树冠体积可以减轻冰雹对葡萄果实造成的损害：基于地面的激光雷达（LiDAR）技术和贝叶斯概率分析的应用研究

《Precision Agriculture》：Canopy volume mitigates hail damage on grapevine berries: insights on the use of ground-based LiDAR and Bayesian probabilistic analysis

　　**摘要**

**目的**
冰雹对欧洲的葡萄种植构成了严重威胁，尤其是意大利北部地区。由于冰雹事件的不可预测性，大规模研究受到限制，因此科学界对冰雹对作物的损害了解仍然不足。

**方法**
在意大利东北部建立了一个包含四种树冠管理方式的实验场，并在2023年7月24日发生了一次冰雹事件。通过在冰雹事件发生前几小时使用移动机器人平台进行LiDAR监测，我们能够绘制出树冠结构图，并将其与果实损害情况联系起来。

**结果**
实验结果显示，平均每个葡萄串有32%的果实受到损害。研究发现，树冠的底部部分为葡萄串提供了保护，从而减少了损害。受到底部损伤的植株在树冠底部区域的收缩更为明显，这证实了树冠的保护作用。研究结果通过贝叶斯方法进行了分析，以得出可靠的概率推断。

**结论**
我们的研究有助于更好地理解冰雹对葡萄种植的影响机制，可以为评估葡萄园中冰雹损害的风险提供有价值的工具。

**图形摘要**
该图像的替代文本可能是通过人工智能生成的。

**亮点**
使用LiDAR传感器在冰雹事件发生前12小时和之后监测了果实和树冠的冰雹损害情况。
树冠底部部分的体积和投影面积与较低的损害程度相关。
冰雹过后树冠收缩程度较大的葡萄植株受到的损害较小。

**引言**
冰雹是欧洲葡萄种植的主要灾害，造成了数十亿美元的经济损失（Changnon, 2009），农业是受影响最严重的行业之一（Botzen et al., 2010）。近年来，气候变化加剧了这一问题，导致欧洲大陆上冰雹事件的频率和强度增加（Raupach et al., 2021）。1950年至2021年的记录显示，欧洲的冰雹事件频率和严重程度都有所上升，其中意大利北部地区受影响最为严重（Battaglioli et al., 2023）。此外，在1988年至2016年间，意大利东北部的冰雹降水量记录显示，29年内的冰雹颗粒平均直径有所增加（Manzato et al., 2022）。鉴于欧洲葡萄种植的广泛分布，冰雹对葡萄种植者来说是一个重大挑战。尽管冰雹事件带来了诸多挑战，但由于其不可预测性，关于其对葡萄种植影响的研究仍然有限（Kim et al., 2023）。为了应对这些事件，许多研究通过机械工具（如喷枪钻具Wang et al., 2021或园艺耙Zhou et al., 2016）来模拟冰雹造成的叶片面积或树冠结构变化。然而，这些研究未能准确反映实际田间条件，使得结果难以应用于实际场景。

冰雹对作物的损害程度取决于多种因素，如冰雹颗粒的大小、动能以及所涉及的作物类型（Yue et al., 2019）。鉴于关于冰雹损害的数据稀缺，以及影响作物损害的多种因素，了解环境条件对于未来研究的推广至关重要。Petoumenou等人（2019）的研究报告了直径为2.5–3厘米、风速为78公里/小时的自然冰雹对酿酒葡萄的影响，评估了其对光合作用、产量和果实酚类化合物的影响，显示了其对葡萄产量和质量的影响。自然冰雹还被发现会影响Chardonnay、Pinot Noir（Bani?? et al., 2020）和Storgozia（Simeonov et al., 2021）等品种的植株生长。Vescovo等人（2016）在玉米（Zea mays L.）上的研究精确评估了自然冰雹造成的落叶情况，他们使用机载光检测和测距（LiDAR）传感器绘制了受损玉米田的树冠图，发现其结果与实地测量结果吻合良好（Vescovo et al., 2016）。将这种方法扩展到理解冰雹对葡萄树冠的影响以及树冠与经济损害之间的关系，对葡萄产业具有重要意义。这些数据可以帮助保险公司或农民更准确地评估损害程度和风险。然而，据作者所知，目前尚未有研究使用LiDAR传感器等技术对冰雹事件后的葡萄树冠结构进行精确评估。

