≥45枚为极重瓣品种，26≤N≤44枚为重瓣品种，15≤N≤25枚为半重瓣品种，9≤N≤14枚为复瓣品种，5≤N≤8枚为单瓣品种；花色采用CR-10型便携式色差仪测定，记录各品种花色参数L*、a*、b*。以上指标每个品种5次生物学重复。
-
参考史寒昀等[19]的文献(略加改动)，将结实量划分为易结实、较易结实、少量结实、偶结实等4类。
-
采用电子数显游标卡尺测定果实横径、纵径、侧径，并计算果形指数，果形指数=纵径/横径[20]。单果质量、核质量采用千分之一电子天平测定，测定完成后计算果实可食率，可食率=(单果质量−核质量)/单果质量×100%[18]。以上指标5次生物学重复。
-
果实的可溶性固形物质量分数(%)采用手持折光仪(LH-T20)测定；果实总酸质量分数(%)采用酸碱滴定法测定[18]；可溶性总糖质量分数(%)采用蒽酮比色法测定[21]；可溶性蛋白质量分数(mg·g−1)采用考马斯亮蓝G-250染色法测定[22]。以上指标均为3次生物学重复。
-
数据均用Excel 2016进行统计整理，用平均值±标准差表示，并运用SPSS 21.0进行主成分分析，利用Origin 2021进行相关性分析、聚类分析绘图。
-
不同梅品种的花部性状存在差异(表2及图1)。28个梅品种的花径为19.14~31.38 mm，其中53.57%的梅品种花径分布在23.00~28.00 mm，42.86%的梅品种花径分布在17.00~23.00 mm，28.00~35.00 mm的大花品种占比仅为3.57%。花径较大的品种为‘蝶羽重’‘单粉垂枝’‘江梅’‘骨里红’。28个梅品种花瓣数量分布范围为5~23枚，单瓣品种与半重瓣品种占比各为50.00%。28个梅品种中白色品种占比最大，为50.00%，其次为粉色、紫红色品种，占比分别为28.57%与10.71%。花色参数L*分布范围为32.9~89.3，白色品种如‘江梅’‘久观绿萼’及跳枝品种‘昆明小跳枝’明度较高，而‘红颜朱砂’‘骨里红’‘南农晚朱砂’等紫红色品种明度较低；a*分布范围为−1.9~41.4，a*较高的品种为‘红颜朱砂’‘骨里红’‘南农晚朱砂’，白色品种a*较低，有的为负值，如‘江梅’‘久观绿萼’‘七星梅’‘素玉绿萼’等；b*分布范围为−1.4~18.3，多数品种b*为正值，b*最高的品种为‘素玉绿萼’，最低的品种为‘骨里红’。
表 2 28个梅品种花部性状
Table 2. Flower traits of 28 P. mume cultivars
品种名 花径/mm 花瓣数量/枚 L* a* b* 花色 ‘ZAFU-CZ01’ 25.19±1.29 16±2 87.8±0.5 0.4±0.1 12.1±1.5 白色 ‘ZAFU-CZ02’ 25.14±1.86 5±0 78.3±1.6 11.9±2.3 1.7±1.2 浅粉色 ‘ZAFU-CZ03’ 22.60±1.94 5±0 82.2±0.9 1.6±0.3 8.1±2.3 白色 ‘ZAFU-JM01’ 22.78±1.88 5±1 86.3±0.5 −0.8±0.3 9.9±2.4 白色 ‘ZAFU-JM02’ 19.36±2.25 5±0 86.6±1.6 −1.9±0.5 13.4±1.7 白色 ‘ZAFU-JM03’ 19.14±0.71 5±0 86.5±0.8 −0.6±0.2 10.7±1.7 白色 ‘单粉垂枝’ 27.59±0.41 5±0 80.0±1.5 6.8±1.2 8.5±0.6 浅粉色 ‘蝶羽重’ 31.38±0.86 17±1 84.0±0.9 5.0±1.3 4.9±1.3 浅粉色 ‘粉红朱砂’ 24.57±2.05 17±1 51.2±3.2 41.4±2.4 1.1±0.8 紫红色 ‘粉霞’ 19.80±0.60 18±2 71.9±1.7 19.7±1.8 3.0±0.8 粉色 ‘骨里红’ 25.46±1.48 17±2 50.5±3.3 34.0±4.8 −1.4±1.0 紫红色 ‘红颜朱砂’ 24.21±1.59 18±2 47.0±1.3 42.4±0.7 1.2±0.2 紫红色 ‘虎丘晚粉’ 23.43±1.38 21±3 61.6±7.6 30.9±6.5 0.9±0.3 粉色 ‘江梅’ 26.95±2.17 5±0 87.2±1.3 −1.8±0.1 12.2±2.7 白色 ‘久观绿萼’ 27.08±1.39 17±2 88.9±2.3 −1.7±0.3 14.7±2.9 白色 ‘昆明小跳枝’ 22.45±2.10 16±1 85.4±1.7 3.7±1.4 6.7±1.4 复色 ‘丽江照水’ 23.72±2.07 5±0 77.2±2.5 10.8±3.3 5.1±2.2 粉色 ‘轮违’ 21.73±2.89 17±1 84.2±0.9 4.5±2.7 7.9±1.3 复色 ‘南农晚朱砂’ 21.90±0.91 5±1 32.9±2.0 34.6±2.0 1.4±0.8 紫红色 ‘七星梅’ 25.59±1.78 6±1 86.3±1.3 −0.3±0.7 11.2±1.7 白色 ‘三轮玉蝶’ 23.86±0.77 15±0 87.8±0.9 0.1±1.0 10.1±0.7 白色 ‘素白宫粉’ 21.99±1.23 16±2 80.8±1.9 8.7±2.0 5.4±1.7 粉色 ‘素玉绿萼’ 21.61±1.29 15±1 89.3±1.7 −1.5±0.3 18.3±2.4 白色 ‘雪梅’ 23.25±0.69 5±0 83.7±1.6 2.5±2.4 8.3±1.5 白色 ‘玉龙绯雪’ 24.72±3.87 5±0 77.8±1.6 8±0.6 4.5±3.2 白色 ‘玉龙红翡’ 21.95±1.38 5±0 83.9±1.4 1.6±1.1 8.7±2.5 白色 ‘长蕊单绿’ 22.00±1.18 5±0 86.6±1.0 −1.3±0.2 9.2±2.6 白色 ‘重瓣粉朱’ 23.52±1.15 23±1 63.3±3.4 30.6±3.0 1.5±1.5 粉色 说明：数值为平均值±标准差。 
图 1 28个梅品种花朵
Figure 1. Flowers of 28 P. mume cultivars
-
对梅品种结实量进行调查发现：28个梅品种均有一定的结实量，且不同梅品种结实量存在差异(表3)。易结实与较易结实的品种有‘丽江照水’‘玉龙红翡’‘玉龙绯雪’等11个品种，其余品种结果量较少，‘粉红朱砂’‘久观绿萼’属于偶结实品种。
表 3 28个梅品种结实情况调查
Table 3. Investigation on fruit load of 28 P. mume cultivars
结实情况 描述 品种 易结实 2 a均结实，结实量为5~10 kg·株−1或
10 kg·株−1以上‘丽江照水’‘玉龙红翡’‘玉龙绯雪’ 较易结实 2 a均结实，结实量为1~5 kg·株−1 ‘单粉垂枝’‘江梅’‘红颜朱砂’‘骨里红’‘ZAFU-JM01’‘素玉绿萼’‘南农晚朱砂’‘ZAFU-CZ01’ 少量结实 2 a均结实，结实量小于1 kg·株−1 ‘雪梅’‘ZAFU-JM02’‘ZAFU-JM03’‘重瓣粉朱’‘粉霞’‘虎丘晚粉’‘昆明小跳枝’‘轮违’‘七星梅’‘三轮玉蝶’‘素白宫粉’‘长蕊单绿’‘ZAFU-CZ02’‘ZAFU-CZ03’‘蝶羽重’ 偶结实 仅观测到1 a结实，结实量小于1 kg·株−1 ‘久观绿萼’‘粉红朱砂’ -
对28个梅品种果实外观品质进行测定，结果表明：不同品种间果实横径、纵径、侧径、果形指数、单果质量、可食率存在差异(图2~3和表4)。由图3和表4可知：28个品种果实横径为22.41~36.88 mm，纵径为22.59~36.83 mm，侧径为21.25~34.49 mm，变异系数较小，分别为11.42%、11.56%、10.58%。单果质量为6.56~27.91 g，变异系数为30.68%。横径、纵径、侧径、单果质量、核质量最大的品种均为‘蝶羽重’，最小的品种为‘三轮玉蝶’。果形指数为纵径与横径之比，其变化范围为0.92~1.20，集中分布于0.95~1.05。‘江梅’果形指数最小，‘ZAFU-CZ03’果形指数最大，说明江梅果实为扁圆形，而‘ZAFU-CZ03’为长圆形。28个品种的可食率变异系数最小，多数品种分布在86.00%~90.00%，以‘江梅’最高，可食率为92.91%，最低的品种为‘三轮玉蝶’，可食率为82.93%。
图 2 28个梅品种的果实
Figure 2. Fruits of 28 P. mume cultivars
图 3 梅果实外观品质指标频次分布
Figure 3. Frequency distribution of appearance quality indexes of P. mume fruits
表 4 梅果实品质指标变异情况
Table 4. Variation of P. mume fruit quality indexes
品质指标 横径/
mm纵径/
mm侧径/
mm果形指数 单果质
量/g核质量/
g可食率/
%可溶性固形物
质量分数/%总酸质量
分数/%可溶性总糖
质量分数/%可溶性蛋白质量
分数/(mg·g−1)极小值 22.41 22.59 21.25 0.92 6.56 1.00 82.93 6.20 4.51 0.42 2.78 极大值 36.88 36.83 34.49 1.20 27.91 2.91 92.91 14.30 7.00 3.30 9.95 均值 29.46 30.07 27.61 1.02 14.91 1.75 87.82 9.14 5.81 1.46 5.68 标准差 3.36 3.47 2.92 0.06 4.57 0.47 2.28 2.11 0.71 0.78 2.05 变异系数/% 11.42 11.56 10.58 5.83 30.68 26.66 2.60 23.07 12.24 53.22 36.02 -
