关于空间裁剪映射的思考
《简明英语的研究》提供了康奈尔大学教师、学生和工作人员的期刊文章的简短、非技术摘要。
作者:James A. Taylor, Jackie L. Dresser, Cain C. Hickey, Stephen T. Nuske和Terry R. Bates
澳大利亚葡萄和葡萄酒研究杂志，2019年3月。25: 144 - 155;DOI: 10.1111 / ajgw.12378。
janet van zoeren摘要。
外卖。
- 产量是衡量葡萄园平衡的重要指标，是保证果实质量稳定的重要因素。
- 作物负荷包括生殖生长(产量)和营养生长(冠层大小)的比率。
- Ravaz指数（产量与修剪重量的比率）是作物负荷的常见衡量标准。
- 在商业葡萄园中，冠层大小和产量都是经常测量的。然而，为了利用这些测量来进行精确管理，需要在生长季节对葡萄藤进行测量。这使得这两个因素都变得更加复杂。
- 目前的研究和技术创新旨在寻找一种方法，以非破坏性的、成本和时间高效的方式测量葡萄园的冠层大小和产量，并整合这些数据，以提供空间葡萄园作物负荷图。
背景。
在长期和短期内的葡萄园健康通过营养和生殖植物生长的平衡进行了优化 - 通常表达为叶片面积的作物或（更容易测量）的产量与修剪重量的比例（ravaz指数）。这些作物负荷措施表明藤是否具有过度折叠（高作物负荷），下面（低作物负荷）或平衡。可以通过水果和叶子或拍摄变薄来季节管理作物负荷。作物负荷管理尤其重要，季节长度限制作物成熟的可能性（例如在凉爽的气候中看到），并且当数量和质量对作物的价值非常重要时。
自20世纪90年代以来，精确农业已经使用传感器来量化种植系统的各个方面，包括葡萄的大小和产量。然而，尽管葡萄园专用传感器的发展，没有简单的方法来测量和地图葡萄园作物负荷存在，也没有足够的信息如何使用这些信息。本文回顾了(1)藤蔓大小和产量制图的历史和当前方法，(2)空间和时间变异对作物负荷制图的重要性，以及(3)知识缺口和技术创新，这些有望推动未来的作物负荷管理。
目前用于测量作物负荷的技术。
根据每个休眠修剪质量或叶片面积的植物负荷量化裁剪载荷。因此，为了映射葡萄园庄稼负荷，您需要能够覆盖一张地图收益率(或水果块)在地图上树冠大小(修剪量或叶面积)。
测量屈服。所有的商业葡萄园的总产量都是用收获量来衡量的。吨每英亩或吨每公顷)。然而，整个葡萄园的产量通常是不同的。每株葡萄产量监测器可用，并可安装在机械葡萄收割机上。这些记录了整个葡萄园特定地点的产量。然而，这一产量信息只能在收获时收集，而作物负荷管理应在生长季节进行，当变化可以影响葡萄的健康。
使用簇数/藤数×平均浆果数/簇数×历史重量/浆果数的计算来估算季节中期的产量是费时的，而且不是很准确。智能手机应用程序和专门的基于图像的传感器正在开发中，以更有效地执行这些计算。
测量树冠大小。与上述讨论平行的是，最方便的测量冠层大小和修剪质量是在收获后进行的，因此不能提供生长季节的信息。季节方法通常是耗时的，如计算新梢/藤蔓x平均叶片/新梢x平均中间肋叶长度，或通过冠层的总光截留。
替代方案是使用光学传感器来测量顶篷活力，该光学传感器测量从可见/近红外光谱中的从顶篷反射的光。这些可以安装在智能手机，拖拉机，无人机或卫星上，使其方便使用。然而，如果校准特定葡萄园的修剪质量或叶面积，则从这些设备的直接读出仅用。
作物负荷的时空变异的重要性。
对葡萄园内产量和冠层大小可变性的有限文献的回顾表明，这两者可能是高度可变的，两者的比例(作物负荷)可能在葡萄园内也有显著差异。这表明，在使用作物负荷来做出葡萄园管理决策时，生成整个葡萄园的作物负荷图，而不是基于平均作物负荷值来管理整个葡萄园是很重要的。
以前的研究表明葡萄的大小每年都趋于相似。我们建议，在一个成熟的葡萄园中，种植者大约每6年评估葡萄的大小，并利用这些信息做出相应的管理决策。然而，需要指出的是，冠层尺寸的测量大多是在冠层发育完全的季节后期进行的。如果在季节中期进行套期保值或枝条间伐，在确定藤蔓大小时必须谨慎使用。由于葡萄植株大小相对稳定，作物负荷的年度变化大多与产量(浆果质量)的波动有关，而产量(浆果质量)随时间的变化可能很大。
结论，展望（知识差距和技术创新）。
本研究倡议的目标是最终提供决策支持系统，以帮助葡萄园经理决定最佳的稀释实践（水果或叶子/射击），以优化每个藤的作物负荷。Some remaining limitations in current technology were identified, which include: (1) in-season yield sensing underestimates yield because it does not account for hidden berries (behind leaves or other fruit), (2) many vegetative indices (e.g. NDVI) exist, but research is needed to determine which has the best predictive power, (3) local calibration is necessary and time consuming, which reduces adoptability, and (4) a research-based predictive model will be needed to optimize the value of these data in a decision support system.
Janet Van Zoeren是一家延伸支持专家，与日内瓦康奈尔·阿格特齐克（Cornell Agritech），纽约。