基于图像运动三维重建与机器学习的矮化番茄植株总叶面积无损预测研究

本研究针对矮化番茄等灌木植物总叶面积(TLA)测量难题，创新性结合多视角RGB图像三维重建与机器学习算法，开发了非破坏性TLA预测系统。研究团队通过"洋葱法"分层扫描获取418组实测数据，测试4种三维重建算法(Alpha Shape/Marching Cubes/Poisson's/Ball Pivoting)与7种回归模型组合，最终Alpha Shape(α=3)联合XGBoost模型实现最优预测精度(R2 =0.80，MAE=489 cm2 )，为精准农业提供可扩展的自动化监测方案。

　　

在精准农业和植物表型研究领域，准确测量总叶面积(Total Leaf Area, TLA)一直是困扰科研人员的难题。TLA作为反映植物光合作用、蒸腾效率和生长状态的核心指标，对作物管理和产量预测至关重要。然而对于矮化番茄这类叶片密集的灌木植物，传统方法面临巨大挑战：破坏性测量需逐叶采摘扫描，耗时耗力；便携式扫描仪难以穿透茂密冠层；而基于单视角图像的估算方法又无法处理叶片重叠问题。现有三维重建技术虽在稀疏叶片的作物上取得进展，但对复杂冠层的适应性不足，亟需开发兼顾精度与实用性的新型解决方案。

以色列耶路撒冷希伯来大学的研究团队在《Computers and Electronics in Agriculture》发表创新研究，通过融合多视角三维重建与机器学习算法，成功建立了矮化番茄TLA无损预测系统。研究选取三种典型矮化番茄品种(Mohamed/Hahms Gelbe Topftomate/Red Robin)，在温室控制条件下开展两季实验，采用独创的"洋葱法"分层扫描技术获取418组精确TLA数据作为基准。技术路线包含四个关键环节：多角度视频采集(每株提取500帧)、点云生成与处理、四种三维重建算法测试(Alpha Shape/Marching Cubes/Poisson's/Ball Pivoting)、七种机器学习模型评估(MLR/Lasso/Ridge-Reg/ENR/RF/XGBoost/MLP)。

Tomato varieties
研究选用Dwarf Tomato Project培育的三种矮化番茄，这些品种因空间利用率高、适合城市农业而具有特殊研究价值。

Results
实验数据显示两季TLA分布特征差异显著：春季实验数据集中在500-1,500 cm²
区间，秋季则呈现2,000-5,000 cm²
的均匀分布。Alpha Shape重建(α=3)结合XGBoost模型表现最优，跨实验验证时精度下降(R²
=0.56)，表明环境因素影响模型泛化能力。特征重要性分析揭示植株高度、宽度和表面积最具预测价值。

Discussion
该研究的突破性在于首次系统整合多种三维重建算法与机器学习模型解决复杂冠层TLA估算难题。相比传统单叶片重建方法，本研究提出的整体重建策略更适应叶片遮挡场景。XGBoost模型展现出色性能，其集成学习特性有效处理了植物形态多样性带来的噪声。

Future work and scalability
该方法特别适合城市农场等空间受限场景，未来需在自然光照等复杂环境下验证鲁棒性。自动化的TLA监测系统将为智能修剪、资源优化提供决策支持，推动可持续农业发展。

研究团队通过CRediT系统明确贡献分工：Dmitrii Usenko负责主要实验与数据分析，David Helman和Chen Giladi主导项目设计与方法论构建。该成果不仅为植物表型研究提供新工具，其技术框架还可扩展至其他高密度作物的生长监测，具有重要的农业应用前景。