综述：利用多模态数据融合和机器学习塑造柑橘产量预测的未来：一项系统综述

《Computers and Electronics in Agriculture》：Shaping the future of citrus yield prediction with multimodal data fusion and machine learning: a systematic review

　　•首次系统性地回顾了利用人工智能和传感技术进行柑橘产量预测的研究。•综合了输入特征、数据平台、模型以及与产量相关的方法。•识别了短期、中期和长期预测中的关键趋势和关键差距。•强调了多模态数据融合以及可解释的、基于生物学的AI技术。•提供了通往可扩展、可转移和可操作预测系统的路线图。

引言
柑橘是全球最重要的经济作物之一，由于其直接关系到果园管理、采收物流和市场规划，因此精确的产量预测受到了越来越多的关注（Trentin等人，2024年）。可靠的产量预测有助于优化资源配置，指导施肥和灌溉策略，并减少供应链中的不确定性。传统上，柑橘产量的估计依赖于手动和基于经验的方法，如果实采样、树冠体积测量或种植者的直觉。例如，在佛罗里达州和其他主要柑橘生产区，一种常见的做法是从田间选择一小部分具有代表性的树木，这些树木通常被分为小型、中型和大型（Vijayakumar等人，2023年）。种植者（或咨询公司）在这些采样树木上收获所有尚未成熟的果实，然后利用树木大小分布的历史库存数据来推断整个果园的产量。尽管这种方法简单且被广泛采用，但它存在几个缺点。首先，需要收获未成熟的果实会导致不必要的作物损失，从而减少潜在利润。在佛罗里达州，这种情况尤为严重，因为黄龙病（HLB或柑橘绿化病）已经对该州造成了十多年的严重影响，使得每一单位的产量都变得非常宝贵（Tang等人，2020年）。其次，树木之间的固有差异可能导致从少量树木样本推广到整个果园时出现较大的抽样误差。最后，这些传统方法无法提供关于田间产量分布的及时或空间详细的见解，限制了其在精确果园管理中的实用性。这些限制凸显了开发能够以更高精度和效率在树木、区块和果园尺度上预测柑橘产量的自动化、数据驱动方法的需求。传感技术、机器学习和地理空间分析的进步现在为开发能够克服传统方法缺点的强大预测框架提供了新的机会。

与小麦、玉米或大豆等一年生作物不同，柑橘和其他多年生果树作物的寿命较长，其生长、结果和产量潜力受到环境、管理和压力多年累积效应的影响。单个树木在树冠大小、果实分布和健康状况方面存在很大差异，因此产量预测需要考虑从单个树木到整个区块的多尺度特征。在多年生果树作物中，苹果产量预测受到了大量研究关注，这得益于相对均匀的树冠结构和成熟的疏果技术（Cheng等人，2017年）。然而，将这种方法转移到柑橘上受到柑橘对生物胁迫的更大敏感性和更不规则树冠几何形状的限制。芒果与柑橘一样容易受到病害的影响，并且开花不规律，但其结果表现更为明显，同时对高密度传感系统的适应性较低（Torgbor等人，2023年）。橄榄产量预测主要依赖于利用多年温度记录的气候驱动模型（Ramos等人，2025年），这些模型在一定程度上可以用于长期柑橘预测，但对于需要果实级别传感的短期和中期预测来说则不够充分。在这些作物中，可转移的见解包括多年训练数据集的价值、基于树木级别的建模而非田间级别的建模，以及使用无人机获取的树冠指标作为产量代理。

柑橘特有的挑战进一步使其与其他果树作物区分开来，并需要专门的预测方法。两年一次的结果模式（Nawaz等人，2020年）和多年累积的影响引入了单季模型无法捕捉的时间依赖性。更关键的是，柑橘产量对生物胁迫（如黄龙病、柑橘溃疡病和柑橘叶miner）非常敏感，这些病害对结果和生产率有毁灭性影响（Abdulridha等人，2019年），而黄龙病或极端天气事件引起的果实脱落可能在收获前几周内就导致大量产量损失。因此，需要精细的数据采集技术，包括地面和空中的RGB、多光谱、高光谱、热成像和LiDAR传感，树冠体积、果实计数和营养状况是模型的重要输入。尽管计算机视觉的进步使得早期胁迫检测成为可能（da Cunha等人，2024年；Hariharan等人，2023年），但将其整合到综合产量预测框架中的程度仍然有限。

