基于UAV的深度学习分割评估对比气候条件下苹果开花空间变异性

《Smart Agricultural Technology》：UAV-based assessment of spatial variability in apple flowering under contrasting climatic conditions using deep learning segmentation

　　

苹果开花强烈影响温带果园的坐果和产量。然而，测量异质果园中开花强度的空间变异性仍然困难。在印度西北喜马拉雅地区，冬季寒冷和春季温度的变化正在改变开花模式。这使得可靠的开花监测对果园管理越来越重要。在本研究中，研究人员整合了UAV（无人机）影像、深度学习（deep learning）和基于气候的物候指标（phenological metrics），以量化印度喜马偕尔邦不同海拔三个苹果果园的开花变异性。开花期间收集的UAV图像使用YOLOv8实例分割模型进行分析以检测花朵。在独立测试数据集上，该模型达到了F1分数（F1-score）73.6%和mAP@0.5（平均精度均值@0.5）76.3%。从模型得出的单树花朵计数与134棵树的人工计数显示出强烈一致性（R²=0.88）。这证实了该工作流程可靠地估计开花强度。为进一步评估分割鲁棒性，研究人员实施了Mask R-CNN模型作为比较方法。该模型实现了精确率（precision）0.6288，召回率（recall）0.8902，F1分数（F1-score）0.7370，平均交并比（mean IoU）0.7596，表明检测灵敏度更高但在密集冠层条件下假阳性增加。使用冷量单位（chill portions, CP）和生长度日（growing degree days, GDD）的气候分析揭示了果园间明显的物候差异。较高海拔地点在UAV获取时处于盛花期。相比之下，较低海拔果园已进入花瓣脱落阶段。因此，这些地点可见的花朵较少。这些发现表明，结合基于UAV的花朵检测与冷量和热量指标有助于解释空间开花模式。比较评估进一步强调了模型特定的检测行为如何影响从UAV影像得出的开花估计。该方法可支持气候适应性果园管理，并改善山地水果系统的物候监测。

**研究背景与问题**
苹果（*Malus domestica* Borkh.）是温带最重要的水果作物，全球产量超过9500万吨（2023年）。印度西北喜马拉雅地区贡献了全国85%以上的苹果产量，但过去二十年产量停滞甚至下降，同时暖冬、春季异常降雨等气候不确定性加剧。传统开花监测依赖人工目视评分或簇计数，耗时费力且难以覆盖大面积异质果园，无法捕捉空间变异。近年来，无人机（UAV）搭载RGB相机结合深度学习（deep learning）为高通量开花评估提供了可能，但现有研究多基于简单颜色指数或区块级估算，缺乏与气候驱动因子的关联，且针对小目标、密集簇生苹果花朵的实例分割模型比较不足。为此，该论文发表在《Smart Agricultural Technology》上，旨在整合UAV高分辨率影像、深度学习分割与气候物候指标，量化喜马拉雅山区不同海拔苹果园的开花变异性，并解释其气候驱动机制。

**主要技术方法**
研究人员采用以下关键技术：①UAV遥感影像获取，使用DJI Mini 3无人机（RGB相机，12MP，飞行高度10–15 m，地面采样距离0.4–0.6 cm/pixel）于2025年4月8–10日采集三个苹果园（印度喜马偕尔邦Jagatsukh 1867 m、Chinjra 1368 m、Chansari 1432 m）的树冠正射影像，图像经512×512像素分块预处理（50%重叠）。②深度学习分割模型，主要采用YOLOv8-seg（You Only Look Once version 8）实例分割模型，并以Mask R-CNN（Mask Region-based Convolutional Neural Network）和U-Net作为对比，在COCO预训练权重基础上微调，训练/验证/测试集按70%/15%/15%划分。③气候指标计算，基于ERA5-Land再分析小时气温数据，采用Dynamic Model计算冷量单位（chill portions, CP）（2024年10月至2025年2月），采用单正弦法（基温4°C）计算生长度日（growing degree days, GDD）（2025年3月至4月10日）。④验证分析，将YOLO-derived花朵计数与134棵人工标注树进行线性回归（R²）和Bland-Altman一致性检验。