28个梅品种果实可溶性固形物、总酸、可溶性总糖、可溶性蛋白质量分数存在差异(表4、图4)。果实可溶性固形物质量分数是果实糖、酸等溶于水的物质的质量分数的总和[23]，28个品种的可溶性固形物质量分数为6.20%~14.30%，变异系数为23.07%，多数品种集中为7.0%~8.0%，其中质量分分数最高的品种为‘粉红朱砂’，最低的品种为‘ZAFU-JM03’。总酸质量分数为4.51%~7.00%，‘粉红朱砂’最高，‘蝶羽重’最低，多数品种集中为5.0%~6.0%。可溶性总糖质量分数变异系数最大，多数品种为0.5%~1.5%，其中‘昆明小跳枝’最高，‘ZAFU-CZ03’最低。可溶性蛋白质量分数变异系数为36.02%，多数品种为3.0~6.0 mg·g−1，质量分数最低的为‘蝶羽重’，最高的为‘素白宫粉’。
图 4 梅果实内在品质指标频次分布
Figure 4. Frequency distribution of nutrition quality indexes of P. mume fruits
-
由图5可知：梅花部性状与果实品质指标存在相关性。花径与侧径、单果质量呈显著正相关(P＜0.05)；花瓣数量与a*、可溶性固形物质量分数呈极显著正相关(P＜0.01)；L*与a*呈极显著负相关，与b*呈极显著正相关，与可食率呈显著正相关(P＜0.05)；果实横径、纵径、侧径与单果质量、核质量、可食率呈极显著正相关，与可溶性固形物、总酸、可溶性蛋白质量分数呈极显著负相关(P＜0.01)；果形指数与可食率呈极显著负相关(P＜0.01)；可食率与可溶性固形物质量分数呈显著负相关(P＜0.05)；可溶性固形物质量分数与总酸、可溶性蛋白质量分数呈极显著正相关(P＜0.01)，与可溶性总糖质量分数呈显著正相关(P＜0.05)；总酸质量分数与可溶性蛋白质量分数呈极显著正相关(P＜0.01)。以上结果表明16个指标信息具有重叠性，适宜运用主成分分析评价。
图 5 梅品质指标相关性分析
Figure 5. Correlation analysis of P. mume quality indexes
-
由表5可知：对28个品种的16个花部性状与果实品质指标进行主成分分析，提取了4个特征根大于1的公因子，累计方差解释百分比为80.772%，反映了绝大部分原始信息。主成分1方差贡献率为41.43%，代表横径、纵径、侧径、单果质量、核质量以及可溶性固形物、总酸、可溶性总糖和可溶性蛋白质量分数，主成分2的方差贡献率为21.37%，代表L*、a*、b*；主成分3方差贡献率为11.18%，代表花径、果形指数；主成分4方差贡献率为6.80%，代表花瓣数量。
表 5 梅品质指标主成分载荷值、特征向量、特征值、贡献率
Table 5. Principal component loading values, characteristic values and contribution rates of P. mume quality indexes
组分 F1 F2 F3 F4 载荷值 特征向量 载荷值 特征向量 载荷值 特征向量 载荷值 特征向量 花径(x1) 0.338 0.131 0.110 0.059 0.564 0.421 0.438 0.420 花瓣数量(x2) −0.402 −0.156 0.441 0.239 0.223 0.167 0.602 0.577 L*(x3) 0.150 0.058 −0.873 −0.472 −0.066 −0.050 0.268 0.257 a*(x4) −0.245 −0.095 0.887 0.480 0.188 0.140 −0.154 −0.147 b*(x5) 0.168 0.065 −0.847 −0.458 −0.281 −0.210 0.258 0.248 横径(x6) 0.947 0.368 0.025 0.014 0.246 0.184 −0.126 −0.121 纵径(x7) 0.899 0.349 0.295 0.160 −0.093 −0.070 0.050 0.048 侧径(x8) 0.919 0.357 −0.020 −0.011 0.332 0.248 −0.031 −0.029 果形指数(x9) −0.049 −0.019 0.524 0.284 −0.625 −0.468 0.341 0.327 单果质量(x10) 0.930 0.361 0.133 0.072 0.254 0.190 −0.038 −0.037 核质量(x11) 0.698 0.271 0.524 0.284 −0.092 −0.069 −0.057 −0.055 可食率(x12) 0.593 0.230 −0.474 −0.256 0.439 0.328 −0.025 −0.024 可溶性固形物(x13) −0.839 −0.326 0.018 0.010 0.376 0.281 −0.025 −0.024 总酸(x14) −0.662 −0.257 −0.078 −0.042 0.270 0.202 −0.121 −0.116 可溶性总糖(x15) −0.682 −0.265 0.014 0.007 0.479 0.358 0.240 0.230 可溶性蛋白(x16) −0.616 −0.239 −0.243 −0.131 0.152 0.114 −0.396 −0.380 特征根 6.629 3.419 1.789 1.087 方差贡献率/% 41.429 21.366 11.183 6.794 累计方差贡献率/% 41.429 62.795 73.978 80.772 根据表5可得综合评价模型为F=41.429%F1+21.366%F2+11.183%F3+6.794%F4，并计算各品种的主成分得分。主成分综合得分及排名情况如表6中所示，综合得分越高，表明此品种综合品质越好。由表6可知：‘蝶羽重’‘骨里红’‘单粉垂枝’‘红颜朱砂’‘ZAFU-CZ02’‘江梅’‘丽江照水’得分较高，较为优良，而‘三轮玉蝶’‘粉红朱砂’‘素白宫粉’‘轮违’‘虎丘晚粉’等品种得分较低，综合品质较差。
表 6 28个梅品种主成分得分及排名
Table 6. Scores and rankings of principal components of 28 P. mume cultivars
品种 F1 F2 F3 F4 综合得分 排名 ‘蝶羽重’ 5.624 1.397 2.208 1.976 3.010 1 ‘骨里红’ 1.669 3.235 1.163 −0.176 1.501 2 ‘单粉垂枝’ 3.204 −1.030 1.606 −0.578 1.247 3 ‘红颜朱砂’ 1.007 3.351 0.110 0.069 1.150 4 ‘ZAFU-CZ02’ 2.036 1.657 −0.913 −0.054 1.092 5 ‘江梅’ 3.000 −2.296 1.970 0.426 1.001 6 ‘丽江照水’ 1.825 −0.102 1.674 −2.499 0.752 7 ‘南农晚朱砂’ 0.508 3.756 −1.845 −1.621 0.696 8 ‘ZAFU-CZ03’ 1.651 0.937 −3.450 0.621 0.541 9 ‘粉霞’ 0.274 1.530 −0.528 −0.229 0.366 10 ‘重瓣粉朱’ −1.215 2.554 0.506 0.999 0.167 11 ‘长蕊单绿’ 1.245 −1.024 −0.566 −1.096 0.159 12 ‘素玉绿萼’ 1.223 −1.069 −2.362 1.404 0.110 13 ‘ZAFU-JM01’ 0.574 −0.819 0.100 0.394 0.101 14 ‘ZAFU-JM03’ 1.800 −2.007 −1.270 −1.191 0.094 15 ‘玉龙红翡’ 0.945 −1.344 −0.391 −0.794 0.007 16 ‘久观绿萼’ 0.386 −1.2·46 −0.507 2.065 −0.023 17 ‘ZAFU-CZ01’ 0.135 −1.292 −0.073 1.346 −0.137 18 ‘ZAFU-JM02’ 0.736 −2.147 −0.919 −0.949 −0.321 19 ‘玉龙绯雪’ −0.805 −0.495 −0.353 −0.845 −0.536 20 ‘七星梅’ −0.448 −2.238 0.968 −0.228 −0.571 21 ‘雪梅’ −1.381 −1.523 −0.059 −0.366 −0.929 22 ‘虎丘晚粉’ −3.626 2.204 0.312 0.642 −0.953 23 ‘昆明小跳枝’ −3.100 −0.915 1.381 0.495 −1.292 24 ‘轮违’ −3.204 −1.002 0.258 0.428 −1.484 25 ‘素白宫粉’ −3.590 −0.304 0.401 −0.210 −1.522 26 ‘粉红朱砂’ −5.768 1.667 1.683 −0.485 −1.878 27 ‘三轮玉蝶’ −4.704 −1.431 −1.105 0.456 −2.347 28 -
对28种梅品种的果实品质指标进行系统聚类分析(图6)，当欧氏距离为24时，28个品种可分为6类。第1类包括‘单粉垂枝’‘江梅’‘丽江照水’等9个品种，花为单瓣，白色或淡粉色，果实单果质量较大，可溶性固形物、总酸、可溶性总糖质量分数适中，是较为优良的花果兼用梅品种；第2类品种为‘蝶羽重’，花瓣重瓣，花径、单果质量最大，但果实可溶性固形物、总酸、可溶性总糖、可溶性蛋白质量分数较低；第3类品种包含‘久观绿萼’‘素玉绿萼’等11个品种，此类品种多为白色品种，花瓣重瓣或单瓣，单果质量偏小，可溶性总糖、总酸质量分数适中；第4类品种有‘粉红朱砂’‘骨里红’‘红颜朱砂’3个品种，此类品种为朱砂品种群，花色为紫红色，花瓣半重瓣；第5类品种以‘南农晚朱砂’为代表，花色为紫红色，花瓣单瓣，果实单果质量适中，可溶性总糖、总酸质量分数适中；第6类为‘粉霞’‘虎丘晚粉’‘重瓣粉朱’，此类品种花瓣半重瓣，花色为粉色，果实单果质量适中，可溶性固形物、总酸、可溶性总糖质量分数较高。
图 6 基于品质指标的梅品种聚类分析
Figure 6. Cluster analysis of P. mume cultivars based on quality indexes
-
