利用无人机多传感器和气象数据对杏仁果园的季节性水分状况进行建模并预测产量

《Agricultural Water Management》：Modeling seasonal water status and predicting yield in almond orchards using UAV multi-sensor and meteorological data

本研究通过整合无人机多传感器数据、气象及灌溉信息，开发了基于随机森林模型和模糊聚类的 almond orchard水势动态及产量预测框架。模型成功预测SWP（R2=0.79）、TGR（R2=0.78）和产量（R2=0.87），并揭示SWP和TGR的聚类分析可识别不同胁迫响应组别，其中最严重胁迫组产量降幅达76%。

　　在现代农业中，精准灌溉是提高作物产量、减少水资源浪费和维持作物健康的关键技术之一。特别是对于像杏仁这样的多年生作物，其生长周期长且对水分需求敏感，因此有效的水分监测和管理对于优化灌溉策略至关重要。本研究旨在开发一种可扩展的框架，通过结合无人机（UAV）多传感器影像数据、气象数据和灌溉数据，对杏仁果园中茎水势（SWP）和树干生长速率（TGR）的季节动态进行建模，并预测产量。研究结果表明，这种多源数据融合的方法不仅能够准确预测SWP和TGR，还能有效评估不同水分压力下的产量变化，为精准灌溉提供科学依据。

### 一、研究背景与意义

杏仁作为一种重要的经济作物，其生长周期包括休眠期、花芽萌发期、开花期、果实形成期、果实发育期、成熟期、收获期以及采后恢复期。每个生长阶段对水分的需求不同，尤其是在开花和果实发育阶段，水分供应不足会导致果实脱落和产量下降。因此，对杏仁水分状况的实时监测和预测对于制定科学的灌溉策略至关重要。

传统的水分监测方法，如茎水势（SWP）测量，虽然准确，但往往需要大量的人工操作和设备，限制了其在大规模果园中的应用。相比之下，无人机技术结合多传感器影像数据，能够提供高分辨率、大范围的植物状态信息，包括冠层温度、植被指数和结构参数等。这些数据不仅能够反映植物的水分状况，还能揭示其对灌溉和气候条件的响应模式。通过机器学习方法，如随机森林（Random Forest, RF）模型，可以有效地整合这些数据，从而实现对植物水分状态和产量的精准预测。

### 二、研究方法与技术路线

本研究选取了以色列南部Shephelah地区的一个15年生的商业杏仁果园，研究面积约为18公顷。果园分为三个实验区域（Plot A、Plot B和Plot C），每个区域种植了不同的杏仁品种，包括‘UEF’（主要品种）和‘53’（主要授粉品种）。为了确保数据的代表性，研究团队采用了分层随机抽样（Stratified Random Design, SRD）方法，选取了60棵杏仁树进行详细监测，包括气象数据、灌溉记录、树干直径变化（TDV）以及通过无人机获取的多光谱、热红外和LiDAR数据。

#### 2.1 气象与灌溉数据

气象数据包括空气温度、相对湿度、风速和参考蒸散发（ET?），这些数据用于评估杏仁树的水分需求。灌溉数据则包括不同区域的灌溉量，反映了实际水分供应情况。研究团队通过FAO-56 Penman-Monteith方程计算ET?，并结合气象数据和灌溉记录，评估不同季节的水分供需关系。

#### 2.2 树干直径波动分析

为了监测杏仁树的水分状态，研究团队在每棵树上安装了高分辨率的树干直径传感器（dendrometers）。这些传感器每30分钟记录一次树干直径变化，从而捕捉短期和长期的生理响应。通过计算树干生长速率（TGR）和最大日收缩（MDS），可以评估杏仁树的水分状况和生长趋势。TGR代表树干直径的净径向增长，而MDS则反映了树干在白天和夜晚之间的收缩和膨胀，这与蒸腾作用和再水化过程密切相关。

#### 2.3 茎水势（SWP）测量

SWP是评估植物水分状况的直接指标，通过压力室测量。在本研究中，SWP被用来衡量树干的水势，分为轻度、中度和重度水分胁迫三个等级。通过每月测量SWP，研究团队能够跟踪杏仁树在不同生长阶段的水分变化。

#### 2.4 无人机多传感器数据采集

无人机被用来获取杏仁树的多光谱、热红外和LiDAR数据。多光谱数据用于计算植被指数，如NDVI、NDRE和CWSI，这些指数能够反映植物的水分状况和生长状态。热红外数据则用于评估冠层温度（Tc），作为植物水分胁迫的间接指标。LiDAR数据用于构建冠层高度模型（CHM），以分析树冠结构和水分分布的异质性。

#### 2.5 数据处理与模型构建

为了提高数据的一致性和可比性，所有无人机采集的数据都进行了辐射校正和几何校正。通过将多光谱、热红外和LiDAR数据进行融合，研究团队构建了多源数据集，并利用随机森林模型对SWP和TGR进行建模。此外，研究还采用了模糊C均值（Fuzzy C-Means, FCM）聚类分析，以识别不同水分胁迫响应模式，并评估其与产量之间的关系。

