面向植物表型组学与精准葡萄栽培的葡萄品质评估创新传感技术：2010–2025关键综述

《Scientia Horticulturae》：A critical review of innovative technologies for grape quality assessment in support of plant phenomics and precision viticulture

　　

面向植物表型组学与精准葡萄栽培的葡萄品质评估创新技术关键综述

•对支撑精准葡萄栽培的非破坏性光学传感器进行15年综述。
•车载系统在空间制图效率与化学精度之间取得平衡。
•数据融合增强模型性能，但需要稳健的不确定性量化。
•物联网（IoT）网络实现连续且自主的葡萄成熟度监测。
•空间制图驱动选择性采收，为葡萄种植者最大化投资回报率（ROI）。

葡萄原料的化学组成，包括糖、有机酸、酚类化合物与芳香化合物，直接决定葡萄酒的品质、风格与陈酿潜力。然而，传统实验室分析方法虽具有较高的精确度和可靠性，却受限于耗时的样品处理、破坏性采样方式以及点状采样难以完整捕捉葡萄园内部空间变异性的固有缺陷。研究表明，同一葡萄园地块内糖分、酸度和酚类物质等参数在短距离内可发生20%–30%的波动，而葡萄成熟期窗口极为短暂，这使规模化葡萄园难以获得及时、可空间化的品质数据。因此，亟需能够在田间原位部署、具备空间显式解析能力并可达到单株尺度分辨率的非破坏性传感技术，以支撑植物表型组学研究和精准葡萄栽培实践。

研究人员围绕2010至2025年间发表的文献，遵循PRISMA（系统综述和荟萃分析优先报告条目）指南在Scopus和Web of Science等数据库进行系统检索，经严格筛选最终纳入57项核心研究，对四类田间原位平台——便携式/近端设备、车载（on-the-go）系统、空基遥感平台及物联网（IoT）传感器网络——进行了批判性综述。分析表明，葡萄品质评估技术正经历从静态点测量向动态自主监测的显著演变，深度学习与计算机视觉的进步为田间复杂光照条件下的高精度预测提供了关键支撑，而空间制图驱动的选择性采收可为种植者带来15%至30%以上的经济增益。

在关键技术方法方面，研究人员应用可见光-近红外（VIS/NIR）光谱、高光谱成像（HSI）和荧光传感技术获取葡萄果实化学信号；采用化学计量学方法如偏最小二乘回归（PLSR）建立基础预测模型，并引入支持向量机（SVM）、随机森林（RF）等机器学习算法处理非线性问题；进一步采用卷积神经网络（CNN）、视觉Transformer及注意力机制（Attention Mechanism）等深度学习架构自动提取光谱-空间特征。研究还运用了数据融合策略（如将归一化植被指数（NDVI）与土壤表观电导率（ECa）结合）和不确定性量化工具（如贝叶斯信息准则（BIC）与贝叶斯正则化）以提升模型稳健性和可解释性。样本涵盖多个葡萄品种和不同产区的田间实测数据。

3. 葡萄品质评估在文献中的重要性。基于1,074条文献记录的计量学对比显示，花青素在精准葡萄栽培研究中占31.9%，显著高于传统葡萄栽培研究的19.7%；总可溶性固形物（TSS，以°Brix表示）在两个领域均受重视（25.7%对24.1%）；pH则更受传统领域关注（26.2%对6.8%）。这反映出精准葡萄栽培优先选择与遥感、高光谱技术兼容且可用于空间变异评估的参数，而酵母可同化氮（YAN）因分析门槛高在两类研究中均罕见（2.1%对2.5%）。

4. 传统葡萄评估方法。传统方法依赖实验室化学分析和人工田间采样，可精确测定TSS、滴定酸度（TA）和pH，但酚类物质需借助紫外-可见分光光度法、高效液相色谱（HPLC）和液相色谱-质谱联用（LC-MS）等昂贵技术，芳香物质则需气相色谱-质谱联用（GC/MS）结合复杂的样品前处理。在采样策略方面，基于NDVI引导的优化协议（如NDVI3）可将样本量减少20%–69%，行走距离降低超过90%；基于多葡萄园多年数据的“共同变异函数”方法亦可在保证可靠性的前提下显著降低采样密度。