花果兼用梅兼具观赏性与食用加工特性，具有良好的景观效益与经济效益，是梅遗传改良五大育种方向之一。前人研究结果表明：梅品种自然坐果率低，梅不同品种间结实能力相差较大，‘江梅’‘玉蝶’‘宫粉’品种群结实能力较强，影响其结实的主要因素为雌蕊退化比例高，自花不实，异花授粉不亲合以及花期温度较低[23−25]。本研究表明：梅结实品种以白色单瓣品种最多，花径大、重瓣、花色艳丽观赏价值高且结实能力强的花果兼用梅品种少。后续研究中可利用多种育种方式，如杂交育种及实生选种等手段进行花果兼用梅新品种的选育。
果实品质包括外观品质与内在品质等指标。本研究调查的品种单果质量集中为10~20 g，有13个品种单果质量为15~25 g，达中等大小标准，大于25 g的品种仅1种。多数品种可食率为85%~90%，与房经贵等[26]研究基本一致。果实糖酸质量分数反映果实的风味品质，周杰等[27]研究表明：青岛梅园果实可溶性固形物质量分数为8.00%~15.00%，总糖质量分数为0.72%~6.84%，总酸质量分数为1.70%~6.10%。与青岛梅园相比，本研究测定的28个品种果实的总糖质量分数偏低，这可能与品种及栽培环境有关。王玉霞等[28]对不同地区青梅的蛋白质质量分数进行测定发现，不同地区青梅的蛋白质质量分数为0.37%~0.74%，与本研究结果基本一致。
主成分分析是通过降维的方法将较多的指标转化成较少的指标进行分析的方法[29]。本研究中主成分1单果质量、果径贡献率最大，主成分2花色参数贡献最大，主成分3花径、果形指数贡献率最大，主成分4花瓣数量贡献率最大。聚类分析是根据样品的多个测量指标，把相似程度较大的样品聚为一类的分析方法[30]。本研究根据花部性状与果实特征将28个梅品种分为6类。主成分从综合评价的角度筛选综合品质表现优良的品种，聚类分析从品种相似度进行评价，主成分分析结合聚类分析可筛选出优良的品种。本研究筛选出的‘丽江照水’‘单粉垂枝’‘红颜朱砂’‘骨里红’既可观花观果又可将果实加工为果脯、青梅酒等产品，在农业观光园中具有广阔的应用前景，但由于本研究仅对不同品种进行了花部性状、果实外观及基本内在成分分析，并未对功能性成分、抗病性进行评价，未来可综合考虑这些因素进行花果兼用梅的品种选育。
-
不同梅品种花部性状、结实情况及果实品质均存在差异，综合花部性状、结实量、果实品质因素，本研究28个梅品种中，‘单粉垂枝’‘丽江照水’花单瓣易结实，综合品质最佳，适宜作为果品加工的花果兼用梅品种，‘红颜朱砂’‘骨里红’花色艳丽，半重瓣且较易结实，适宜作为实生选种的花果兼用梅品种。
Analysis and evaluation of flower and fruit characteristics of different Prunus mume cultivars
-
摘要:
目的 梅 Prunus mume是花果兼用型植物，在国内广泛应用。评价不同梅品种，为花果兼用梅品种选育以及梅果实加工利用提供依据。 方法 以梅28个品种为研究对象，测定其花部性状、结实量、果实品质指标，运用主成分分析与聚类分析法进行综合评价。 结果 28个梅品种花径为19.14~31.38 mm，花瓣数量为5~23枚，花色以白色品种占比最大。不同梅品种结实量差异较大，其中‘丽江照水’‘玉龙红翡’‘玉龙绯雪’易结实。不同梅品种果实外观品质与内在品质均存在差异。对28个品种进行主成分分析，16个指标简化为4个公因子，方差解释百分比为80.77%；综合得分表明：‘蝶羽重’‘骨里红’‘单粉垂枝’‘红颜朱砂’‘ZAFU-CZ02’‘江梅’‘丽江照水’得分较高；对28个品种进行系统聚类分析，结果表明：当欧氏距离为24时，梅品种可分为6类。综合主成分与聚类分析结果，筛选出‘单粉垂枝’‘丽江照水’‘骨里红’‘红颜朱砂’4个优良的花果兼用梅品种。 结论 不同梅品种花部性状、结实量及果实品质均存在差异。综合花部性状、结实量、果实品质可知：‘单粉垂枝’‘丽江照水’花单瓣，易结实，果实综合品质最佳，适宜作为果品加工的花果兼用梅品种；‘骨里红’‘红颜朱砂’花色艳丽，半重瓣，较易结实，适宜作为实生选种的花果兼用梅品种。图6表6参30 Abstract:Objective Prunus mume is an ornamental and fruit plant widely cultivated in China. The aim of this study is to select and evaluate P. mume cultivars with both flower and fruit functions, so as to provide basis for fruit processing and utilization. Method The 28 P. mume cultivars were selected as research object. Flower traits, fruiting capacity, fruit quality indexes were measured and evaluated by principal component analysis and cluster analysis. Result The flower diameter of 28 cultivars ranged from 19.14 to 31.38 mm, with 5−23 petals. White cultivars accounted for the largest proportion. There were significant differences in fruit setting among P. mume cultivars, with ‘Lijiang Zhaoshui’, ‘Yulong Hongfei’ and ‘Yulong Feixue’ being more prone to fruit setting. In addition, there were differences in fruit appearance and internal quality among different P. mume cultivars. Principal component analysis was conducted on 28 cultivars, and 16 indexes were simplified into 4 common factors, with a variance explanation percentage of 82.72%. The comprehensive scores showed that ‘Die Yuchong’, ‘Gu Lihong’, ‘Danfen Chuizhi’, ‘Hongyan Zhusha’, ‘ZAFU-CZ02’, ‘Jiangmei’ and ‘Lijiang Zhaoshui’ had higher scores. Cluster analysis showed that when the Euclidean distance was 24, P. mume cultivars could be divided into 6 groups. Based on the results of principal component and cluster analysis, 4 excellent varieties for both flower and fruit use were selected, including ‘Danfen Chuizhi’, ‘Lijiang Zhaoshui’, ‘Gu Lihong’, and ‘Hongyan Zhusha’. Conclusion There are differences in flower traits, fruit setting and fruit quality among different P. mume cultivars. According to the comprehensive characteristics of the flower, fruit yield, and fruit quality, it can be concluded that ‘Danfen Chuizhi’ and ‘Lijiang Zhaoshui’ are easy to bear fruit and have the best comprehensive fruit quality. They are excellent suitable for both flower and fruit. ‘Gu Lihong’ and ‘Hongyan Zhusha’ have bright flower color, with semi double petals and easy to bear fruit. They are suitable for flower and fruit production. [Ch, 6 fig. 6 tab. 30 ref.] -
土地利用是城市发展规划及资源开发利用的关键信息，同时也是区域土地利用变化研究的重要基础[1]。然而高原山区的遥感影像自动分类相比其他地形区而言，传统的遥感分类方法在分类精度上受各方面因素影响，难以满足研究需求[2]。传统的监督分类方法和非监督分类方法，是基于像元的数理统计法，地物分类时考虑的主要为像元的光谱信息，对遥感影像的形状、纹理及空间关系等利用不够充分[3]，容易发生“同物异谱”和“同谱异物”。近年来，国内外许多学者尝试利用不同类型遥感影像来提高土地利用分类精度，在遥感影像的使用上多以Landsat和Modis系列的中低分辨率数据为主，分类精度经常受到影像空间分辨率的限制，在地物破碎的区域提取草地、水塘和小规模村庄等时存在较大的局限性[4]。近年来采用高分辨率卫星作为实验数据的分类研究逐年增多[5-7]，高分辨率影像可利用清晰的地物几何特征和纹理等信息，具有覆盖范围大、重访周期短、定量化探测等优点，但影像成本较高，获取难度较大[8]。哨兵二号遥感卫星最高的空间分辨率可达10 m，与传统遥感数据相比，Sentinel-2A遥感数据新增加的4个红边波段与叶绿素含量关系紧密[9]。在地物提取分类研究领域中，近年来有众多学者运用红边波段进行湿地提取[10]、作物识别[11]、地物类型划分[12]等方面的研究，均取得了较好的效果。随着计算机和3S技术的发展，遥感研究的逐渐深入，新的分类方法不断涌现，如多重滤波[13]、面向对象分类法[14]、模糊分类法[15]、随机森林分类法[16]、神经网络法[17]等。尽管这些分类方法在不同程度上均提高了分类精度，然而在分类结果中依然存在着或多或少的“椒盐效应”[18]。本研究以云南省大理市为研究区域，以Sentinel-2A遥感影像为数据源，提出一种面向对象特征与决策树规则相结合的分类方法，依靠多维遥感信息复合技术，充分利用地物的光谱特征[19]、几何结构和纹理等提高遥感影像在大理市不同土地利用类型的区分效果，可探索提高高原山区分类精度的有效途径。