**研究结果**
3.1 UAV Image Segmentation Performance（UAV图像分割性能）
通过比较三种分割模型在独立测试集上的表现，YOLOv8-seg达到精确率0.776、召回率0.700、F1分数0.736、mAP@0.5为0.763、mAP@0.5–0.95为0.336；Mask R-CNN召回率更高（0.890）但精确率较低（0.628），F1分数0.737；U-Net性能较低（F1分数0.581）。这表明YOLOv8-seg在准确性与效率间取得最佳平衡。

3.2 Agreement with Manual Counts（与人工计数的一致性）
将YOLO-derived单树花朵计数与134棵人工计数对比，线性回归决定系数R²=0.88，Bland-Altman分析显示平均偏差34.91朵，95%一致性界限为-107.63至177.45朵，说明模型在树级水平上可靠估计开花强度，仅在极高密度或稀疏冠层中有轻微偏差。

3.3 Spatial Variability of Flowering Intensity Across Orchard Sites（果园间开花强度的空间变异性）
三个果园开花强度差异显著：Jagatsukh（最高海拔1867 m）中位花朵数约290朵/树，分布右偏，部分树超过500朵；Chinjra（1368 m）中位约160朵；Chansari（1432 m）中位仅约60朵。田间观察确认Jagatsukh处于盛花期，而Chinjra和Chansari已进入早期花瓣脱落阶段，导致可见花朵数减少。

3.4 Climatic Drivers of Flowering: Chill Portions (CP) and Growing Degree Days (GDD)（开花气候驱动因子：冷量单位与生长度日）
冬季冷量累积方面，Chinjra（约93 CP）>Chansari（约83 CP）>Jagatsukh（约53 CP）；春季热量累积方面，Chansari（约300 GDD）>Chinjra（约180 GDD）>Jagatsukh（约10–15 GDD）。Jagatsukh尽管冷量最低，但春季热量积累极少，导致物候延迟，在UAV采集时恰好处于盛花期；而中低海拔果园热量积累多，加速物候进程，提前进入花瓣脱落阶段。这表明开花强度的空间变异主要由冷量与热量的交互作用驱动。

**讨论与结论**
讨论部分指出，本研究成功将UAV高分辨率影像、深度学习分割和气候指标耦合，在树级水平上量化开花强度，并解释其空间变异。YOLOv8-seg与人工计数高度一致（R²=0.88），支持其在早期监测、疏果决策和授粉规划中的应用。与Mask R-CNN相比，YOLOv8-seg提供了更平衡的精确率与召回率，避免了过度检测；U-Net因语义分割局限性在密集树冠中表现不佳。气候分析进一步证实，冷量（CP）与热量（GDD）的交互作用决定了不同海拔果园的物候阶段，进而影响UAV定时观测到的花朵数量。研究局限性包括单季数据、RGB光照敏感性以及未考虑霜冻、降水、砧木效应等因素。未来需多季验证，并引入多光谱或高光谱数据提升稳健性。
结论部分翻译：本研究证明，深度学习分割、UAV影像和气候指标可有效结合，用于评估喜马拉雅苹果园树级开花强度。在评估的模型中，YOLOv8-seg表现出最佳综合性能，F1分数73.6%，mAP@0.5为76.3%，并与人工花朵计数高度一致（R²=0.88）。该框架成功量化了不同开花阶段果园的开花强度，而冷量单位（CP）和生长度日（GDD）的整合为空间开花变异性的气候驱动因素提供了宝贵见解。多种分割方法的比较评估进一步凸显了模型选择在UAV表型分析中的重要性，YOLOv8-seg提供了更平衡可靠的花朵计数表征，支持其适用于树级开花评估。该框架为早期开花评估、比较性果园监测和气候知情决策提供了实用工具，可支持喜马偕尔邦、克什米尔及其他喜马拉雅苹果产区的果农、推广人员和研究人员。随着喜马拉雅地区气候变异性持续加剧，结合UAV表型分析与气候指标的综合数据驱动方法对于监测物候变化和指导适应性管理策略将日益重要。将该方法推广至多年份、多品种及更多光谱传感器，可进一步增强其对气候韧性苹果生产的实用价值。