**材料与方法**
实验于2023年在意大利东北部的乌迪内大学“Antonio Servadei”试验农场进行（坐标：46°01′53.0″ N, 13°13′29.0″ E, 海拔90米）。该地区的土壤富含砾石（由粗粒且透水性强的河流沉积物组成），呈亚碱性，排水系统较为完善。气候属于温带湿润型，年平均气温为13.5–14.5°C。实验在一片长约90米的Merlot Kanthus葡萄园中进行，采用单行种植方式，行间距为2.6米，株间距为1米。

**树冠管理**
实验设计了完全随机化的区组设计，包括四种处理方式及每种处理的四个重复组，共计16个试验地块。每个试验地块包含6株葡萄植株，长度为5.4米。实验的主要目的是比较有无修剪枝条的树冠管理方式，以及是否保留侧枝对葡萄成熟度的影响。具体处理方式如下：修剪树冠（TR）、包裹树冠（WR）、修剪树冠但不保留侧枝（TR–L）和包裹树冠且不保留侧枝（WR–L）。TR和TR-L处理在2023年6月14日进行修剪，当枝条超过最后一道支架约30厘米时进行剪除；后续继续修剪以保持树冠的垂直状态。WR和WR-L处理则是在枝条生长过程中将其包裹在支架上。TR-L和WR-L处理在修剪时同时去除侧枝，并在随后几周内再次去除主枝上新长出的侧枝。

**冰雹事件特征与果实损害测量**
2023年7月24日至25日晚，弗留利-威尼斯-朱利亚平原的大片区域遭受了强冰雹袭击，降雨强度极高，风速高达80公里/小时（OsmerFVG, 2023）。此次事件中，意大利阿扎诺-德奇莫（Azzano Decimo, Pordenone）记录到了新的最大冰雹颗粒直径记录（19厘米，Eisenbach, 2023）。此次事件导致4800公顷的葡萄园受损。乌迪内大学的一片葡萄园也受到了影响，该地正在进行不同的树冠管理技术实验。在冰雹事件发生前12小时，使用配备LiDAR技术的移动机器人平台对这片葡萄园进行了监测，为研究冰雹动态提供了宝贵数据。本文旨在评估树冠的收缩情况及其在冰雹造成的果实损害中的作用。通过概率分布来表示与葡萄损害相关的不确定性具有优势。贝叶斯方法在处理有限或不常见数据时尤为有效，因为它能够整合先验信息以优化模型估计。使用概率分布使估计结果更易于解释，有助于决策（Sondhi et al., 2021; Addy et al., 2024）。

**结论**
我们的研究扩展了人们对冰雹对葡萄种植影响的认识，带来了以下创新：（i）监测自然冰雹事件对葡萄的损害；（ii）利用移动机器人平台获取的LiDAR数据更精确地分析冰雹影响；（iii）通过贝叶斯回归估计冰雹效应。

**实验场地**
实验在乌迪内大学所属的“Antonio Servadei”试验农场进行（坐标：46°01′53.0″ N, 13°13′29.0″ E, 海拔90米）。该地区土壤富含砾石，呈亚碱性，排水良好。气候为温带湿润型，年平均气温为13.5–14.5°C。实验在两排Merlot Kanthus葡萄园中进行，每排长约90米，采用单行种植方式，行间距为2.6米，株间距为1米。

**树冠管理**
实验采用了完全随机化的区组设计，包括四种处理方式及每种处理的四个重复组，共计16个试验地块。每个试验地块包含6株葡萄植株，长度为5.4米。实验的主要目的是比较有无修剪枝条的树冠管理方式，以及保留侧枝与否对葡萄成熟度的影响。处理方式如下：修剪树冠（TR）、包裹树冠（WR）、修剪树冠但不保留侧枝（TR–L）和包裹树冠且不保留侧枝（WR–L）。TR和TR-L处理在2023年6月14日进行修剪，当枝条超过支架时将其剪除；后续根据枝条生长情况再次修剪以维持树冠的垂直状态。WR和WR-L处理则是在枝条生长过程中将其包裹在支架上。TR-L和WR-L处理在修剪时同时去除侧枝，并在随后几周内持续去除主枝上新长出的侧枝。

**冰雹事件特征与果实损害测量**
2023年7月24日至25日晚，弗留利-威尼斯-朱利亚平原大部分地区遭受了两次冰雹袭击。第一次冰雹发生在7月24日晚8点，第二次发生在7月25日上午6点。风速最高达到80公里/小时（见表1）。

**图表说明**
图1显示了在距离测试葡萄园约5公里的Basiliano地区，使用泡沫板检测到的冰雹颗粒大小，可见冰雹颗粒直径范围为1至3厘米。

**数据与分析**
2023年7月24日至25日晚的冰雹事件后，于7月31日对果实损害进行了评估。随机选取了八组样本进行每个重复实验的分析。通过评估每组样本中因冰雹撞击而受损的浆果数量（按每组计数）与总浆果数量（通过评估组重和平均浆果重量估算）的比例，来衡量损伤的严重程度。因此，冰雹造成的损伤用0到100%的尺度表示。