### 三、研究结果与分析

#### 3.1 气象与灌溉条件

研究期间的气象数据显示，2023年的夏季比2022年更加炎热，平均气温提高了约1.2°C。同时，2023年的降雨量比2022年减少了约33%，这导致了总水分输入的下降。此外，不同区域的灌溉量存在显著差异，尤其是Plot C的灌溉量明显高于其他两个区域。这些差异对杏仁树的水分状态和产量产生了重要影响。

#### 3.2 SWP和TGR的季节动态曲线

SWP和TGR的季节动态曲线显示，杏仁树在不同生长阶段对水分的响应存在显著差异。例如，在2022年，SWP值在4月至9月间逐渐下降，而在2023年，由于降雨减少和灌溉量不足，SWP值在8月就已降至?1.5 MPa以下，表明水分胁迫的提前出现。TGR在2022年和2023年均表现出季节性变化，但在2023年，TGR值在果实发育和核填充阶段下降更为明显，反映出水分胁迫对生长的负面影响。

#### 3.3 SWP和TGR对产量的影响

通过构建随机森林模型，研究团队发现SWP和TGR对产量具有显著的预测能力。模型在验证集和独立测试集（Plot A）中均表现出较高的预测精度，R2值分别为0.78和0.87。进一步的模糊聚类分析显示，SWP和TGR的季节曲线可以分为三个不同的压力响应组。其中，处于最严重压力组的树木产量下降高达76%，表明水分胁迫对产量的影响具有显著的非线性特征。

#### 3.4 模型性能与关键预测因子

随机森林模型在预测SWP和TGR方面表现出色，其R2值分别为0.83和0.829，RMSE分别为0.168 MPa和0.195 μm。这些结果表明，模型能够有效捕捉水分胁迫的动态变化。关键预测因子包括冠层温度、NDRE指数、CWSI和MSAVI，这些因子与植物水分状况密切相关。此外，灌溉量和空气温度也被证明是重要的预测变量，特别是在TGR模型中。

#### 3.5 产量与水分和养分状况的关系

产量预测模型的R2值为0.912，RMSE为0.259 kg/tree，表明该模型在预测产量方面具有很高的准确性。模型的关键预测因子包括6月的冠层氮含量（CNC）、4月和6月的TGR，以及相同月份的SWP。这些结果表明，早期的养分状况和水分状态对产量具有决定性影响。同时，研究发现，尽管灌溉量相似，但2022年和2023年的产量差异显著，说明灌溉时间和树干水分状态对产量的影响更为关键。

### 四、讨论与意义

本研究的结果表明，通过整合无人机多传感器数据、气象数据和灌溉数据，可以构建一个高效、可扩展的框架，用于监测杏仁树的水分状况和预测产量。这种方法不仅提高了监测的精度，还增强了对水分胁迫和产量变化的动态理解。随机森林模型和模糊聚类分析的应用，为精准灌溉提供了科学依据和操作指南。

#### 4.1 水分状况动态

SWP和TGR的季节动态曲线反映了杏仁树在不同生长阶段对水分的响应。研究发现，SWP在果实发育和核填充阶段下降明显，这表明水分供应不足对这两个阶段的生长具有重要影响。TGR在生长季节初期较高，随后逐渐下降，特别是在果实发育和核填充阶段，这与水分胁迫的加剧密切相关。

#### 4.2 产量与水分和养分状况的关系

产量预测模型的结果表明，早期的冠层氮含量和水分状况是影响产量的关键因素。尤其是在果实形成和发育阶段，养分供应和水分管理对产量的贡献尤为显著。此外，研究还发现，尽管灌溉量相似，但不同区域的产量差异较大，这说明水分管理的效率和树干水分状态对产量的影响更为重要。

#### 4.3 模型的局限性与未来研究方向

尽管本研究取得了显著成果，但仍存在一些局限性。首先，灌溉量的差异可能影响某些生理响应，因此需要进一步区分管理因素和环境因素对模型的影响。其次，多传感器无人机平台的成本和技术要求较高，限制了其在大规模果园中的应用。未来研究可以探索更低成本、更易操作的传感器技术和数据处理方法，以提高该方法的可扩展性。此外，模型的可解释性也是一个重要挑战，未来可以结合人工智能技术，如深度学习，以增强模型的透明度和决策支持能力。

#### 4.4 模型的潜在应用

本研究开发的模型不仅能够预测杏仁树的水分状况和产量，还能为精准灌溉和资源管理提供实用的工具。通过模糊聚类分析，可以识别出不同水分胁迫响应模式的树木，并据此制定个性化的灌溉策略。此外，模型还可以用于优化收获计划，通过识别高产和低产区域，提高资源利用效率和经济收益。

### 五、结论

本研究通过整合无人机多传感器数据、生理指标和机器学习技术，构建了一个高效、可扩展的框架，用于监测杏仁树的水分状况和预测产量。研究结果表明，即使在统一灌溉的条件下，杏仁树的水分状况和产量仍存在显著的空间和时间异质性。通过随机森林模型和模糊聚类分析，可以有效识别不同水分胁迫响应模式，并评估其对产量的影响。这一方法不仅提高了水分监测的精度，还为精准灌溉提供了科学依据，有助于提高杏仁生产的可持续性和经济效益。未来，随着技术的进步和数据的积累，该框架有望应用于更多杏仁品种和不同气候条件下的果园，进一步推动精准农业的发展。