基于图像时序的草莓物候期序列产量预测模型研究

为解决草莓产量预测精度不足的问题，研究人员开发了结合YOLOv10s目标检测与物理约束LSTM（长短期记忆网络）的时序预测模型。通过加权处理六种物候期（花、绿果、小白果、大白果、粉果、红果）的检测数据，模型显著提升预测性能（R2 =0.74，误差降低15%-19%），为农业资源优化提供新工具。

　　

草莓作为加州第四大经济作物，2022年产值达26.8亿美元，其产量精准预测对资源调配和成本控制至关重要。然而，现有研究多聚焦单一时点的产量估算，缺乏基于历史数据的时序误差分析，且物候期动态转换的物理约束未被充分挖掘。美国农业部农业研究局（USDA-ARS）团队通过融合高分辨率图像分析与物理约束深度学习，首次提出物候期加权时序预测框架，相关成果发表于《Computers and Electronics in Agriculture》。

研究采用YOLOv10s模型检测六种草莓物候阶段（mAP@50=0.74），构建LSTM网络处理时间序列数据。关键技术包括：1) 基于Salinas农场41,570英亩地块的15次采收期图像数据；2) 物理约束权重动态调整算法；3) 多指标评估体系（R²
、RMSE、MAE、MAPE）。

数据采集
在Salinas试验田（36°37′40.1″N, 121°32′03.0″W）部署定制传感设备，采集2022年5-9月采收期图像。通过空间区块划分（图1a）确保数据代表性，克服光照变异干扰。

结果与讨论
YOLOv10s对红果（成熟期）检测精度达0.74 mAP@50。相比未加权序列，物候期加权输入使LSTM预测性能全面提升：R²
提升15%至0.74，RMSE降低19%至12.67。研究表明，绿果至红果转化率与时间间隔呈非线性关系，验证了物理约束的有效性。

结论
该研究首创将物候动态作为LSTM的物理约束，通过YOLOv10s检测生成加权时序数据，实现采收前产量误差降低11.3%-19.3%。方法学突破在于：1) 建立花-果转化链的数学表征；2) 开发适用于边缘计算设备的轻量化模型（TITAN RTX 24GB显存需求）。实际意义包括指导采收人力调度、冷库储备及销售策略制定。

讨论
相比传统回归模型（如Yang等2024年R²
=0.73的RNN），本研究物理约束机制使模型更符合植物生长规律。未来可整合气象参数（如Pathak等2016年工作）进一步提升预测窗口。该框架可扩展至蓝莓、番茄等浆果类作物，推动精准农业发展。