1. 研究区概况
云南省大理市地处云贵高原，大理州中部，25°25′~25°58′N，99°58′~100°27′E，总面积为1 815 km2，基础海拔1 000 m以上，地面起伏较大，地形以山地为主，其中山地面积为1 278.8 km2，山区、半山区面积达70.5%。总体特征是西北高，东南低，四周高，中间低。研究区地处盆地，中部是洱海，被四周的高山环抱，西部是苍山，东侧为马尾山，四周山坡均朝向洱海。
2. 研究方法
2.1 数据来源与预处理
本研究使用的Sentinel-2数据源通过欧空局的哥白尼数据中心下载，辅助数据包括2.5 m天地图影像数据和从地理空间数据云获取的大理市行政边界矢量数据。利用欧洲航天局(ESA)官方提供的SNAP软件和sen2cor插件对下载的原始影像进行大气校正，得到L2A级数据，采用最近邻插值法将波段重采样为10 m分辨率，基于ENVI软件对其进行几何校正。因高原山区云雾较多，为降低影像云覆盖对分类精度影响，将2020年1月1日至12月31日大理市Sentinel-2A影像最小云量进行年度多时相合成，通过大理市行政边界矢量数据对遥感影像数据进行裁剪。
2.2 土地利用分类体系
土地利用分类标准在参照GB/T 21010—2017《土地利用现状分类标准》[20]的基础上结合高原山区各方面特征，将研究区分为七大类，选出准确可靠的7个类型样本，进行样本间的分离度计算，计算结果如表1所示。
表 1 各种类型地物样本组合的Jeffries-Matusita距离Table 1 Jeffries Matusita distance of various types of feature sample combinations土地利用类型 分离度 土地利用类型 分离度 林地-农田 1.953 农田-其他 1.994 林地-水体 2.000 水体-草地 1.993 林地-草地 1.895 水体-建设用地 2.000 林地-建设用地 1.998 水体-冰川积雪 1.998 林地-冰川积雪 1.995 水体-其他 1.996 林地-其他 1.994 草地-建设用地 1.996 农田-水体 1.983 草地-冰川积雪 1.997 农田-草地 1.894 草地-其他 1.996 农田-建设用地 1.993 建设用地-冰川积雪 1.992 农田-冰川积雪 1.993 建设用地-其他 1.983 冰川积雪-其他 1.990 2.3 面向对象特征的决策树分类
2.3.1 决策树分类模型粗分类
为能充分利用基于像素和面向对象分类方法优势，组合方法已被广泛应用于土地利用分类领域[21]。QUEST决策树从运算速度和分类精度方面均衡考量，优于其他决策树方法[22]。利用面向对象特征的遥感分类方法，可结合研究对象的光谱、形状、纹理、空间关系等不同属性信息，将相同性质的像元组成为基本处理单元“对象”完成分类[23]。对研究区各地物类型的光谱特征、纹理特征和几何特征分析后，以第3绿光波段、第8近红外波段、第4红波段和第11短波红外为特征波段，再提取农田、草地、冰川积雪和其他等4个不同类别地类的面向对象特征，根据各特征建立分类规则进行建模。构建面向对象特征与QUEST决策树相结合的分类模型，如图1所示。
①水体区域提取。基于研究区实地情况，本研究采取归一化差异水体指数(NDWI)方法[24]将研究区水体部分划分出来。根据对样本数据的初步分析以及人工判读，先将QUEST决策树分类条件设置为NDWI＞0.4125。②植被区域提取。因为Sentinel-2数据的优势是在红边范围含有3个波段的数据，且研究区是典型的高原山区，全域植被覆盖率较高，所以归一化植被指数(NDVI)能从影像中更加有效地提取植被区域[25]。以此为基础将决策树分类条件设置为NDVI＞0.312 5，可将植被区域与非植被区域分离开，且不与水体区域混淆。再通过设置NDVI指数范围阙值，进一步将植被中的农田、草地分类条件设置为0.312 5＜NDVI＜0.654 3，林地则设置为0.654 3＜NDVI＜1.000 0。③非植被区域提取。将研究区的水体和植被两大类提取成功后，其余部分则为非植被区域。为了进一步将建筑用地从非植被区域提取出来，在前几步的基础上又计算了归一化建筑指数(NDBI)，并将QUEST决策树分类条件设置为NDBI＞0，发现此时可将研究区大部分建设用地从非植被区域提取出来。
2.3.2 面向对象特征的细分类
面向对象可充分利用各对象的各类特征信息，本研究使用了面向对象的光谱特征、几何特征和纹理特征，其定义如表2所示。
表 2 面向对象特征定义表Table 2 Object oriented feature definition类别 特征 定义和公式 光谱特征 光谱均值 斑块内像素光谱均值 纹理特征 纹理特征 灰度共生矩阵(GLCM，包括5×5卷积模板内的均值、方差、同质性、熵值、对比度、二阶矩、相关性) 几何特征 面积 斑块总面积 延伸率 最大直径与最小直径比值 矩形形状参数 矩形形状度量值(Rect)=面积/(最大直径×最小直径) 本研究采用多尺度分割算法进行影像分割，共设置了一个分割层次，主要目的是将农田与草地、冰川积雪与其他进行区分。在确保影像分类精度的前提下进行多次实验，最终结果表明：分割尺度设置为30较为适宜，此时，各个分类对象均有较好的可分离性，且各个对象内部的同质性较高。再根据相邻对象的纹理特征和内部一致性确定归并尺度，对分割好的原始影像进行迭代归并，进一步完成相邻同类对象的归并。经多次实验，确定的归并尺度为65最为适宜。①草地与农田的面向对象特征。草地与农田相比，具有规则的几何形状，同时，草地与农田的光谱均值也有一定差异。所以，可将农田的对象筛选条件设置为：面积＞3 000 m2，矩形形状参数＞0.3，光谱均值＞3 000 nm，余下不满足设定的农田筛选条件的地区为草地。②冰川积雪与其他的面向对象特征。其他用地类型延伸率较小且形状不规则，光谱均值也有较大差异，而冰川积雪大都分布于苍山高海拔地区，且连续性高，面积较大。所以为将两者区分开来，设定其他用地的筛选条件为：延伸率＜3.5，1 210 nm＜光谱均值(第4波段)＜1 360 nm，1 225 nm＜光谱均值(第3波段)＜1 335 nm，1 400 nm＜光谱均值(第2波段)＜1 465 nm ，符合该条件的区域可判定为其他用地，余下不满足设定条件的则为冰川积雪。
2.4 其他分类方法
本研究还运用了最大似然分类法、ISODATA法与面向对象特征决策树法进行比较。ISODATA法分类与最大似然法均未引入面向对象特征，ISODATA法使用ENVI 5.3软件，选择IsoData分类器，预设22个类别和最大迭代次数为10进行分类计算，最后通过目视识别分类结果合并为本研究的7个类别。最大似然法基于ENVI 5.3软件使用ROIS方法定义7类训练样本进行分类。面向对象特征决策树分类使用IDL8.5结合ENVI 5.3编程实现。
2.5 精度评定
为了检验研究区影像分类解译结果的可信度，通过野外调查和2.5 m精度的天地图相结合的方式目视判读检验研究区各个样本点的真实土地利用类别，采用误差矩阵方法进行检验。在研究区内利用ArcGIS软件随机生成500个检验样本点，各地类验证点个数如表3所示。
表 3 各地类验证点个数Table 3 Number of verification points of each class土地利用类型 天地图验证点个数 野外调查验证点个数 水体 94 5 林地 68 58 建设用地 54 6 农田 67 18 草地 89 8 冰川积雪 13 0 其他 16 4 3. 结果与分析
3.1 不同分类方法空间分布比较
将3个分类结果与同期高分辨率天地图影像进行叠加对比(图2)：ISODATA法相比前2种方法虽然显示结果较差，但具有明显特征的地物基本都能被识别出来，冰川积雪与建筑用地因光谱特征类似，从而产生了部分混淆。最大似然分类和面向对象决策树分类得到的研究区地物分布与天地图影像显示结果基本一致。但是，由于高原山区草地和部分农田分布较为破碎，且研究区地表植被覆盖度较高，所以利用最大似然方法提取的某些林地、草地和面积较小的农田会产生部分混淆。而面向对象决策树分类由于构建特征指数将不同地物差异放大，且引入了面向对象特征，更有利于决策规则的制定，所以提取的结果在空间表现上相比与其他分类方法更合理。
图 2 基于不同分类方法得到的大理市2020年土地利用类型示意图Figure 2 Land use type map of Dali City in 2020 based on different classification methods对3种土地利用分类方法各地类的面积进行统计，并与欧空局公布的2020年10 m分辨率土地利用数据进行验证对比。结果如图3所示：面向对象特征的决策树法提取的研究区内林地面积最大，其次是农田、草地、水体、建设用地和冰川积雪，面积最小的为其他用地：3种分类方法中此方法结果与研究区的实际情况最为符合。 ISODATA法基于机器学习，在地物分布较为破碎的区域，机器学习的效果会受样本中噪声的影响，产生过拟合现象。最大似然法是基于统计分析的原理，可减轻样本中噪声的影响，提取结果在空间分布上也更为合理。面向对象特征的决策树法以对象为处理单元，充分利用研究对象的光谱、形状、纹理、空间关系等不同属性信息，所以提取的结果与实际情况最为接近。
3.2 不同地类的方法适用性比较
