综述：面向不确定性花生作物系统成熟度评估的先进传感与数据驱动方法：现状回顾与展望

《Sensors》：Toward Advanced Sensing and Data-Driven Approaches for Maturity Assessment of Indeterminate Peanut Cropping Systems: Review of Current State and Prospects Sathish Raymond Emmanuel Sahayaraj, Abhilash K. Chandel, Pius Jjagwe, Ranadheer Reddy Vennam, Maria Balota and Arunachalam Manimozhian

这篇综述系统回顾了不确定性花生（Arachis hypogaea L.）成熟度评估的传统、传感与人工智能（AI）方法。文章剖析了地下荚果发育异步带来的挑战，以及不当收获对产量、品质（如黄曲霉毒素污染）和经济效益的严重影响。综述重点评价了壳刮法（hull scrape）等传统破坏性方法的局限，并探讨了近端/遥感、植被指数（VIs）、AI模型与地理空间分析等非侵入性、高通量技术的巨大潜力。文章最终呼吁构建一个集多模态传感、AI建模与数字决策支持系统（DSS）于一体的综合性数据驱动框架，以实现精准、可扩展的收获决策，从而提升全球花生生产的效率、可持续性和种植者收益。

　　

1. 引言：收获时机——花生生产的关键经济决策

确定最佳收获期是花生种植者最关键的经济决策之一，直接影响产量、品质和市场价值。花生具有不确定性生长习性，在整个生命周期中持续开花和结荚，导致荚果发育和成熟不同步，这使得收获时机的判断尤为困难。不当的收获会导致显著损失：过早收获的籽粒水分含量高，易受黄曲霉（Aspergillus flavus）等真菌感染，产生黄曲霉毒素，威胁食品安全；同时，未成熟籽粒油分和蛋白含量低，市场价值打折。过晚收获则会导致果柄脆弱、易脱落，造成收获损失，且过熟荚果在高温干旱条件下也易受黄曲霉毒素污染。研究表明，仅提前7天收获就可能使每英亩净收益减少100-150美元。因此，开发客观、可扩展的成熟度评估方法对优化收获成果至关重要。

2. 传统成熟度评估方法：局限与挑战

现有的花生成熟度评估方法主要基于手动操作，存在效率低、劳动密集、主观性强和成本高等局限。常用的传统方法包括：

• •
  壳刮法（Hull Scrape Method）与荚果爆破法（Pod Blasting）：通过刮开或炸开荚果观察内部颜色（如内皮颜色从白色变为深棕色）来评估成熟度。这些方法是破坏性的，且取样有限，无法反映田间的空间变异。
• •
  甲醇提取物法（Methanolic Extract, ME Method）：通过测量花生荚果甲醇提取物的光透射率来定量评估成熟度，虽较客观，但需实验室设备，不适用于田间快速决策。
• •
  精氨酸成熟度指数法（Arginine Maturity Index, AMI）：通过测定籽粒中精氨酸含量的变化来评估成熟度，主要用于弗吉尼亚型品种，但受品种、地域和气候影响大，需要本地化校准。
• •
  种皮成熟度指数法（Seed Hull Maturity Index, SHMI）：通过计算种子与荚壳的重量比（鲜重或干重）来评估。这些方法均需大量田间取样，费时费力，且难以实现大面积的、空间化的成熟度评估。

3. 新兴传感与数据驱动技术：机遇与前景

为克服传统方法的局限性，研究者正探索利用非侵入性、高通量的传感和数据分析技术：

• •
  遥感与近端传感：利用搭载在多平台（如卫星、无人机、地面设备）上的多光谱、高光谱和热成像传感器，捕获花生冠层的反射光谱信息。特定的植被指数，如归一化差异植被指数（NDVI），可用于间接评估与成熟度相关的生物物理和生理参数（如叶绿素含量、生物量）。
• •
  人工智能与机器学习：AI和机器学习模型（如回归模型、分类算法、神经网络）能够处理海量的遥感及环境数据，识别与荚果成熟度相关的复杂模式，进行预测和分类，大大提高评估的自动化程度和精度。
• •
  地理空间分析与数据融合：结合地理信息系统和多模态遥感数据融合技术，可以实现田间尺度的成熟度空间制图，直观展示成熟度的分布情况，为精准收获（分区域、分批次）提供决策依据。
• •
  数字决策支持框架：整合多源传感数据、AI模型、生长度日等农艺模型，并利用云计算和图形用户界面构建端到端的数字决策支持系统，旨在为种植者提供直观、可操作的收获建议。

4. 现状局限与未来发展方向

尽管非侵入性传感和AI辅助建模在可扩展性、精度和自动化方面相比传统方法展现出显著优势，但其有效性和普适性仍面临制约：

• •
  数据与模型限制：当前方法通常未能充分整合关键的农艺气候（温度、水分、光照）、物候以及品种特异性变量。缺乏覆盖不同品种、区域和生长季的、稳健的实地验证数据集，限制了模型的泛化能力。
• •
  从模型到决策的鸿沟：如何将模型输出转化为田间可执行的、具体的收获决策，仍是未充分开发的环节。这突显了对集成化、以用户为中心的数字基础设施的迫切需求。
  未来的发展需聚焦于构建跨学科合作（农学家、数据科学家、种植者、技术提供商），创建全面的实地验证数据库，并开发融合AI、多模态传感和地理空间分析的实用化、田间就绪型解决方案。这样的创新有望变革花生成熟度评估范式，最终提高收获精准度、经济回报和可持续性，同时减少人力投入和决策的不确定性。