虽然已有几项研究推进了作物产量预测，但没有一项专门针对柑橘的研究进行综合分析。如表1所总结的，现有的综述要么涵盖了多种作物而没有聚焦于柑橘（Van Klompenburg等人，2020年；Muruganantham等人，2022年；Jabed和Murad，2024年），要么涉及多种果树作物而没有将柑橘作为一个独立案例（He等人，2022年；Trentin等人，2024年）；它们都没有讨论预测时间、生物胁迫或柑橘特有的生物特征。这一差距变得越来越重要：在过去五年中，无人机平台、多模态传感和基于AI的建模的进步使得柑橘产量预测达到了一个阶段，在这个阶段，系统性的综合分析和标准化框架不仅是可能的，而且对于防止该领域的继续分散是必要的。为了填补这一空白，本综述系统地组织和分析了柑橘产量预测的相关文献，主要围绕四个研究类别进行：（i）与产量相关的输入特征，（ii）数据采集和特征提取方法，（iii）产量预测模型，以及（iv）其他与产量相关的方法，如监测、估计和测量。据我们所知，这是首次系统性地专门针对柑橘的综述，填补了文献中的一个关键空白，并为开发更精确、可扩展和更具韧性的产量预测框架奠定了基础，以满足柑橘行业的迫切需求。

在继续之前，有必要区分本综述中使用的四个相关但不同的概念。产量预测是指使用统计或机器学习模型在生长早期或中期阶段预测未来的产量。产量估计是指根据当前可观察数据（如果实计数或树冠指数）来评估预期的产量。产量监测涉及随时间持续观察作物发育情况，而产量测量则提供实际收获的产量作为真实值。本综述主要关注产量预测，而估计、监测和测量在第3节中作为补充方法进行讨论。

### 文献选择方法
在Scopus数据库中进行了系统搜索，限于2005年至2026年期间的农业、工程和计算机科学领域的出版物，使用结合了柑橘作物类型、产量相关术语以及传感或机器学习技术的关键词。初步搜索得到了1,007篇文章，其中273篇被选为高度相关的研究。基于三个标准对这些研究进行了综合：数据集规模（树木数量、季节或果园数量）。

### 相关方法：产量估计、监测和测量
虽然本综述主要关注产量预测，但此处简要总结了三个相关概念以便完整性。表2提供了代表性的示例。

### 柑橘产量预测的输入特征
准确的产量预测严重依赖于输入特征的选择，这些特征不仅需要在尺度上可测量，而且要与产量结果有意义地相关。尽管许多研究探讨了生物特性和环境因素对柑橘产量的影响，但其中许多发现尚未被纳入现有的预测框架中。这种脱节部分是因为植物和农业科学家及工程师通常在不同的领域工作。

### 数据采集和特征提取
将第4节描述的输入特征转换为可用的模型输入需要可靠的数据采集和特征提取流程。虽然手动测量仍然是基线方法，但它们劳动密集、速度慢且容易受到观察者偏差的影响，这正是推动采用包括RGB、多光谱、高光谱、热成像和LiDAR在内的成像和传感技术，以及结合计算机视觉和3D重建方法的原因。

### 产量预测方法
基于第4节和第5节中的输入特征和提取方法，本节探讨了不同建模方法如何利用这些输入来生成产量预测。研究按预测范围（短期、中期和长期）进行组织，反映了数据需求、模型架构和操作实用性的根本差异。

### 技术准备度和部署分析
虽然前几节主要从预测准确性角度评估了传感和建模方法，但商业部署取决于更广泛的实际约束条件。为了明确这一点，我们使用技术准备度水平（TRL）框架（Mankins，1995年）对主要传感和建模范式进行了评估，从五个与部署相关的维度进行评估：采集成本、注释负担、可扩展性、鲁棒性和可转移性以及种植者的采用潜力（表9）。

### 讨论
尽管在柑橘产量预测方面取得了显著进展，但仍存在几个关键差距。除了第6节中探讨的方法论限制外，另一个更根本的挑战是数据驱动模型中的假设与柑橘生产的生物学现实之间的不匹配。大多数基于AI的产量预测模型隐含地假设产量是在单个季节内可观察输入的稳定函数，这一假设与多项文献记录的情况相矛盾。

### 扩展输入特征空间
扩大输入特征空间，超越目前对果实计数、树冠大小和植被指数的依赖仍然是一个优先事项。纳入生理指标、土壤-植物-大气相互作用和量化的管理变量对于构建更具泛化能力的模型至关重要。结合光谱、结构、气候和生化特征的多模态数据融合具有巨大潜力，但需要仔细的特征工程以避免冗余。

### 结论
本综述综合了当前柑橘产量预测在四个维度的现状：输入特征、数据采集和特征提取、预测方法以及补充的与产量相关的方法。主要发现是，尽管该领域已经取得了实质性进展，从简单的回归模型到多模态深度学习框架，但大多数研究仍然局限于一组易于测量的指标，主要是果实计数、树冠大小和植被指数。