为进一步比较不同方法下各类地物的提取差异，采用2.5 m天地图的500个样点结合野外调查对3种方法的分类结果进行验证，利用误差矩阵分析得到的分类结果进行精度评价，结果如表4所示。从制图精度角度看，ISODATA法制图精度由高到低依次是其他、建设用地、水体、林地、农田、冰川积雪和草地，其中精度最高的其他为89.37%，最低的草地仅为58.00%。对于用户精度，ISODATA法的水体用户精度最高，为97.44%。余下的地类用户精度由高到低分别为林地、其他、冰川积雪、草地、建设用地和农田。从以上2个精度对比来看，林地和水体的分类精度最高，建设用地、草地、冰川积雪和其他分类精度也较高，农田分类精度较低。分析认为，由于水体的光谱特性相对单一，误分状况较少。而林地、农田和草地三者误分与互相之间光谱特性重合有较大关系。建设用地的误分区域主要分布在洱海周边和建成区周围的裸地，因裸地和房屋具有相似的高反射特性，主要误分为建设用地和草地，草地和冰川积雪误分为建设用地由光谱特性相近导致。
表 4 ISODATA法遥感解译误差矩阵Table 4 ISODATA remote sensing interpretation error matrix土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/％ 林地 93 0 3 0 4 0 0 100 93.00 建设用地 0 67 0 7 5 5 3 87 77.01 农田 16 2 47 0 2 1 7 75 62.67 水体 0 0 0 76 2 0 0 78 97.44 草地 3 0 0 3 29 2 0 37 78.38 其他 0 4 2 0 8 71 0 85 83.53 冰川积雪 0 2 6 0 0 0 30 38 78.95 分类样本数 112 75 58 86 50 79 40 500 制图精度/％ 83.04 89.33 81.03 88.37 58.00 89.37 75.00 由表5可得：基于最大似然法的水体制图精度最高，为94.79%，余下6个地类制图精度由高到低分别为林地、草地、其他、农田、冰川积雪和建设用地。用户精度最高的地类是水体，为100.00%，其他地类用户精度由高到低分别是林地、建设用地、草地、农田、其他和冰川积雪。冰川积雪精度最低，仅为66.67%。通过分析认为，水体的光谱特性较为单一，极少出现误分。充分利用不同类型的光谱表现特征和周边地理环境，所以林地和农田区分度较好，但和草地仍有部分混淆。部分建设用地位于山区，受周边地理环境影响较大，加之城区建设用地光谱特征较为复杂。农田误分主要是误分为林地、草地和建设用地，由于前三者均属于绿色植被，在气温湿度均较好的情况下，选择样本时会经常造成3类间的误分。与建设用地的误分由于山区农田与建设用地交错分布，难以分辨。其他地类误分为建设用地由于两者具有相似的高反射特性，极易造成混淆。
表 5 最大似然法遥感解译误差矩阵Table 5 Maximum likelihood remote sensing interpretation error matrix土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/％ 林地 119 0 0 0 2 0 0 121 98.35 建设用地 3 51 2 5 1 2 0 64 79.69 农田 6 4 61 0 4 4 1 80 76.25 水体 0 0 0 91 0 0 0 91 100.00 草地 5 4 7 0 55 0 3 74 74.32 其他 0 14 2 0 0 36 0 52 69.23 冰川积雪 1 4 0 0 1 0 12 18 66.67 分类样本数 134 77 72 96 63 42 16 500 制图精度/％ 88.81 66.23 84.72 94.79 87.30 85.71 75.00 由表6可以看出：基于面向对象特征决策树法中的水体制图精度仍是最高，为93.94%，其他地类制图精度由高到低分别是林地、农田、草地、建设用地、其他和冰川积雪。冰川积雪虽然精度最低，但仍达76.92%。面向对象特征决策树法制图精度由高到低分别是水体、其他、林地、冰川积雪、草地、农田和建设用地，其中用户精度最高的水体为95.88%，最低的建设用地精度为83.61%。分析认为，误分情况主要是由于决策树粗分类时3个指数的参数设置原因。农田和草地之间的部分误分也与面向对象特征参数设置有关，此方法分类中冰川积雪和其他2个地类无错分现象，由此看出面向对象特征参数设置较为适合。
表 6 面向对象特征决策树法遥感解译误差矩阵Table 6 Remote sensing interpretation error matrix of object-oriented feature decision tree method土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/％ 林地 118 0 2 0 5 0 0 125 94.40 建设用地 0 51 3 3 1 2 1 61 83.61 农田 4 2 76 0 4 1 2 89 85.39 水体 1 2 0 93 1 0 0 97 95.88 草地 3 3 4 3 86 0 0 99 86.87 其他 0 1 0 0 0 17 0 18 94.44 冰川积雪 0 1 0 0 0 0 10 11 90.91 分类样本数 126 60 85 99 97 20 13 500 制图精度/％ 93.65 85.00 89.41 93.94 88.66 85.00 76.92 以上精度分析可以看出，面向对象特征决策树法相比于其他方法在农田、草地、建设用地和其他这4类分类精度上有了显著提高，且在高原山区特有地类冰川积雪的信息提取上也有较好的适用性。而对于研究区水域和林地的提取来说，最大似然法的适用性更好。
3.3 不同分类方法总体精度比较
一般总体精度在80%以上可以认为精度良好，表7表明：3种分类方法分类精度良好。其中，ISODATA法总体分类精度最低，但也满足基本分类需求，总体分类精度为82.60%，Kappa系数为79.40%；其次是最大似然法，总体分类精度较ISODATA法略有提高，总体分类精度为85.00%，Kappa系数为81.90%，但最大似然法基于机器学习的提取方法也可能会带来过拟合效应，导致提取精度偏高；面向对象特征决策树分类方法精度最高，总体分类精度可达90.20%，Kappa系数为87.95%，说明此方法的分类结果与实际情况最为贴近，更加适用于高原山区土地利用分类。
表 7 3种分类方法比较Table 7 Comparison of three classification methods分类方法 总体分类精度/% Kappa系数/% ISODATA法分类 82.60 79.40 最大似然法分类 85.00 81.90 面向对象特征决策树法 90.20 87.95 4. 结论
本研究结果表明：①从地物空间分布上看，面向对象与决策树相结合的方法得到的最终分类结果与同期高分辨率天地图影像较为一致，表明与地物的实际分布情况更为接近。②从地类方法适用性角度来看，最大似然分类法在水域和林地的提取上适用性较好，面向对象特征决策树法在农田和草地、建设用地和其他这些光谱特征较为相似的地类区分度较好。在高原山地特有的地类冰川积雪提取上也表现出了极大的优越性。③从不同方法总体分类精度角度看，面向对象特征的决策树法在大理市的土地利用信息提取中效果最好，总体分类精度和Kappa系数分别为90.20%和87.95%，较传统的最大似然法和ISODATA法分类精度均有提升，可实现大理市土地利用的高精度提取。
本研究在进行大理市土地利用分类时，利用先粗分类再进一步细分类的思想，将面向对象特征与决策树规则相结合，粗分类先设计决策树分类规则，在决策树基础上进行类别的细分类，此方法可避免区域之间的混淆问题，反映了提高遥感影像分类精度的一个方法，具有良好的应用前景[26]。面向对象特征辅助决策树分类，其分类精度和准确性虽有提高，但与欧空局面积仍存在一定的出入，说明分类过程中仅提取面向对象特征辅助是不够的。因此，在今后的计算机分类过程中，需进一步加强遥感影像计算机自动解译的研究，充分利用地物形状、纹理、空间关系、空间位置等特征，对影像进行综合评判，提高影像的分类精度。
-
图 3 梅果实外观品质指标频次分布
Figure 3 Frequency distribution of appearance quality indexes of P. mume fruits
图 4 梅果实内在品质指标频次分布
Figure 4 Frequency distribution of nutrition quality indexes of P. mume fruits
图 6 基于品质指标的梅品种聚类分析
Figure 6 Cluster analysis of P. mume cultivars based on quality indexes
表 1 梅品种名及采收地点
Table 1. Name and harvest place of P. mume cultivars
采收地点 经纬度 品种名 浙江杭州 30°15′N，119°43′E ‘单粉垂枝’‘ZAFU-CZ01’‘ZAFU-CZ02’‘ZAFU-CZ03’‘江梅’‘ZAFU-JM01’‘ZAFU-JM02’‘ZAFU-JM03’‘久观绿萼’‘素玉绿萼’‘红颜朱砂’‘骨里红’‘南农晚朱砂’‘蝶羽重’ 云南丽江 26°44′N，100°15′E ‘丽江照水’‘玉龙红翡’‘玉龙绯雪’ 江苏新沂 34°20′N，118°32′E ‘七星梅’‘雪梅’‘虎丘晚粉’‘粉霞’‘素白宫粉’‘轮违’‘昆明小跳枝’‘粉红朱砂’‘重瓣粉朱’‘三轮玉蝶’‘长蕊单绿’ 
下载: 导出CSV
表 2 28个梅品种花部性状
Table 2. Flower traits of 28 P. mume cultivars
