研究背景

全球人口持續增長對糧食安全提出了嚴峻挑戰。果樹是全球食物供應體系的重要組成部分，其產量與品質在很大程度上取決于樹體營養狀況。然而，傳統葉片營養分析依賴復雜的樣品前處理和實驗室化學測定，通常耗時較長、成本較高；人工估產同樣勞動投入大，且難以在生育早期為采收安排和采后物流規劃提供及時依據。高光譜成像能夠捕捉葉片在可見光—近紅外波段的細微光譜差異，為快速評估果樹營養狀態和提前預測產量提供了新的技術路徑。

基于此，格里菲斯大學Shahla Hosseini Bai團隊聯合維多利亞大學等機構，以澳大利亞商業果園中的“Hass”鱷梨為研究對象，系統比較田間與實驗室條件下不同高光譜成像方式，并結合葉片養分測定和單株產量調查建立預測模型。研究結果為鱷梨園精準施肥、早期估產以及采收與采后資源配置提供了重要參考。相關成果發表于期刊《Precision Agriculture》。

圖1.拍攝鱷梨高光譜圖像：（a）使用手持相機拍攝樹冠或樹上的單片葉子；（b）使用手持相機拍攝果園中摘下的單片葉子；（c）在實驗室中，使用固定式手持相機和臺式相機拍攝單片葉子。

研究方法

研究在澳大利亞昆士蘭州一處商業化鱷梨園開展，共選取60株8年生“Hass”鱷梨樹作為研究對象，并在開花期、幼果形成期、果實發育期和果實成熟期4個關鍵物候階段進行連續采樣與觀測；

研究采用手持式和臺式兩套高光譜成像系統，其中臺式系統選擇Resonon Pika XC2。設置5種成像方式：田間冠層成像、田間在樹單葉成像、田間離樹單葉成像、實驗室手持單葉成像和實驗室臺式單葉成像，共采集1200幅高光譜圖像；

光譜參數：

光譜范圍：400~1000 nm；

光譜分辨率：1.9 nm；

空間通道數：1600；

光譜通道數：447；

監測指標：測定C、N、P、K、Ca、Al、B、Cu、Fe、Mg、Mn、Na、S和Zn等14種葉面元素濃度，同時調查單株產量，并進一步劃分為低產、中產和高產等級；

數據分析：通過光譜預處理、偏最小二乘回歸(PLSR)和機器學習分類建立養分與產量預測模型，并以獨立測試集的R²、RMSE、RPD、準確率和F1值評價模型性能；

圖2.圖 (a–d) 和 (e–h) 分別展示了使用高光譜圖像測量的鱷梨葉片中N和P濃度的實測值與預測值。

圖3.圖 (a–d) 和 (e–h) 分別展示了使用高光譜圖像測量的鱷梨葉片中K和Ca濃度的實測值與預測值。

圖4.圖 (a, b) 和 (c, d) 分別展示了使用手持相機在果園中拍攝的單片鱷梨葉片（a、c、e、g）以及使用臺式相機在實驗室中拍攝的單片葉片（b、d、f、h）的高光譜圖像，構建的最佳擬合PLSR模型預測鱷梨葉片中N、P、K和Ca濃度的β系數。

表1.利用在田間或實驗室中，采用五種成像方法，在授粉和果實發育期四個不同時間點采集的光譜數據，對PLSR模型進行預測，以評估其對哈斯鱷梨產量（kg/株）的影響。

表2.利用果實成熟期采集的葉片高光譜圖像，對哈斯鱷梨樹產量等級進行分類模型預測的性能。

研究結果

（1）Ca在葉片中分布相對穩定，實驗室臺式成像又能有效降低光照與環境干擾，因此其Ca含量定量精度最高；

（2）N、P、K與葉綠素及可溶性化合物聯系緊密，田間離體成像能較好保留其原生生化光譜特征，因此預測效果更佳；

（3）樹上原位和冠層成像易受光照、葉片姿態、背景及拍攝角度干擾，導致養分信號被光譜噪聲削弱；

（4）冠層高光譜可在幼果期提前約6個月捕捉最終產量信息，且隨果實發育推進，模型預測穩定性持續增強；

（5）臺式葉片成像在幼果形成期、果實發育期和成熟期均可預測產量；

（6）在產量等級分類任務中，KNN模型表現最佳；

結語

該研究結果顯示，不同養分的光譜響應和適宜成像條件存在差異，冠層及單葉光譜則能夠在果實發育早期獲取與最終產量相關的信息。未來，可進一步從擴大多果園、多季節和多品種樣本，優化原位冠層成像及光照、背景校正方法，提升模型的外部驗證能力與高產類別識別精度，以及融合氣象、土壤和物候等多源數據等方面開展研究，從而推動高光譜技術在果園精準管理中的規模化應用。

發表期刊：Precision Agriculture【影響因子：7.6】

研究單位：格里菲斯大學、維多利亞大學等

研究地點：澳大利亞昆士蘭州的一處商業鱷梨園

使用設備：Resonon Pika XC2高光譜成像儀

DOI：https://doi.org/10.1007/s11119-026-10401-1