在这项工作中，使用了AgileX（AgileX Robotics，深圳，中国）公司的移动机器人平台Scout 2.0来收集与葡萄园表面、地面投影面积和植物体积相关的数据。Scout 2.0如图2所示，它是一个装有四个电动马达的履带式移动机器人，配备了一个Velodyne VLP-16（Velodyne，圣克拉拉，美国）激光雷达传感器、一个9轴Xsens MTi-630（Xsens Technologies B.V.，内华达州亨德森）惯性测量单元（IMU），以及一个NVIDIA Jetson AGX Xavier（NVIDIA，圣克拉拉，美国）的板载计算机（八核NVIDIA Carmel ARMv8.2 CPU @ 2.26Ghz；512核Volta GPU，带有64个Tensor核心；32 GB 256位LPDDR4x @ 2133 MHz），运行Ubuntu 18.04和ROS Melodic操作系统。

Scout 2.0机器人被远程操控沿着葡萄园的行移动，同时扫描植物的两侧。来自激光雷达传感器、IMU和轮式编码器的数据被存储在标准化的ROS bag文件中。然后，在工作站（Intel? Core i5-10600 K CPU @ 4.10 GHz × 12，Intel? UHD Graphics 630，32 GB RAM，64位）中处理这些bag文件，使用LIO-SAM SLAM算法（Shan等人，2020年）重建葡萄园的3D点云。LIO-SAM算法将激光雷达和IMU的测量数据整合到一个因子图中，以实现精确的路径估计。选择这种SLAM算法是因为它在点云的密度和精度之间提供了良好的平衡（Tiozzo Fasiolo等人，2023c），并且不需要使用过滤器来剔除异常值。

通过LIO-SAM获得的葡萄园点云使用开源CloudCompare软件进行处理，使用布模拟滤波器（Cloth Simulation Filter）剔除属于地面的点。布的分辨率（用于覆盖地形的网格大小）设置为0.5米，最大迭代次数设置为1000次，分类阈值设置为0.5。从整个葡萄园的3D重建中提取出四排的点云。这四组点随后被导入Matlab?（版本R2022b；The MathWorks Inc.?，马萨诸塞州纳蒂克）进行进一步处理。点云最初以ENU参考框架表示，即参考框架的原点对应于采集开始时机器人的位置，其轴分别指向磁北、磁东和向上。使用主成分分析（PCA）（对由四排分析组成的点云）找到新的参考框架方向，使得第一主轴对应于沿葡萄园行的方向，第二主轴对应于植物相对于地面的高度方向，第三主轴则相应地选择以完成右手坐标系。这个新的参考框架以不包括属于地面的点的所有四排葡萄园点的重心为中心。

测试了两种树冠管理方法：包裹和修剪，分别考虑有无侧枝的情况。为了准确评估这些方法的效果，激光雷达测量数据被分为两组点：基部和顶部。顶部组捕获了修剪和包裹方法的效果，而基部组包含了关于侧枝管理的信息。此外，选择树冠的基部部分来包含所有的葡萄串。这种划分允许区分包含果实的树冠部分（基部）和不含果实的树冠部分（顶部），这两部分都受到了不同的树冠管理。

从重心开始选择了一个偏移量\(h=4\)米，使得基部组包含\(z\)坐标在\(\left[-h,h\right]\)范围内的点，从而排除了属于树干的点；而顶部组包含\(z>h\)的点。为了获得每株植物的点集，顶部和基部点集通过沿第一主轴相隔一米的垂直截面进一步细分。

图3展示了这种操作在一个包含六株植物的点集上的结果示例，其中基部部分的点用绿色标记，顶部部分的点用黄色标记，被剔除的点（属于树干的）用棕色标记。图中还展示了垂直（黄色）和水平（浅蓝色）的截面平面。

使用Alpha Shape算法（Edelsbrunner等人，1983年）计算每组点所包围的体积和表面积。该算法通过三角剖分（网格）创建一个包围所有点的边界体积。然后，总表面积是通过计算每个三角形元素的面积之和来计算的，而总体积则是通过将alpha形状分解为四面体并求和它们的体积来计算的。同样，通过沿垂直轴（第二主轴）投影点得到的2D点集，使用Alpha Shape算法计算植物在地面平面上的面积。激光雷达数据处理的总结见图4。