5. 葡萄品质参数评估的先进方法。5.1 传感技术趋势：多光谱技术因成本低、操作简便而长期保持最广泛的应用；光谱学作为参考标准持续处于核心地位；高光谱成像在2019–2022年间出现研究高峰；荧光技术的应用相对较少但近期关注度有所回升。5.2 多尺度采集平台：便携式/近端平台（如手持式VIS/NIR光谱仪和Multiplex?荧光传感器）可在田间进行静态测量，但对TSS、花青素等参数的预测精度随环境条件变化较大；车载平台通过将高光谱相机或光谱仪安装于全地形车（ATV）或无人地面车（UTV）上，可在行进中生成地块尺度的组分空间图，例如Fernández-Novales等（2019）对TSS的预测决定系数R²达0.95，Gutiérrez等（2019）结合ε-SVMs与高光谱成像实现R²=0.91，而Cornelissen等（2025）采用光照不变光谱自编码器（LISA）处理动态光照问题，R²为0.40–0.60；航空/卫星/无人机（UAV）平台通过植被指数间接推断葡萄组分，适用于大范围生态分区而非精确化学定量，Kasimati等（2022）证明自动机器学习（AutoML）可使TSS预测性能平均提升10%；物联网传感器网络目前以环境参数间接监测为主，但已出现直接光谱监测的成功案例，如Krause等（2021）的SmartSpectrometer集成微型近红外光谱仪与CNN实现实时预测，Tugnolo等（2025b）的“i-Grape”系统对TSS、TA、pH的R²达0.79–0.92，而Zhang等（2025）基于AS7265X多光谱传感器对TSS实现0.25°Brix的预测误差。5.3 先进预测算法：传统PLS在强线性关系参数上表现优异，而深度学习拓扑（2D/3D CNN、视觉Transformer和注意力机制）可自动提取光谱与空间上下文特征，在动态田间环境下更具鲁棒性；数据融合（如光谱与热红外结合）在无重度水分胁迫时能显著提升模型精度，但空间配准误差和冠层热信号饱和会引入伪影；可解释AI（XAI）和特征选择工具（如非信息变量消除（UVE））用于识别关键波长并提高模型透明度。5.4 操作性权衡：便携式设备提供高直接化学精度但空间覆盖有限，遥感平台覆盖范围广但化学信息为间接推断，车载系统在制图效率与化学精度间达到最佳平衡，物联网网络以中等成本提供连续时间监测但空间覆盖严格依赖传感器密度。

6. 未来展望与商业前景。商用车载系统仍面临模型跨地块泛化能力不足的“技术转移鸿沟”，需通过“留一域外”验证和少样本重校准框架加以解决。经济性分析表明，低成本IoT传感器（约50–300美元/节点）和手持式便携光谱仪（约3,000–7,000美元）正显著降低技术准入门槛，而选择性采收可提升葡萄园经济价值15%–30%以上。边缘端机器学习运维（Edge MLOps）与轻量化神经网络架构（如MobileViT）是实现田间实时处理的关键路径，未来研究应优先建立开放获取的多品种多年份光谱数据库、开发标准化少样本校准迁移框架，并在预测模型中系统性嵌入不确定性量化以提供统计保证的置信区间。

讨论部分指出，传统化学分析仍不可替代地作为新技术的校准与验证基准，但其空间和时间分辨率局限推动了多源数据融合、可解释人工智能和边缘计算等范式的兴起。综述结论部分可翻译为：本综述讨论了过去15年间用于葡萄品质评估的新兴技术，重点关注支撑精准葡萄栽培的非破坏性田间技术。分析表明，该领域已从静态点测量显著演变为动态、自主的监测系统。未来工作必须将不确定性量化（UQ）嵌入模型，以提供统计学上可靠的置信区间，而非刚性点预测。总体而言，精准葡萄栽培技术为提升葡萄与葡萄酒品质提供了变革性路径，其借助基于信息的位点特异性决策，并最终通过选择性采收和风土特征的精确保持最大化种植者的投资回报率（ROI）。