一项综述发现葡萄园无人机模型跨季节表现不稳定

一篇发表于《Computers and Electronics in Agriculture》的新综述称，无人机遥感正逐步接近成为葡萄园的实用工具，但研究人员表示，重大的技术和操作问题仍然阻碍其在葡萄园中的更广泛应用。

该论文《From growth monitoring to berry quality prediction: Advances and challenges in UAV remote sensing for precision viticulture》由Jinyu Yang、Mengyuan Wei及其同事撰写。论文回顾了过去大约十年来，无人机、机载传感器和人工智能方法如何被用于葡萄园，以及当种植者需要在不同季节、不同地点和不同葡萄品种之间做出可靠决策时，这一领域仍在哪些方面力有未逮。

随着葡萄酒生产者面临越来越大的压力，需要更紧密地监测田间情况，这篇综述应运而生。根据文中援引的国际葡萄与葡萄酒组织（OIV）数据，2024年全球葡萄园面积达到710万公顷，葡萄酒产量为2.258亿百升。葡萄藤对气候、水分供应、病虫害和管理措施都极为敏感，因此及时的田间信息对产量和果实质量都很重要。

作者认为，无人机之所以具有吸引力，是因为它们填补了田间巡查与卫星成像之间的空白。传统田间检查虽然准确，但劳动密集且覆盖范围有限。卫星系统能够收集广域区域数据，但往往缺乏葡萄园地块所需的分辨率和灵活性，尤其是在种植者需要在特定时点或在天气变化条件下获取图像时。低空飞行的无人机能够更快捕获高分辨率数据，而且拍摄角度更符合葡萄园行列和冠层结构。

综述描述了当前葡萄园如何借助搭载RGB、多光谱、高光谱、热红外和LiDAR传感器的无人机进行测绘。这些系统可生成正射镶嵌影像、温度图、植被指数和三维点云。研究人员已将这些输出用于养分评估、生长和长势制图、病虫害检测、水分胁迫监测、产量估算，以及在采收前预测浆果质量的尝试。

论文将浆果质量预测视为该领域最不成熟的方向之一。作者指出，浆果质量是一个受生理、生化、品种、生长阶段、小气候、土壤和葡萄园管理共同影响的高维结果。由于这种复杂性，在一个葡萄园或一个季节表现良好的模型，换到其他地方往往就不再可靠。综述称，这种较弱的可迁移性仍是实际应用面临的最大障碍之一。

研究还指出，利用深度学习进行病害检测和浆果监测是当前的研究热点。计算能力的提升和开源软件的发展，已推动葡萄园分析从简单的统计回归转向机器学习和深度学习系统，这些系统能够从图像和传感器数据中提取更多特征。在某些情况下，这提升了预测准确性。但作者表示，如果模型难以解释、运行成本高，或在不同田间条件下过于脆弱，那么仅有准确率还不够。

为完成这篇综述，研究人员使用包括UAV、drone、grapevine、vineyard和viticulture在内的术语检索了Web of Science数据库。随后，他们评估了涵盖硬件、预处理、冠层分割、特征工程和建模方法的研究。论文引用了105篇参考文献，并将既有工作归纳为六个主要应用方向：营养状况监测、生长和长势监测、病虫害检测、水分胁迫监测、产量预测和浆果质量评估。

其中一个核心发现是，葡萄园条件会给图像分析带来特殊问题。与一些覆盖更均匀的行作物不同，葡萄园往往包含不连续的冠层、裸露土壤、行间杂草、不平整地形和强烈阴影。如果软件无法可靠地区分葡萄藤冠层与背景，这些因素就会污染光谱和热信号。综述称，这一问题会影响分析过程中的几乎每一个后续步骤，从植被指数到机器学习预测都不例外。

作者还指出，葡萄园管理本身也会使模型失稳。修剪、疏梢、去叶和冠层整形等做法会迅速改变葡萄藤结构和反射特性。即便在同一地块内，训练于某一管理阶段图像上的模型，在经历不同干预后也可能失去准确性。这使得可重复的飞行规划和充分考虑冠层特征的数据采集，对于多时相监测尤为重要。

成本和物流仍是另一大障碍。高分辨率影像、热数据和三维产品需要大量数据存储和计算资源。更先进的传感器，包括高光谱设备和LiDAR，能够提升所采集信息的细节和类型，但也会提高系统成本和处理需求。综述称，这可能限制采用，尤其是在种植者被要求运行复杂工作流程，或为尚未带来稳定经济回报的系统付费时。

论文还对研究评估方式提出担忧。作者指出，许多已发表结果过度关注单一地点内的高性能，而较少报告模型在不同年份、地区或葡萄品种上的表现。这可能会让人对其商业应用准备程度产生过于乐观的印象。综述呼吁更透明地报告数据获取、预处理、冠层处理和验证设计，以便不同研究之间可以相互比较。

在评估传感器和平台时，作者称，多旋翼无人机在葡萄园研究中占据主导地位，因为它们更灵活、更易于在低空操作，也适合对特定地块重复飞行。光谱传感器仍然尤为重要，但综述认为下一步并不只是增加更多数据。相反，该领域最能受益的，可能是更好地整合随时间采集的多种数据类型，例如把光谱、热红外和结构信息结合起来，以提高鲁棒性。

综述还称，可解释性需要更多关注。数据驱动系统可以识别有用模式，但种植者和农艺师在调整灌溉、喷药或采收计划之前，往往需要知道模型为何得出某个结果。作者指出，辐射传输模型和作物模型是让预测更易解释的一种方式，尤其是在与机器学习方法结合、而不是被视为竞争路径时。

论文的另一条主线是标准化。作者表示，飞行高度、传感器校准、光照条件、采集时机、图像校正和模型测试上的差异，即使研究人员看似在研究同一个问题，也可能导致相互矛盾的结果。他们认为，如果无人机感知要从试验地块走向葡萄园日常管理，该领域就需要更一致的数据获取和评估流程。

综述列出了未来工作的若干重点。其中包括多时相和多模态数据融合、用于提升跨地点泛化能力的迁移学习和领域自适应、面向小数据集的定向数据增强或合成样本生成，以及配合低成本传感器的轻量级模型开发。作者认为，这些步骤有望使基于无人机的葡萄园监测更适合大规模应用，而不只是局限于实验或专业化作业的工具。

论文并未将无人机感知视为取代所有其他监测方式的手段，而是认为，当其被用于快速、无损地绘制葡萄园内部差异时，其价值正在不断提升。其核心信息是，这项技术已经从早期的图像采集发展到更细致的作物监测，但在种植者能够将其可靠用于灌溉、病害防控、采收时机和果实质量管理等日常决策之前，工作流程的关键环节仍需变得更稳定、更便宜，也更容易在不同葡萄园环境之间迁移。