模型分析使用了R统计软件（版本4.3.1；R CoreTeam，奥地利）。为了识别对确定树冠收缩影响最大的变量，我们使用信息论方法进行模型选择（Anderson & Burnham，2002年）比较了几个模型。因变量是在冰雹事件前后记录的树冠激光雷达测量值。这个因素被作为一个称为“Time”的分类变量处理，每个树冠激光雷达测量值与相应的Time类别相关联。一个包含Time、行和地块作为解释变量的完整模型与去除一个或多个变量的嵌套模型进行了比较，以测试包含Time是否提高了模型的解释能力。我们选择了贝叶斯信息准则（BIC）最低的模型。选定的似然模型（模型1）具有层次结构，包含树冠测量时间（Time），分为两个层次：冰雹前和冰雹后，以及测量地块的随机截距（1|plots）：$$Canopy\ measurements \sim Time+\left(1\right|plot) + \varepsilon $$

选择贝叶斯方法是因为它能够将先验信息纳入模型，这可以改善参数估计，特别是在数据有限或存在先验知识的情况下。此外，在我们的案例中，我们特别关注贝叶斯方法的连续和概率输出。贝叶斯模型的后验分布估计了不确定性的连续分布，这对于评估冰雹损伤至关重要。

关于截距和角度系数的先验信息被添加到模型1中。截距代表冰雹前一天?树冠测量值，角度系数表示预期的树冠收缩量，这些数据来自Tiozzo Fasiolo等人（2023b）的研究，该研究提供了2022年生长季节不同水分条件下Pinot Gris葡萄的树冠激光雷达测量数据。由于两项研究的葡萄园位置相同且葡萄年龄相似，我们可以使用他们的数据作为信息性先验。我们调整了水分充足处理的标准差，以考虑我们研究中使用的不同品种之间的差异。

对于先验角度系数，我们选择了信息量较低且系数略负、标准差较大的先验。这个选择基于这样一个事实：冰雹后的树冠激光雷达测量值可能会显示叶面积的减少，而不是增加。为了估计后验分布，我们使用了Markov链蒙特卡洛（MCMC）方法，使用了brms包中的brm函数（Bürkner，2018年），并进行了1000次的预热迭代。通过trace plot监控了马尔可夫链的收敛情况。最后，使用tidybayes包（Kay，2023年）可视化了截距和回归系数的可信区间分布。

模型分析使用了R统计软件（版本4.3.1；R CoreTeam，奥地利）。为了识别对确定树冠收缩影响最大的变量，我们使用信息论方法进行模型选择（Anderson & Burnham，2002年）。因变量是在冰雹事件前后记录的树冠激光雷达测量值。这个因素被作为一个称为“Time”的分类变量处理，每个树冠激光雷达测量值与相应的Time类别相关联。一个包含Time、行和地块作为解释变量的完整模型与去除一个或多个变量的嵌套模型进行了比较，以测试包含Time是否提高了模型的解释能力。我们选择了贝叶斯信息准则（BIC）最低的模型。选定的似然模型（模型1）具有层次结构，包含树冠测量时间（Time），分为两个层次：冰雹前和冰雹后，以及测量地块的随机截距（1|plots）：$$Canopy\ measurements \sim Time+\left(1\right|plot) + \varepsilon $$

贝叶斯方法因其能够将先验信息纳入模型而受到青睐，这可以在数据有限或存在先验知识时改善参数估计。此外，在我们的案例中，我们特别关注贝叶斯方法的连续和概率输出。贝叶斯模型的后验分布估计了不确定性的连续分布，这对于评估冰雹损伤至关重要。

在冰雹风暴后对树冠收缩进行建模，使用了R统计软件（版本4.3.1；R CoreTeam，奥地利）。为了识别对确定树冠收缩影响最大的变量，我们使用信息论方法进行模型选择（Anderson & Burnham，2002年）。因变量是在冰雹事件前后记录的树冠激光雷达测量值。这个因素被作为一个称为“Time”的分类变量处理，每个树冠激光雷达测量值与相应的Time类别相关联。一个包含Time、行和地块作为解释变量的完整模型与去除一个或多个变量的嵌套模型进行了比较，以测试包含Time是否提高了模型的解释能力。我们选择了贝叶斯信息准则（BIC）最低的模型。选定的似然模型（模型1）具有层次结构，包含树冠测量时间（Time），分为两个层次：冰雹前和冰雹后，以及测量地块的随机截距（1|plots）：$$Canopy\ measurements \sim Time+\left(1\right|plot) + \varepsilon $$