品种名 花径/mm 花瓣数量/枚 L* a* b* 花色 ‘ZAFU-CZ01’ 25.19±1.29 16±2 87.8±0.5 0.4±0.1 12.1±1.5 白色 ‘ZAFU-CZ02’ 25.14±1.86 5±0 78.3±1.6 11.9±2.3 1.7±1.2 浅粉色 ‘ZAFU-CZ03’ 22.60±1.94 5±0 82.2±0.9 1.6±0.3 8.1±2.3 白色 ‘ZAFU-JM01’ 22.78±1.88 5±1 86.3±0.5 −0.8±0.3 9.9±2.4 白色 ‘ZAFU-JM02’ 19.36±2.25 5±0 86.6±1.6 −1.9±0.5 13.4±1.7 白色 ‘ZAFU-JM03’ 19.14±0.71 5±0 86.5±0.8 −0.6±0.2 10.7±1.7 白色 ‘单粉垂枝’ 27.59±0.41 5±0 80.0±1.5 6.8±1.2 8.5±0.6 浅粉色 ‘蝶羽重’ 31.38±0.86 17±1 84.0±0.9 5.0±1.3 4.9±1.3 浅粉色 ‘粉红朱砂’ 24.57±2.05 17±1 51.2±3.2 41.4±2.4 1.1±0.8 紫红色 ‘粉霞’ 19.80±0.60 18±2 71.9±1.7 19.7±1.8 3.0±0.8 粉色 ‘骨里红’ 25.46±1.48 17±2 50.5±3.3 34.0±4.8 −1.4±1.0 紫红色 ‘红颜朱砂’ 24.21±1.59 18±2 47.0±1.3 42.4±0.7 1.2±0.2 紫红色 ‘虎丘晚粉’ 23.43±1.38 21±3 61.6±7.6 30.9±6.5 0.9±0.3 粉色 ‘江梅’ 26.95±2.17 5±0 87.2±1.3 −1.8±0.1 12.2±2.7 白色 ‘久观绿萼’ 27.08±1.39 17±2 88.9±2.3 −1.7±0.3 14.7±2.9 白色 ‘昆明小跳枝’ 22.45±2.10 16±1 85.4±1.7 3.7±1.4 6.7±1.4 复色 ‘丽江照水’ 23.72±2.07 5±0 77.2±2.5 10.8±3.3 5.1±2.2 粉色 ‘轮违’ 21.73±2.89 17±1 84.2±0.9 4.5±2.7 7.9±1.3 复色 ‘南农晚朱砂’ 21.90±0.91 5±1 32.9±2.0 34.6±2.0 1.4±0.8 紫红色 ‘七星梅’ 25.59±1.78 6±1 86.3±1.3 −0.3±0.7 11.2±1.7 白色 ‘三轮玉蝶’ 23.86±0.77 15±0 87.8±0.9 0.1±1.0 10.1±0.7 白色 ‘素白宫粉’ 21.99±1.23 16±2 80.8±1.9 8.7±2.0 5.4±1.7 粉色 ‘素玉绿萼’ 21.61±1.29 15±1 89.3±1.7 −1.5±0.3 18.3±2.4 白色 ‘雪梅’ 23.25±0.69 5±0 83.7±1.6 2.5±2.4 8.3±1.5 白色 ‘玉龙绯雪’ 24.72±3.87 5±0 77.8±1.6 8±0.6 4.5±3.2 白色 ‘玉龙红翡’ 21.95±1.38 5±0 83.9±1.4 1.6±1.1 8.7±2.5 白色 ‘长蕊单绿’ 22.00±1.18 5±0 86.6±1.0 −1.3±0.2 9.2±2.6 白色 ‘重瓣粉朱’ 23.52±1.15 23±1 63.3±3.4 30.6±3.0 1.5±1.5 粉色 说明：数值为平均值±标准差。
下载: 导出CSV
表 3 28个梅品种结实情况调查
Table 3. Investigation on fruit load of 28 P. mume cultivars
结实情况 描述 品种 易结实 2 a均结实，结实量为5~10 kg·株−1或
10 kg·株−1以上‘丽江照水’‘玉龙红翡’‘玉龙绯雪’ 较易结实 2 a均结实，结实量为1~5 kg·株−1 ‘单粉垂枝’‘江梅’‘红颜朱砂’‘骨里红’‘ZAFU-JM01’‘素玉绿萼’‘南农晚朱砂’‘ZAFU-CZ01’ 少量结实 2 a均结实，结实量小于1 kg·株−1 ‘雪梅’‘ZAFU-JM02’‘ZAFU-JM03’‘重瓣粉朱’‘粉霞’‘虎丘晚粉’‘昆明小跳枝’‘轮违’‘七星梅’‘三轮玉蝶’‘素白宫粉’‘长蕊单绿’‘ZAFU-CZ02’‘ZAFU-CZ03’‘蝶羽重’ 偶结实 仅观测到1 a结实，结实量小于1 kg·株−1 ‘久观绿萼’‘粉红朱砂’
下载: 导出CSV
表 4 梅果实品质指标变异情况
Table 4. Variation of P. mume fruit quality indexes
品质指标 横径/
mm纵径/
mm侧径/
mm果形指数 单果质
量/g核质量/
g可食率/
%可溶性固形物
质量分数/%总酸质量
分数/%可溶性总糖
质量分数/%可溶性蛋白质量
分数/(mg·g−1)极小值 22.41 22.59 21.25 0.92 6.56 1.00 82.93 6.20 4.51 0.42 2.78 极大值 36.88 36.83 34.49 1.20 27.91 2.91 92.91 14.30 7.00 3.30 9.95 均值 29.46 30.07 27.61 1.02 14.91 1.75 87.82 9.14 5.81 1.46 5.68 标准差 3.36 3.47 2.92 0.06 4.57 0.47 2.28 2.11 0.71 0.78 2.05 变异系数/% 11.42 11.56 10.58 5.83 30.68 26.66 2.60 23.07 12.24 53.22 36.02
下载: 导出CSV
表 5 梅品质指标主成分载荷值、特征向量、特征值、贡献率
Table 5. Principal component loading values, characteristic values and contribution rates of P. mume quality indexes
组分 F1 F2 F3 F4 载荷值 特征向量 载荷值 特征向量 载荷值 特征向量 载荷值 特征向量 花径(x1) 0.338 0.131 0.110 0.059 0.564 0.421 0.438 0.420 花瓣数量(x2) −0.402 −0.156 0.441 0.239 0.223 0.167 0.602 0.577 L*(x3) 0.150 0.058 −0.873 −0.472 −0.066 −0.050 0.268 0.257 a*(x4) −0.245 −0.095 0.887 0.480 0.188 0.140 −0.154 −0.147 b*(x5) 0.168 0.065 −0.847 −0.458 −0.281 −0.210 0.258 0.248 横径(x6) 0.947 0.368 0.025 0.014 0.246 0.184 −0.126 −0.121 纵径(x7) 0.899 0.349 0.295 0.160 −0.093 −0.070 0.050 0.048 侧径(x8) 0.919 0.357 −0.020 −0.011 0.332 0.248 −0.031 −0.029 果形指数(x9) −0.049 −0.019 0.524 0.284 −0.625 −0.468 0.341 0.327 单果质量(x10) 0.930 0.361 0.133 0.072 0.254 0.190 −0.038 −0.037 核质量(x11) 0.698 0.271 0.524 0.284 −0.092 −0.069 −0.057 −0.055 可食率(x12) 0.593 0.230 −0.474 −0.256 0.439 0.328 −0.025 −0.024 可溶性固形物(x13) −0.839 −0.326 0.018 0.010 0.376 0.281 −0.025 −0.024 总酸(x14) −0.662 −0.257 −0.078 −0.042 0.270 0.202 −0.121 −0.116 可溶性总糖(x15) −0.682 −0.265 0.014 0.007 0.479 0.358 0.240 0.230 可溶性蛋白(x16) −0.616 −0.239 −0.243 −0.131 0.152 0.114 −0.396 −0.380 特征根 6.629 3.419 1.789 1.087 方差贡献率/% 41.429 21.366 11.183 6.794 累计方差贡献率/% 41.429 62.795 73.978 80.772
下载: 导出CSV
表 6 28个梅品种主成分得分及排名
Table 6. Scores and rankings of principal components of 28 P. mume cultivars
品种 F1 F2 F3 F4 综合得分 排名 ‘蝶羽重’ 5.624 1.397 2.208 1.976 3.010 1 ‘骨里红’ 1.669 3.235 1.163 −0.176 1.501 2 ‘单粉垂枝’ 3.204 −1.030 1.606 −0.578 1.247 3 ‘红颜朱砂’ 1.007 3.351 0.110 0.069 1.150 4 ‘ZAFU-CZ02’ 2.036 1.657 −0.913 −0.054 1.092 5 ‘江梅’ 3.000 −2.296 1.970 0.426 1.001 6 ‘丽江照水’ 1.825 −0.102 1.674 −2.499 0.752 7 ‘南农晚朱砂’ 0.508 3.756 −1.845 −1.621 0.696 8 ‘ZAFU-CZ03’ 1.651 0.937 −3.450 0.621 0.541 9 ‘粉霞’ 0.274 1.530 −0.528 −0.229 0.366 10 ‘重瓣粉朱’ −1.215 2.554 0.506 0.999 0.167 11 ‘长蕊单绿’ 1.245 −1.024 −0.566 −1.096 0.159 12 ‘素玉绿萼’ 1.223 −1.069 −2.362 1.404 0.110 13 ‘ZAFU-JM01’ 0.574 −0.819 0.100 0.394 0.101 14 ‘ZAFU-JM03’ 1.800 −2.007 −1.270 −1.191 0.094 15 ‘玉龙红翡’ 0.945 −1.344 −0.391 −0.794 0.007 16 ‘久观绿萼’ 0.386 −1.2·46 −0.507 2.065 −0.023 17 ‘ZAFU-CZ01’ 0.135 −1.292 −0.073 1.346 −0.137 18 ‘ZAFU-JM02’ 0.736 −2.147 −0.919 −0.949 −0.321 19 ‘玉龙绯雪’ −0.805 −0.495 −0.353 −0.845 −0.536 20 ‘七星梅’ −0.448 −2.238 0.968 −0.228 −0.571 21 ‘雪梅’ −1.381 −1.523 −0.059 −0.366 −0.929 22 ‘虎丘晚粉’ −3.626 2.204 0.312 0.642 −0.953 23 ‘昆明小跳枝’ −3.100 −0.915 1.381 0.495 −1.292 24 ‘轮违’ −3.204 −1.002 0.258 0.428 −1.484 25 ‘素白宫粉’ −3.590 −0.304 0.401 −0.210 −1.522 26 ‘粉红朱砂’ −5.768 1.667 1.683 −0.485 −1.878 27 ‘三轮玉蝶’ −4.704 −1.431 −1.105 0.456 −2.347 28
