利用无人机多传感器和气象数据模拟扁桃果园季节性水分状况并预测产量

有效监测植物水分状况（PWS）对于优化商业果园灌溉和维持生产力至关重要。茎水势（SWP）和树干生长速率（TGR）是水分胁迫的可靠指标；然而，耗费人力的测量方法限制了其应用。本研究通过整合基于无人机的多传感器图像与气象及灌溉数据，开发并验证了一个可扩展的框架，用于模拟扁桃果园SWP和TGR的季节性动态并预测产量。在两个生长季（2022–2023年）期间，采集了60棵树的多光谱、热成像和LiDAR数据，以及生理和环境测量数据。Random Forest模型取得了较高的预测精度，包括在独立测试集中表现出的稳健性能（Plot A：SWP的R² = 0.79，TGR的R² = 0.78，产量的R² = 0.87），证明了其在不同果园地块间具有很强的泛化能力。冠层温度、红边植被指数和作物水分胁迫指数是SWP的关键预测因子，而灌溉量和叶绿素相关指数则影响TGR。产量预测在很大程度上受早季SWP、TGR和冠层氮含量的驱动。对SWP和TGR季节性曲线的模糊聚类揭示了不同胁迫响应组，其中归属于受胁迫最严重聚类组的树木减产幅度高达76 %。这些发现突显了结合无人机影像、生理指标和机器学习，以提供空间显式、单树水平水分胁迫和产量预测的潜力。该框架为多年生果园系统中的精准灌溉和资源管理提供了切实可行的见解。• 无人机多传感器数据和机器学习可预测扁桃水分状况和产量。• Random Forest模型在树木水平产量评估中的R²高达0.92。• SWP和TGR的模糊聚类揭示了不同的胁迫响应模式。• 冠层温度和红边指数是水分胁迫的关键预测因子。• 该框架支持精准灌溉和树木水平的管理决策。