通过方差分析（ANOVA）评估了树冠处理对葡萄串损伤的影响。评估了残差分布的正态性和同方差性。随后进行了成对多重比较测试（Tukey HSD），并以95%的置信区间和alpha=0.05区分不同水平。通过基于普通最小二乘（OLS）的线性回归评估了冰雹损伤与树冠激光雷达测量值（模型2）之间的关系，或冰雹前后值之间的差异（模型3）：$$Damage \sim {\beta }_{0}+{\beta }_{1} Canopy \;mesurements+ \varepsilon $$ $$Damage \sim \Delta Canopy\; measurements+ \varepsilon $$ 其中：$$\Delta Canopy ={Canopy}_{Pre\; hail}-{Canopy}_{Post\; hail} $$ 计算了树冠基部和顶部的决定系数和回归方程。

基于应用于树冠基部和顶部的模型2和3的回归结果，显然基部树冠显示出更有趣的系数。因此，我们选择计算并显示基部树冠测量的贝叶斯回归，以从这一特定部分获得精确的推断。后验分布（对于相同的模型2和3）使用brms包进行采样。我们为两个模型选择了信息量较低的先验（Gelman等人，2008年），基于我们的实地知识。使用弱信息先验时，后验分布集中在最大似然估计值附近。在我们的案例中，得到的参数估计值接近OLS解，贝叶斯框架还提供了截距和斜率的完整后验分布。在像2023年7月24日那样的严重冰雹风暴之后，损伤值很可能超过0%，但不太可能达到100%。这些信息作为先验分布被纳入模型中。MCMC样本在1000次循环的预热后开始，同时使用trace plot监控了链的纵向行为。使用tidybayes包（Kay，2023年）绘制了截距和回归系数的可信区间分布，而R2是使用Gelman等人（2019年）的方法计算的（Lüdecke等人，2021年）。

在2023年7月24日的冰雹风暴之后，分析的葡萄园显示每个葡萄串平均有31.9±9.4%的浆果受损，不同树冠管理处理之间存在显著差异。修剪并移除了侧枝的植物（TR-L）显示出最高的浆果损伤水平，达到每个葡萄串41.1%，统计上高于TR（27.7%）。带有侧枝的包裹树冠处理（WR）的损伤最小，为22.8%（图5）；TR-L处理的损伤比WR高44.5%。不同的树冠管理方式在产量、每株植物的葡萄串数量和平均葡萄串重量方面没有影响（图S1a、S1c、S1e）。生产量与观察到的浆果损伤之间没有相关性；R2值显示这两种测量结果之间的关联较弱，产量为0.11，果穗数为0.052，果穗平均重量为0.053（图S1b、S1d、S1f）。图5的替代文本可能是使用AI生成的。全尺寸图像。

通过树冠管理对果穗损伤的严重程度进行分类：修剪并去除侧枝（TR-L）、包裹并去除侧枝（WR-L）、修剪同时保留侧枝（TR）以及包裹同时保留侧枝（WR）。每种处理的平均损伤程度由黑点表示，线条代表95%的置信区间。根据保护性Tukey检验为每种处理分配了表示显著差异的字母。

树冠处理改变了树冠结构，这一点通过LiDAR测量得到了监测。然而，LiDAR测量结果在不同树冠管理处理之间的区分度较低（图S2），这一点从非显著的ANOVA结果中可以看出（数据未显示）。不过，TR-L处理在基部树冠的所有LiDAR测量指标上均表现出较低的数值（图S2a、c、e），而在顶部树冠则表现出较高的数值（图S2b、d、f）。相反，WR处理在基部树冠始终显示出最高的数值（图S2a、c、e），而在顶部树冠则显示出较低的数值（图S2b、d、f）。

在冰雹暴发生前后监测树冠结构，使我们能够记录到树冠结构的变化（图6）。冰雹暴导致整个葡萄园的基部树冠在体积（图6a）、投影面积（图6b）和表面积（图6c）方面都有所减少。基部树冠的体积减少了11.2%（从0.331立方米减少到0.293立方米）（图6d），投影面积减少了7.2%（从0.737平方米减少到0.683平方米）（图6e），而表面积未受到冰雹暴的影响（仅减少了0.1%）（图6f）。基于这些数据建立的贝叶斯层次模型以95%的概率显示，基部树冠的体积减少了0.02至0.05立方米（图6g，表S2），投影面积减少了0.02至0.09平方米（图6h，表S2），表面积减少了0.09至0.11平方米（图6i，表S2）。在贝叶斯模型和OLS上计算的R2值相似（图6和表S3）。

