南京农业大学周济教授团队在树花果多源表型融合和三维性状解析上取得重要进展

核心提示：近日，南京农业大学前沿交叉研究院周济教授团队在国际植物科学期刊Plant Biotechnology Journal在线发表了题为《OrchardQuant-3D: combining drone and LiDAR to perform scalable 3D phenotyping for characterising key canopy and floral traits in fruit orchard》的最新研究成果。……（世界食品网-www.shijieshipin.com）

近日，南京农业大学前沿交叉研究院周济教授团队在国际植物科学期刊Plant Biotechnology Journal在线发表了题为《OrchardQuant-3D: combining drone and LiDAR to perform scalable 3D phenotyping for characterising key canopy and floral traits in fruit orchard》的最新研究成果。

　　研究团队提出了一种自动化、规模化三维果树表型分析平台，能够精准量化不同类型果园中果树的冠层结构、花部和果实特征。该系统适用于从数十株梨树组成的展示型果园到上千株苹果树的商业化种植园，展现出了良好的通用性与可扩展性。通过创新性地融合了激光雷达（LiDAR；提供果树三维结构）与无人机（提供大场景空间与颜色信息）所获取的多尺度表型数据，研究团队自主研发了多源异构数据融合算法，首次实现了跨生育时期整合树体结构、花簇与果实分布等关键表型特征的多尺度表型融合方法，从而完成了对果树在不同关键生育阶段产量相关性状的高效提取与精准关联分析。

　　梨和苹果等果园水果在全球果树生产体系中占据着重要地位，不仅为人类提供了丰富的营养物质，也有助于维护农业生态系统的多样性与可持续发展潜力。为了提升果实产量与品质，育种专家、科研人员和种植户持续致力于优化果树的结构形态与产量相关性状。然而，传统的果树表型数据采集和性状评估手段普遍存在耗时长、效率低、依赖人工经验等问题，难以满足大规模精准育种与现代园艺管理的需求。因此，开发一种高效、可靠、可扩展的果树表型采集与性状解析算法流程，已成为园艺科研与智慧农业发展中的核心课题之一。

　　针对上述挑战，周济教授团队提出了OrchardQuant-3D系统融合了三维计算机视觉、复杂图论、特征工程及基于深度学习的三维点云分类模型等前沿表型分析技术。通过结合无人机和激光雷达在不同关键生育时期获取的三维点云数据，实现了树木级的形态结构与颜色特征识别和性状提取，进而对不同规模果园中的冠层结构、花簇及果实分布进行了高精度测量与动态监测。

　　为验证该系统的稳定性与通用性，研究团队分别在中国与英国两地开展了田间试验。在中国，试验选址于南京农业大学白马教学科研基地的国家梨工程技术研究中心，采集了70棵梨树多生育时期的表型数据；在英国，研究在英国国家农业植物研究所（National Institute of Agricultural Botany，NIAB）具有百年历史的东茂林试验站（East Malling Research）进行，对上千棵苹果树组成的大型商业化果园开展田间试验。这一跨国家、多类型果树试验为OrchardQuant-3D方法的优化与实用化奠定了坚实基础，也为果树智能育种和精细管理提供了重要技术支撑和多年数据储备。

　　基于全球导航卫星系统（GNSS）信号，OrchardQuant-3D平台实现了对果树树干的毫米级精准定位，为后续结构建模、多源数据融合和精准单树索引奠定了高精度匹配基础。在此基础上，系统对LiDAR采集的高分辨率点云数据进行了深度解析，包括量化树冠体积、分枝数量等三维结构性状；同时，对无人机采集的彩色点云数据，进行了关键花簇和果实指标（如数量与体积等）的空间识别和量化提取，从而实现了不同品种间在形态与开花特征上的量化对比。值得一提的是，研究团队还进一步将树体三维结构与花簇空间分布数据进行了高精度融合，首次实现了单棵果树单枝尺度的细粒度解析（如每枝花簇数量和体积的测量），为有效量化各级分枝生长势与载花载果量、为果树育种和果园管理中的疏花疏果、每季修剪整形等操作提供了表型组数据支持与精准决策依据。

　　为了应对未来深入研究和多样化应用需求，作为一套可扩展的果树三维表型分析系统，OrchardQuant-3D同样展现出广阔的发展潜力和实际价值。例如：（1）通过融合树花果等关键生育时期的多维表型数据，该系统有望构建覆盖“花期-坐果-果实”的全过程动态监测模型，显著提升产量预估的准确性与时效性；（2）为多源遥感数据的集成提供方法依据，通过结合多光谱、高光谱和短波成像信息，可进一步增强对植株健康状态的监测能力，为精准灌溉、智能施肥及病虫害预警等农业管理提供智能辅助决策支持；（3）基于深度学习驱动的点云补全算法，解决因树冠复杂遮挡导致的果实识别盲区问题，进一步提高被遮挡果实的检测准确率；（4）通过引入环境因子，将土壤性质、降雨量、授粉效率等关键环境信息整合至表型分析系统中，深化对果树表型变化机制的理解，推动果园管理的精准化与果实发育过程的动态可视化建模。

　　南京农业大学前沿交叉研究院博士生夏云鹏、李杭杭与园艺学院博士张帆航共同担任该论文的第一作者；周济教授、英国东茂林试验站（East Malling）研究员Whitfield Charles与南京农业大学园艺学院陶书田教授共同担任通讯作者。南京农业大学前沿交叉研究院的博士生孙港、园艺学院的高级实验师齐开杰，以及英国剑桥作物研究中心（Cambridge Crop Research Centre）的研究员Robert Jackson等也参与了本项研究工作。本研究得到了英国创新基金“精准果园管理”（POME）项目、江苏省农业科技自主创新资金、英中农业科技合作基金等多项中英合作资助项目的支持。

　　原文链接：https://doi.org/10.1111/pbi.70229

日期：2025-08-19