下载: 导出CSV
-
[1] 陈俊愉. 中国梅花的研究(Ⅰ)梅之原产地与梅花栽培历史[J]. 园艺学报, 1962, 1(1): 69 − 78, 99 − 102. CHEN Junyu. Studies on Prunus mume in China (Ⅰ) Origin and cultivation history of Prunus mume [J]. Acta Horticulturae Sinica, 1962, 1(1): 69 − 78, 99 − 102. [2] 刘青林. 梅花起源与品种演化问题初探[J]. 北京林业大学学报, 1996, 18(2): 78 − 82. LIU Qinglin. Discussion on the origin and cultivar evolution of Mei [J]. Journal of Beijing Forestry University, 1996, 18(2): 78 − 82. [3] 姜翠翠, 叶新福, 方智振, 等. 我国果梅研究进展概述[J]. 东南园艺, 2017(5): 26 − 31. JIANG Cuicui, YE Xinfu, FANG Zhizhen, et al. Research progress on Japanese apricot (Prunus mume) in China [J]. Southeast Horticulture, 2017(5): 26 − 31. [4] 高志红, 章镇, 蔡斌华. 中国花果兼用型梅品种研究[J]. 中国园林, 2002, 18(6): 82 − 84. GAO Zhihong, ZHANG Zhen, CAI Binhua. Study on cultivars of Mei flower (Prunus mume) for fruits and ornamental [J]. Journal of Chinese Landscape Architecture, 2002, 18(6): 82 − 84. [5] 晏晓兰, 刘小祥, 陶冬枝, 等. 武汉梅园花果兼用梅花品种性状表现及栽培初探[J]. 北京林业大学学报, 2007, 29(增刊1): 45 − 47. YAN Xiaolan, LIU Xiaoxiang, TAO Dongzhi, et al. Preliminary study on characteristics and cultivation of Mei flower cultivars for both blossoms and fruits in Wuhan Mei Garden [J]. Journal of Beijing Forestry University, 2007, 29(suppl 1): 45 − 47. [6] 陈瑞丹, 包满珠, 张启翔. 国际梅品种登录工作19年——业绩与前景[J]. 北京林业大学学报, 2017, 39(增刊1) : 1 − 4. CHEN Ruidan, BAO Manzhu, ZHANG Qixiang. Nineteen years in international registration for mei flower (Prunus mume) : achievements and prospects [J]. Journal of Beijing Forestry University, 2017, 39(suppl 1): 1 − 4. [7] MITANI T, OTA K, INABA N, et al. Antimicrobial activity of the phenolic compounds of Prunus mume against enterobacteria [J]. Biological and Pharmaceutical Bulletin, 2018, 41(2): 208 − 212. [8] BAILLY C. Anticancer properties of Prunus mume extracts (Chinese plum, Japanese apricot) [J/OL]. Journal of Ethnopharmacology, 2020, 246: 112215[2023-02-17]. doi:10.1016/j.jep.2019.112215. [9] 马嫄, 罗鸣, 殷晓翠, 等. 果梅的化学成分及应用研究进展[J]. 食品工业科技, 2018, 39(4): 337 − 341, 352. MA Yuan, LUO Ming, YIN Xiaocui, et al. Research advances in chemical components of Prunus mume and its applications [J]. Science and Technology of Food Industry, 2018, 39(4): 337 − 341, 352. [10] CHO C W, PARK Y S, YAN X T, et al. Quantitation of phenolic compounds related to antioxidant and antiosteoporosis activities in ripe and unripe maesil (Prunus mume) [J/OL]. Journal of Food Quality, 2020, 5[2023-02-17]. doi: 10.1155/2020/8818799. [11] 杨文博, 刘慧, 刘杰超, 等. 加工条件对青梅果脯营养成分的影响[J]. 食品安全质量检测学报, 2017, 8(12): 4669 − 4674. YANG Wenbo, LIU Hui, LIU Jiechao, et al. Effects of different processing methods on the nutrient content of Prunus mume [J]. Journal of Food Safety and Quality Testing, 2017, 8(12): 4669 − 4674. [12] KIM H W, HAN S H, LEE S W, et al. Effect of isomaltulose used for osmotic extraction of Prunus mume fruit juice substituting sucrose [J]. Food Science and Biotechnology, 2018, 27(6): 1599 − 1605. [13] LUO Wei, TAPPI S, WANG Chunfang, et al. Study and optimization of high hydrostatic pressure (HHP) to improve mass transfer and quality characteristics of candied green plums (Prunus mume) [J/OL]. Journal of Food Processing and Preservation, 2018, 42(11) : e13769[2023-02-17]. doi: 10.1111/jfpp.13769. [14] HAN Xueyuan, PENG Qi, YANG Huanyi, et al. Influence of different carbohydrate sources on physicochemical properties and metabolites of fermented greengage (Prunus mume) wines [J/OL]. LWT, 2020, 121: 108929[2023-02-17]. doi: 10.1016/j.lwt.2019.108929. [15] 汪诗珊, 王保根, 郭立春, 等. 南京花果兼用新优梅花品种选育研究[J]. 北京林业大学学报, 2013, 35(增刊1) : 42 − 46. WANG Shishan, WANG Baogen, GUO Lichun, et al. New cultivar breeding of Prunus mume for both ornamental value and fruit production in Nanjing [J]. Journal of Beijing Forestry University, 2013, 35(suppl 1) : 42 − 46. [16] 马开峰, 张启翔. 花果兼用梅新品种‘玉龙红翡’[J]. 园艺学报, 2018, 45(增刊2) : 2823 − 2824. MA Kaifeng, ZHANG Qixiang. A new cultivar of Prunus mume ‘Yulong Hongfei’ used for both ornamental value and fruit production [J]. Acta Horticulturae Sinica, 2018, 45(suppl 2) : 2823 − 2824. [17] 高志红, 倪照君, 侍婷, 等. 