图6的替代文本可能是使用AI生成的。全尺寸图像。

2023年7月24日在意大利乌迪内，冰雹暴发生前后对树冠顶部（a、b、c）和基部（d、e、f）进行了LiDAR测量（体积、投影面积和表面积）。黑点代表树冠参数的测量平均值，垂直线表示95%的置信区间。底部行显示了基部树冠参数的层次模型的后验分布：体积（g）（立方米）、基部投影面积（h）（平方米）和基部表面积（i）（平方米）。黑点代表树冠参数的测量平均值，不同置信区间的强度通过颜色差异来表示。

LiDAR测量显示，树冠顶部对浆果损伤没有直接影响（这一点通过LiDAR测量结果以及图7a、b、c中的报告得到证实）。回归分析的R2值接近零，角度系数也很小。然而，在树冠基部的所有LiDAR测量结果中，发现了浆果损伤与树冠损伤之间的明显关系（图7d、e、f）。与树冠顶部相比，R2值和角度系数更高，表明误差更小，观察结果之间的关联更强。对树冠基部的后验分析提供了这种关系的概率视角（图7g、h、i）。角度系数的95%置信区间表明，每株葡萄藤的基部树冠体积每增加0.250立方米，损伤减少了-2.07%至-32.60%（图7g，表S2）；基部投影面积每增加0.250平方米，损伤减少了-1.02%至-17.01%（图7h，表S2）；基部表面积每增加0.250平方米，损伤减少了-3.18%至+0.68%（图7i，表S2）。

图7的替代文本可能是使用AI生成的。全尺寸图像。

2023年7月24日冰雹暴发生前12小时，使用普通最小二乘（OLS）回归分析了每个果穗中受损浆果的比例与树冠LiDAR测量结果（体积、投影面积和表面积）之间的关系，测量位置分别在树冠的顶部（a、b、c）和基部（d、e、f）。回归线用黑色表示，95%的置信区间用灰色显示，线性方程和决定系数（R2）位于图的左下角。底部行显示了基部树冠参数的模型后验分布：体积（g）（立方米）、基部投影面积（h）（平方米）和基部表面积（i）（平方米）。黑点代表树冠参数的测量值，不同置信区间的强度通过颜色差异来表示。

冰雹暴前后树冠LiDAR测量结果的差异（Δ树冠）表明了冰雹后的树冠变化。正值（Δ树冠>0）表示冰雹后树冠值的增加，负值（Δ树冠<0）表示冰雹后树冠值的减少。如图6所示，冰雹导致树冠在体积和投影面积上收缩，这种变化在基部测量中更为明显。在顶部树冠的体积和投影面积中，浆果损伤与Δ树冠无关（图8a、b），而在顶部表面积中观察到弱正相关（图8c）。在基部树冠中，Δ树冠体积（图8d）和Δ树冠投影面积（图8e）对浆果损伤有负面影响。在基部表面积中，没有观察到浆果损伤与Δ树冠之间的明显关系（图8f）。后验分析以95%的概率表明，当基部体积因冰雹暴减少0.250立方米时，受损浆果的比例减少了-1.02%至-65.34%（图8g，表S2）。在基部投影面积中，这种趋势更为明显（图8h，表S2），减少了-11.74%至-12.06%，对应表面积减少了0.250平方米，而在基部表面积测量中则没有观察到明显趋势（图8i，表S2）。

图8的替代文本可能是使用AI生成的。全尺寸图像。

2023年7月24日冰雹暴发生前，使用普通最小二乘（OLS）分析了每个果穗中受损浆果的比例与树冠LiDAR测量结果（体积、投影面积和表面积）之间的差异（Δ树冠），测量位置分别在树冠的顶部（a、b、c）和基部（d、e、f）。第一行显示了树冠顶部的测量结果，第二行显示了基部的测量结果。回归线用黑色表示，95%的置信区间用灰色显示，线性方程和决定系数（R2）位于图的左下角。底部行显示了基部树冠参数的模型后验分布：体积（g）（立方米）、基部投影面积（h）（平方米）和基部表面积（i）（平方米）。黑点代表Δ树冠参数的测量值，不同置信区间的强度通过颜色差异来表示。

树冠管理对LiDAR测量的Δ树冠结果没有显著影响（图S3），这一点从非显著的ANOVA结果中可以看出（数据未显示）。然而，在基部树冠中，TR-L和WR处理导致Δ树冠体积和投影面积的组间均值差异更大（图S3a、S3c）。

