基于多生长阶段堆叠集成学习的苹果单株产量精准预测方法研究

针对苹果采收前单株产量预测精度不足的问题，研究人员通过无人机遥感技术获取花期、果实形成期、膨大期和成熟期四个关键生长阶段的植被指数，结合随机森林（RF）、支持向量回归（SVR）等机器学习方法构建了堆叠集成学习（SEL）模型，并创新性提出生长阶段堆叠集成（GSSE）模型。结果表明，GSSE模型在果实膨大期与成熟期数据融合下表现最优（R2 =0.759，RMSE=4.431 kg），为果园精准管理提供了新思路。

　　

苹果作为全球重要的经济作物，其产量预测对果园管理和市场调控至关重要。然而，传统基于机器视觉的产量估算方法易受果实遮挡影响，而单一生长阶段的机器学习模型存在过拟合和泛化性差的问题。更关键的是，现有研究多忽略多生长阶段光谱信息的整合价值。针对这些瓶颈，新疆阿克苏地区的研究团队创新性地将无人机遥感技术与多阶段机器学习融合，为苹果单株产量预测开辟了新路径。

研究团队在2023年4月至10月期间，利用无人机采集了新疆阿克苏富士苹果树四个关键生长阶段（花期、果实形成期、膨大期和成熟期）的高光谱图像，提取13种植被指数。通过随机森林（RF）、支持向量回归（SVR）、偏最小二乘回归（PLS）和岭回归（RR）构建基础模型，并首次将生长阶段堆叠集成（GSSE）方法引入果树产量预测。该方法采用岭回归（RR）作为元学习器，结合SHAP特征筛选技术，显著提升了模型稳定性。

研究结果

生长阶段与模型性能关系
果实膨大期的SVR模型表现最优（R²
=0.654），证实此阶段光谱信息与产量相关性最强。而花期植被指数CI_rededge
和NDRE与产量无显著关联，揭示了不同生长阶段光谱特征的动态变化规律。

集成学习优势验证
堆叠集成学习（SEL）模型整合RF、SVR等四种算法后，预测精度超越所有单模型（R²
=0.686），证明集成方法能有效平衡模型偏差与方差。

GSSE模型突破性进展
创新设计的生长阶段堆叠集成（GSSE）模型在膨大期+成熟期组合中达到峰值性能（R²
=0.759），较单阶段模型提升16%，其中膨大期数据贡献度达72%，明确了多阶段信息融合的协同效应。

讨论与意义
该研究首次实现了苹果产量预测的三重突破：一是证实果实膨大期为最佳预测窗口，二是建立基于岭回归的稳健集成框架，三是开创多生长阶段光谱堆叠方法。GSSE模型通过深度挖掘时序光谱特征，将苹果单株产量预测误差降低至4.431 kg，为果园变量施肥、精准采收提供了技术支撑。论文发表于《Computers and Electronics in Agriculture》，其方法论可扩展至其他果树作物，推动农业遥感从静态分析向动态监测跨越。