花果兼用型梅新品种‘南农丰羽’[J]. 园艺学报, 2022, 49(增刊2) : 259 − 260. GAO Zhihong, NI Zhaojun, SHI Ting, et al. A novel cultivar of Prunus mume ‘Nannong Fengyu’ for ornamental value and fruit production [J]. Acta Horticulturae Sinica, 2022, 49(suppl 2): 259 − 260. [18] 李冉馨, 李彦, 王佳, 等. 花果兼用梅新品种选育研究[J]. 北京林业大学学报, 2012, 34(增刊1) : 61 − 68. LI Ranxin, LI Yan, WANG Jia, et al. New cultivar breeding of Prunus mume for both ornamental value and fruit production [J]. Journal of Beijing Forestry University, 2012, 34(suppl 1) : 61 − 68. [19] 史寒昀, 傅晓峰, 朱军, 等. 梅花山花果兼用梅品种的选育研究[J]. 安徽农业科学, 2015, 43(8): 139 − 142. SHI Hanyun, FU Xiaofeng, ZHU Jun, et al. Breeding of plum varieties with flowers and fruits in plum blossom mountain [J]. Journal of Anhui Agricultural Sciences, 2015, 43(8): 139 − 142. [20] 刘玉霞, 杨佳鑫, 徐兴龙, 等. 梅花果实品质及抑菌、抗氧化活性分析[J]. 食品科学, 2019, 40(1): 77 − 84. LIU Yuxia, YANG Jiaxin, XU Xinglong, et al. Quality characteristics, antibacterial and antioxidant activity of Prunus mume fruits [J]. Food Science, 2019, 40(1): 77 − 84. [21] 位杰, 吴翠云, 蒋媛, 等. 蒽酮法测定红枣可溶性糖含量条件的优化[J]. 食品科学, 2014, 35(24): 136 − 140. WEI Jie, WU Cuiyun, JIANG Yuan, et al. Sample preparation optimization for determination of soluble sugar in red jujube fruits by anthrone method [J]. Food Science, 2014, 35(24): 136 − 140. [22] 曲春香, 沈颂东, 王雪峰, 等. 用考马斯亮蓝测定植物粗提液中可溶性蛋白质含量方法的研究[J]. 苏州大学学报(自然科学版), 2006, 22(2): 82 − 85. QU Chunxiang, SHEN Songdong, WANG Xuefeng, et al. Method research of measuring soluble protein contents of plant rough extraction using coomassie brilliant blue [J]. Journal of Suzhou University (Natural Science Edition), 2006, 22(2): 82 − 85. [23] 郑涛, 苏柯星, 丛桂芝, 等. 树上干杏和梅杏果实品质分析与综合评价[J]. 食品与发酵工业, 2021, 47(9): 201 − 207. ZHENG Tao, SU Kexing, CONG Guizhi, et al. Quality analysis and comprehensive evaluation of the ‘Shushanggan’apricots and apricots [J]. Food and Fermentation Industry, 2021, 47(9): 201 − 207. [24] 陈霞, 郭立春, 陈翔高, 等. 观花型梅花品种的开花结实特性[J]. 中国城市林业, 2008, 6(3): 71 − 73. CHEN Xia, GUO Lichun, CHEN Xianggao, et al. Characteristics of flowering and fruiting of flower-appreciation plum [J]. Journal of Chinese Urban Forestry, 2008, 6(3): 71 − 73. [25] 陈翔高, 房伟民, 李百建, 等. 梅树结实不稳定因素的观察研究[J]. 中国农学通报, 1997, 13(3): 27 − 29. CHEN Xianggao, FANG Weimin, LI Baijian, et al. Observation and study on unstable factors of Prunus mume fruit-setting [J]. Chinese Agricultural Science Bulletin, 1997, 13(3): 27 − 29. [26] 房经贵, 乔玉山, 章镇, 等. 我国果梅品种资源若干果实性状的数量分布及其评价标准探讨[J]. 果树学报, 2002, 19(3): 175 − 179. FANG Jinggui, QIAO Yushan, ZHANG Zhen, et al. Study on the quantitative distribution of some fruit quantitative characters of Japanese apricot (Armeniaca mume Sieb. ) cultivars and their evaluation criteria [J]. Journal of Fruit Science, 2002, 19(3): 175 − 179. [27] 周杰, 庄淑琴, 邹文东, 等. 青岛梅园花果兼用梅品种果实性状研究[J]. 北京林业大学学报, 2017, 39(增刊1) : 39 − 45. ZHOU Jie, ZHUANG Shuqin, ZOU Wendong, et al. Fruit characters of Mei flower cultivars for fruits and ornamental purposes in Qingdao Mei Garden [J]. Journal of Beijing Forestry University, 2017, 39(suppl 1) : 39 − 45. [28] 王玉霞, 张超, 范冬晓. 不同地区青梅果品品质比较分析[J]. 西南农业学报, 2014, 27(3): 1248 − 1251. WANG Yuxia, ZHANG Chao, FAN Dongxiao. Analysis of green plum fruit quality from different regions [J]. Southwest China Journal of Agricultural Sciences, 2014, 27(3): 1248 − 1251. [29] 牟红梅, 于强, 李庆余, 等. 基于主成分分析的烟台地区西洋梨果实品质综合评价[J]. 果树学报, 2019, 36(8): 1084 − 1092. MU Hongmei, YU Qiang, LI Qingyu, et al. Synthetic evaluation of fruit quality of common pears (Pyrus communis L. ) based on principal component analysis in Yantai areas [J]. Journal of Fruit Science, 2019, 36(8): 1084 − 1092. [30] 严鑫, 吴巨友, 贡鑫, 等. 不同产地圆黄梨果实品质差异分析[J]. 果树学报, 2021, 38(12): 2082 − 2090. YAN Xin, WU Juyou, GONG Xin, et al. Analysis of fruit quality of Wonhwang pear from different regions [J]. Journal of Fruit Science, 2021, 38(12): 2082 − 2090. 期刊类型引用(5)
1. 董亚坤，王钰，何紫玲，王鹏，赵昊，曾维军. 基于GEE的洱海流域土地利用/覆被分类算法对比研究. 西北林学院学报. 2024(01): 28-35 . 
百度学术2. 武英洁，冯勇，徐晓琳，刘思宇，朱辉. 典型遥感影像分类方法适用性分析. 现代电子技术. 2024(06): 137-141 . 百度学术3. 廖超明，云子恒，罗恒，韦媛媛，凌子燕，潘桂颖. 基于特征优选的喀斯特地区覆被信息提取及精度分析. 测绘通报. 2024(02): 45-50 . 百度学术4. 包塔娜，范文义. 基于集合卡尔曼滤波的帽儿山森林多源LAI产品重建及融合校正方法. 浙江农林大学学报. 2024(04): 841-849 . 本站查看5. 李艳，张帆. 基于Sentinel-2影像的厦门市茶园遥感提取. 亚热带植物科学. 2023(04): 327-335 . 百度学术其他类型引用(6)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20230213
点击查看大图
计量
- 文章访问数: 679
- HTML全文浏览量: 268
- PDF下载量: 54
- 被引次数: 11