**讨论**

**冰雹暴与葡萄栽培中的浆果损伤**

冰雹暴是欧洲葡萄栽培的主要灾害，尤其是在意大利北部地区，这些地区被认为是欧洲最易受影响的区域（Battaglioli等人，2023年）。尽管冰雹相关挑战的重要性显而易见，但关于冰雹对葡萄栽培损害的研究仍然非常有限。这种研究需求的增加可以归因于复制冰雹损害现象的难度以及冰雹事件的不可预测性。

我们实验葡萄园中多样的树冠管理方式展示了不同形状和特征，反映了在一般生产性葡萄园中可能观察到的各种情况。虽然我们感兴趣的是识别能够潜在减少浆果冰雹损害的树冠管理方法，但我们的研究旨在发现并测量哪些树冠特征导致了处理之间的显著差异，换句话说，什么是可靠的冰雹损害预测因子。

在我们的研究中，树冠损失的严重程度较为温和（约11%的体积减少），与Stafne和Carroll（2019年）模拟的极端落叶情景相比，后者中完全去除侧枝和果穗导致产量减少了19-81%。我们的较小影响表明，中等程度的冰雹事件可能不会引发同样的产量损失，特别是当作物具有减轻损失的结构性特征时。这与我们对Merlot Kanthus品种的观察结果一致，其中中等程度的叶片和浆果损失并未导致显著的产量减少。Petoumenou等人（2019年）在类似的气象条件下报告了鲜食葡萄品种的高浆果损伤，导致产量和果穗重量减少。当按平均果穗大小进行缩放时，我们的浆果损伤估计值（31.93%，约每果穗30-40颗浆果）与他们的发现相当。然而，与他们的结果不同，我们的产量基本保持不变。这种差异可能反映了品种特性：Merlot Kanthus的浆果较小且数量较多，因此可以通过未受损浆果的重量增加来部分补偿。这表明在损害建模和制定特定品种的干预阈值时，应考虑品种的形态和韧性。

**树冠结构与浆果损伤之间的关系**

先前的研究表明，LiDAR可以是评估冰雹损害的有效工具，但平台、时间和作物类型的差异会影响其应用和结果。例如，Vescovo等人（2016年）使用安装在无人机上的LiDAR在冰雹发生几周后估计了玉米的树冠减少情况，展示了该技术在监测方面的潜力。在我们的案例中，事件发生后立即进行的地面LiDAR测量捕捉到了再生前的树冠状况，生成了葡萄园行的详细侧向模型（Tiozzo Fasiolo等人，2023b）。这种较早的测量时间可以提供精确的损害评估，这对保险评估和事件后的管理决策具有实际意义。

LiDAR树冠测量结果显示，只有树冠的基部部分与浆果损伤有关。这一发现可以解释为冰雹通常伴随着强风（López等人，2007年），并且冰雹以一定的角度撞击物体（Mobasher等人，2022年）。因此，树冠的损伤通常在作物的迎风侧更为严重（Kim等人，2023年）。在2023年7月24日的条件下记录的风速表明，冰雹的冲击不是垂直的，因此葡萄藤的侧面受到了冰雹损害。基部树冠包含了葡萄果穗，靠近果穗的树冠结构保护了它们，与损伤减少直接相关。相反，树冠的顶部部分并没有直接保护浆果，因此与损伤无关。这些结果对于开发针对特定葡萄园的冰雹风险评估应用尤为重要，因为树冠在果穗层面的作用在防止损伤中起着主导作用。

损害减少与基部树冠的更大收缩有关，这是树冠结构和果穗位置的另一个后果。修剪树冠促进了树冠顶部侧枝的生长，因为去除了顶端优势；相反，在包裹枝条的情况下，通过保持枝条顶端，侧枝在基部部分的生长更为旺盛，因为IAA抑制芽萌发的激素信号较弱（France等人，2018年；Logan等人，2021年）。四种不同的树冠管理技术对树冠基部产生了不同的影响，其中TR-L处理的树冠LiDAR测量值最低，而WR处理的树冠LiDAR测量值最高。Poni和Giachino（2000年）的先前研究发现，同时进行侧枝修剪（TR-L）的葡萄藤的树冠叶面积显著减少。相比之下，带有侧枝的修剪植物（TR）或侧枝被移除后包裹树冠的植物（WR-L）能够更好地补偿这种损失。基部树冠结构更发达的葡萄藤虽然果实受损较少，但由于冰雹风暴的影响，树冠收缩程度（Δ canopy）更大。另一方面，基部树冠较少的管理策略可能导致树冠收缩程度较低，从而可能使葡萄串更容易受到冰雹的损害。这些数据看似矛盾，因为它们显示即使树冠受损严重，葡萄的损害程度却较低。解释这种动态对于未来类似模型的应用至关重要，因为简单地在冰雹事件前后评估树冠结构可能会导致误导性的结论。

