在体外芽增殖和适应过程中对不同生物反应器的评估（以阿加维属植物Agave marmorata Roezl为例） 作者：María del Rosario Moreno-Hernández、Eucario Mancilla-álvarez、José Abel López-Buenfil 和 Jerico Jabín Bello-Bello

《Plants》：Evaluation of Different Bioreactors During In Vitro Shoot Proliferation and Acclimatization of Agave (Agave marmorata Roezl) María del Rosario Moreno-Hernández, Eucario Mancilla-álvarez, José Abel López-Buenfil and Jericó Jabín Bello-Bello

本文针对现有果树产量预测方法依赖果实期数据、难以实现早期预测的难题，研究者们开展了一项题为“基于花期图像疏花模拟特征的苹果早期产量预测”的研究。他们创新性地引入“疏花模拟”概念，提出了自适应多尺度聚类算法（AMS-DBSCAN）来识别复杂花期图像中的花序结构，并结合密度和空间均匀性两种疏花模拟策略构建了多维表型特征集。利用Lasso进行特征优化，并比较了XGBoost、BPNN和SVR等模型，最终XGBoost在优化后的混合特征集上取得了优异预测性能（R2= 0.900）。该研究为果树的精准管理和早期决策提供了新的参考。

　　

苹果是我们日常生活中常见且喜爱的水果，而中国是世界最大的苹果生产国。果农和产业界都渴望能提前、准确地预测苹果的产量，以便更好地安排采摘、储存、销售，稳定市场供应。然而，传统的预测方法要么依赖长期的、难以获取的气象和土壤数据，耗时费力；要么必须等到苹果挂果后才能通过果实期图像进行估产，为时已晚，失去了“早期预警”的价值。有没有一种方法，能在苹果刚刚开花的时候就“看见”未来的收成呢？

苹果的花期蕴藏着丰富的产量信息。想象一下，一棵苹果树上成千上万朵小花，它们分布的疏密、聚散，其实与最终能结出多少果实息息相关。但花期图像中的花朵数量庞大、彼此重叠、空间结构复杂，传统的简单统计花朵数量的方法，就像只数清了人群的总数，却无法分辨出哪些是三五成群的朋友，哪些是大型集会的方阵，丢失了大量有价值的结构信息。此外，在实际果园管理中，“疏花”是一项关键农艺措施，即人工去除一部分多余的花朵，以保证剩余果实的营养和品质。这种基于经验的“疏与留”，本身就包含了果树生理和产量形成的深刻规律。以往的研究大多聚焦于单一花朵的检测或计数，对花朵的空间集群结构及其与产量的深层关联探索不足，未能形成从花期图像特征到产量预测的完整建模链条。

正是为了解决上述“早期预测难”、“结构信息利用不足”、“缺乏与农艺实践结合的特征”等问题，研究人员开展了一项创新性的研究。他们提出了一种基于苹果花期图像疏花模拟特征的早期产量预测方法。这项研究巧妙地架起了计算机视觉、农学知识与人工智能预测之间的桥梁，相关成果发表在学术期刊《Plants》上。

为了开展这项研究，研究人员主要应用了以下几项关键技术：首先，在中国甘肃省天水市核心苹果种植区，于2025年4月中旬使用标准智能手机，从100棵样本苹果树采集了覆盖多种光照、角度和背景的花期图像，并同步记录了这些果树成熟期的实际单株产量，构建了图像-产量配对数据集。其次，利用DeepLabv3+语义分割模型对原始图像进行处理，生成高精度的花朵掩码图像，将花朵目标从复杂背景中分离出来。接着，研究提出了核心的自适应多尺度密度聚类算法（Adaptive Multi-scale DBSCAN, AMS-DBSCAN），该算法在传统DBSCAN基础上引入了KDTree加速结构和自适应机制，高效准确地识别了图像中不同密度的花朵集群和单花。然后，基于识别出的花朵集群结构，设计了两种模拟人工疏花规则的策略：基于花朵集群密度的动态保留策略和基于单花空间均匀性的疏花策略，通过模拟“疏花”过程，生成了一系列描述疏花前后花朵数量、面积、空间均匀性的多维表型特征。最后，将原始统计特征与疏花模拟生成的特征融合，使用Lasso方法进行特征筛选优化，并输入XGBoost、BPNN（反向传播神经网络）、SVR（支持向量回归） 等多种机器学习模型进行训练和比较，最终建立了从花期图像特征到产量的可靠预测模型。

2.1. 数据集介绍

研究者在中国甘肃天水的果园中，系统采集了100棵苹果树的花期图像和对应的成熟期产量数据。图像采集考虑了不同时间、光照、拍摄角度和背景，以增强样本多样性。利用DeepLabv3+模型对图像进行分割，得到了花朵区域的掩码，模型性能优异（mIoU达92.92%）。产量数据显示样本树的产量在4.6至35.9公斤之间，具有一定的分布代表性，为建立花期特征与产量的映射关系奠定了基础。

2.2. 花朵集群识别与聚类方法

研究构建了一个从花期图像到产量估计的完整分析框架，主要包括花朵集群聚类、疏花模拟、特征构建和产量预测四个步骤。该框架以花朵分割结果为起点，旨在提取更具代表性的花期空间结构特征。

2.3. 改进的聚类算法AMS-DBSCAN

针对花期图像中花朵集群尺度、密度差异显著，传统固定参数聚类算法适应性差的问题，研究提出了AMS-DBSCAN算法。该算法通过动态调整聚类参数，有效区分了稀疏单花和密集大花簇，并利用KDTree提高了在大规模图像场景中的计算效率。算法在二维像素坐标空间中进行聚类，以欧氏距离衡量花朵间的空间临近性。

（研究在后续章节应包含疏花模拟策略的具体设计、多维特征集的构建、特征优化与模型预测结果比较等部分，文档内容在此处截断，故无法详述其具体研究结果与讨论。）

根据已提供的文档内容，本研究的主要结论和创新意义可归纳如下：该研究成功地实现了一种基于苹果花期图像的早期产量预测方法。其核心创新在于首次在花期引入了“疏花模拟”的概念，通过图像特征构建了“疏花前-疏花后”的可量化表征，为早期产量预测提供了新的特征生成思路。所提出的AMS-DBSCAN算法有效解决了复杂花期图像中多尺度花朵集群识别不稳定的难题。通过融合原始特征和基于密度、空间均匀性的两种疏花模拟策略生成的特征，并利用Lasso优化和XGBoost等机器学习模型，最终实现了高精度的早期产量预测（优化后R²达到0.900）。这项研究不仅为苹果的精准管理和早期决策提供了可靠的技术支持和新的参考，更重要的是，它展示了一种将农艺知识（疏花）与计算机视觉、人工智能技术深度融合的研究范式，为其他果树乃至农作物的早期表型分析、产量预测和智慧农业管理开辟了新的途径。