研究背景
全球人口持续增长对粮食安全提出了严峻挑战。果树是全球食物供应体系的重要组成部分，其产量与品质在很大程度上取决于树体营养状况。然而，传统叶片营养分析依赖复杂的样品前处理和实验室化学测定，通常耗时较长、成本较高；人工估产同样劳动投入大，且难以在生育早期为采收安排和采后物流规划提供及时依据。高光谱成像能够捕捉叶片在可见光—近红外波段的细微光谱差异，为快速评估果树营养状态和提前预测产量提供了新的技术路径。
基于此，格里菲斯大学Shahla Hosseini Bai团队联合维多利亚大学等机构，以澳大利亚商业果园中的“Hass”鳄梨为研究对象，系统比较田间与实验室条件下不同高光谱成像方式，并结合叶片养分测定和单株产量调查建立预测模型。研究结果为鳄梨园精准施肥、早期估产以及采收与采后资源配置提供了重要参考。相关成果发表于期刊《Precision Agriculture》。
图1.拍摄鳄梨高光谱图像：（a）使用手持相机拍摄树冠或树上的单片叶子；（b）使用手持相机拍摄果园中摘下的单片叶子；（c）在实验室中，使用固定式手持相机和台式相机拍摄单片叶子。
研究方法
研究在澳大利亚昆士兰州一处商业化鳄梨园开展，共选取60株8年生“Hass”鳄梨树作为研究对象，并在开花期、幼果形成期、果实发育期和果实成熟期4个关键物候阶段进行连续采样与观测；
研究采用手持式和台式两套高光谱成像系统，其中台式系统选择Resonon Pika XC2。设置5种成像方式：田间冠层成像、田间在树单叶成像、田间离树单叶成像、实验室手持单叶成像和实验室台式单叶成像，共采集1200幅高光谱图像；
光谱参数：
光谱范围：400~1000 nm；
光谱分辨率：1.9 nm；
空间通道数：1600；
光谱通道数：447；
监测指标：测定C、N、P、K、Ca、Al、B、Cu、Fe、Mg、Mn、Na、S和Zn等14种叶面元素浓度，同时调查单株产量，并进一步划分为低产、中产和高产等级；
数据分析：通过光谱预处理、偏最小二乘回归(PLSR)和机器学习分类建立养分与产量预测模型，并以独立测试集的R²、RMSE、RPD、准确率和F1值评价模型性能；
图2.图 (a–d) 和 (e–h) 分别展示了使用高光谱图像测量的鳄梨叶片中N和P浓度的实测值与预测值。
图3.图 (a–d) 和 (e–h) 分别展示了使用高光谱图像测量的鳄梨叶片中K和Ca浓度的实测值与预测值。
图4.图 (a, b) 和 (c, d) 分别展示了使用手持相机在果园中拍摄的单片鳄梨叶片（a、c、e、g）以及使用台式相机在实验室中拍摄的单片叶片（b、d、f、h）的高光谱图像，构建的最佳拟合PLSR模型预测鳄梨叶片中N、P、K和Ca浓度的β系数。
表1.利用在田间或实验室中，采用五种成像方法，在授粉和果实发育期四个不同时间点采集的光谱数据，对PLSR模型进行预测，以评估其对哈斯鳄梨产量（kg/株）的影响。
表2.利用果实成熟期采集的叶片高光谱图像，对哈斯鳄梨树产量等级进行分类模型预测的性能。
研究结果
（1）Ca在叶片中分布相对稳定，实验室台式成像又能有效降低光照与环境干扰，因此其Ca含量定量精度最高；
（2）N、P、K与叶绿素及可溶性化合物联系紧密，田间离体成像能较好保留其原生生化光谱特征，因此预测效果更佳；
（3）树上原位和冠层成像易受光照、叶片姿态、背景及拍摄角度干扰，导致养分信号被光谱噪声削弱；
（4）冠层高光谱可在幼果期提前约6个月捕捉最终产量信息，且随果实发育推进，模型预测稳定性持续增强；
（5）台式叶片成像在幼果形成期、果实发育期和成熟期均可预测产量；
（6）在产量等级分类任务中，KNN模型表现最佳；
结语
该研究结果显示，不同养分的光谱响应和适宜成像条件存在差异，冠层及单叶光谱则能够在果实发育早期获取与最终产量相关的信息。未来，可进一步从扩大多果园、多季节和多品种样本，优化原位冠层成像及光照、背景校正方法，提升模型的外部验证能力与高产类别识别精度，以及融合气象、土壤和物候等多源数据等方面开展研究，从而推动高光谱技术在果园精准管理中的规模化应用。
发表期刊：Precision Agriculture【影响因子：7.6】
研究单位：格里菲斯大学、维多利亚大学等
研究地点：澳大利亚昆士兰州的一处商业鳄梨园
使用设备：Resonon Pika XC2高光谱成像仪
DOI：https://doi.org/10.1007/s11119-026-10401-1