在讨论冰雹损害和果实成熟时，考虑冰雹损害发生的时间非常重要。即使在果实成熟后期仅有少量的冰雹损害，也可能导致灰葡萄孢病的发生，从而影响果实的质量和产量（Nair等人，1988年），而在生长初期发生的损害则可能更容易被植物恢复（Gourieroux，2019年）。在我们观察到的事件中，葡萄藤处于转色前期（BBCH 77）。在这个阶段，果实受损会导致葡萄品质下降。此时，果实进入透明生长阶段，颜色开始变化，糖分开始积累。由于光合作用受限，这一阶段叶面积的减少会显著影响果实中的最终糖分浓度（Palliotti等人，2013年；Poni等人，2023年）。此外，在光合作用受限的情况下，葡萄藤可能会将更多的碳用于果实中的糖分积累，从而减少对葡萄和葡萄酒质量至关重要的次级代谢产物的产生（Bobeica等人，2015年）。最后，在这个阶段移除叶片会增加果实暴露在阳光下的时间，从而增加晒伤的风险（Vanderweide等人，2018年）。

我们的概率分析在这种情况下特别有优势，因为它可以描绘出可能的损害及其导致的价值损失的连续分布。最近，贝叶斯概率模型已被应用于瑞士建筑物的冰雹损害评估（Miralles & Davison，2024年），与保险公司传统使用的确定性函数相比，在捕捉极端损失方面表现更佳。这种概率方法提供了更现实的损害估计，因此对保险行业非常有价值。我们的研究强调了树冠结构如何调节冰雹的影响。所开发的模型根据植物特征提供潜在损害的估计，有助于校准保险方案并改进风险评估。在数据稀缺且难以复制的情境中，贝叶斯框架尤其有价值。此外，它允许整合先验知识，无论是来自之前的实验、现场经验还是相关研究，使我们的数据集能够为未来的研究提供有价值的信息，从而提高模型对类似冰雹事件的预测能力。此外，贝叶斯方法便于在新数据出现时更新模型估计，特别适用于这类不可重复的事件。这种累积学习过程使我们的数据集能够为未来的研究提供有价值的信息，提高模型对类似冰雹事件的预测能力和泛化能力。

在这项工作中，我们评估了冰雹对葡萄果实的损害与冰雹风暴后葡萄藤树冠收缩的光学检测和测距（LiDAR）传感器测量结果之间的关系。LiDAR数据是在意大利乌迪内的一次冰雹风暴前后收集的，提供了风暴前后树冠健康的精确信息。冰雹前的树冠LiDAR测量值与果实受损呈负相关，而树冠的顶端部分与果实受损无关。此外，基部树冠的收缩与果实受损呈负相关，而顶端部分的关联较弱。这些结果表明，靠近果实的树冠部分减轻了冰雹的影响，从而减少了损害并增加了树冠收缩。针对树冠顶端部分的管理措施，如修剪和包裹，在预防冰雹损害方面的效果有限。

与频率主义解释不同，频率主义将概率理解为事件的重复观察，并将参数视为固定但未知的，我们研究中采用的贝叶斯方法允许将结果表示为参数本身的概率。这为我们提供了一个更直观和易于解释的框架，同时也自然地以连续的概率形式表达了不确定性。我们的发现表明，在我们的条件下，每株植物基部树冠体积减少0.250立方米，果实受损增加5.0%至30.4%（概率为90%）。此外，我们对冰雹风暴导致的树冠收缩的估计表明，基部体积减少了0.02至0.05立方米，投影面积减少了0.02至0.09平方米（置信度为95%）。与文献中的先前研究相比，我们的数据为这一鲜有研究的课题提供了宝贵的现场信息：（i）使用LiDAR传感器在冰雹风暴前几小时精确监测树冠状态；（ii）冰雹对树冠结构的影响；（iii）果实受损与树冠LiDAR测量结果之间的关系。此外，我们采用的一些测量方法中的贝叶斯统计方法强调了整合现有知识的机会，这在数据有限的情境中特别有益。这些结果可能有助于农民和保险公司评估冰雹损害的风险并估计损害范围。未来的研究可以利用我们的估计来准确预测即将发生的事件。