《Artificial Intelligence in Agriculture》：PII-CNN-LSTM: A multi-modal deep learning framework integrating novel pollination importance index for predicting optimal apple pollination windows
编辑推荐：
针对气候变化和传粉昆虫减少对苹果园授粉优化的挑战，本研究引入一种新型传粉重要性指数（PII）并结合混合多任务深度学习框架（PII-CNN-LSTM）来识别关键授粉窗口。该模型融合了空间特征提取与时序建模，实现了高达97%的生长阶段分类准确率，并成功识别出第5至7天为最佳干预时机。这为精准农业提供了可扩展的数据驱动决策支持，显著推进了农业自动化与果园生产力优化。
在苹果园中，授粉是决定果实坐果、产量和品质的关键生态过程。然而，这一过程正面临着日益严峻的双重挑战：一方面，气候变化导致的气温上升、降雨模式失常和物候信号改变，正在破坏苹果花期与传粉昆虫（尤其是蜜蜂）活动之间的同步性，造成所谓的“物候错配”；另一方面，由于栖息地破碎化、农药暴露和环境退化等因素，全球传粉昆虫种群数量持续下降，使得果园更易受到授粉不足的威胁。传统的授粉管理多依赖于固定时间表或经验观察，难以适应快速变化的环境条件，也无法充分考虑花朵生物学生长阶段、时间依赖性与环境动态之间复杂的相互作用。因此，迫切需要一种智能的、基于生物学知识并能实时响应的系统，来指导针对特定生长阶段的精准授粉干预。
为了应对这些挑战，由中国农业大学工程学院的研究人员Shahram Hamza Manzoor、张昭等组成的团队，在《Artificial Intelligence in Agriculture》上发表了一项创新性研究。他们开发了一个名为“PII-CNN-LSTM”的多模态深度学习框架，该框架集成了一个全新的“传粉重要性指数”（Pollination Importance Index, PII），旨在动态量化苹果花的授粉潜力，并精准预测最佳的授粉干预时间窗口。
研究团队开展了一项为期15天的实地观测，在江苏省宿迁市的一个富士苹果园中，使用高分辨率相机对453个花簇进行了每隔一天的图像采集，共获得3624张图像。每张图像都被人工标注为五个发育阶段之一：萌芽期、初花期、盛花期、落花期和坐果期，并同时记录了环境温度与湿度数据。基于这些数据，研究人员构建了PII模型。PII是一个动态指数，它通过整合花朵可授性、资源可用性（如花蜜）、生物胁迫（如病虫害压力）以及传粉昆虫活动等多个维度的信息，来量化苹果花在不同生长阶段的“授粉准备度”。该指数并非固定不变，而是随着花朵的发育阶段和环境条件（如温度、湿度是否偏离18–24°C和50–80%的最佳范围）实时变化。例如，在盛花期，花朵的可授性和对传粉者的吸引力达到峰值，PII值也最高。
随后，研究团队将PII指数与一个名为PII-CNN-LSTM的深度学习模型相结合。这是一个多任务学习架构。模型的一个分支是卷积神经网络（CNN），负责从花朵图像序列中自动提取空间形态特征（如花瓣张开程度、花药是否可见等）。另一个分支是长短期记忆网络（LSTM），专门用于建模这些特征随时间变化的序列模式，理解花朵从一个阶段发展到下一个阶段的动态过程。PII分数则作为重要的元数据（辅助信息）输入模型，帮助模型在分类生长阶段的同时，预测每个时间点的授粉重要性得分。整个模型流程如下图所示：
研究人员将PII-CNN-LSTM模型与其他几种先进的时序模型（如PII-CNN-BiLSTM, PII-CNN-GRU, PII-CNN-TCN）进行了比较。结果表明，PII-CNN-LSTM在多项指标上均表现最优。它在生长阶段分类任务上达到了97%的准确率，验证损失低至0.0065，平均绝对误差（MAE）为0.0505。特别值得注意的是，模型对“盛花期”的识别极为精准，F1分数高达99%。分析显示，盛花期对整体授粉重要性的贡献度达到了61.5%，这从数据上证实了其作为最佳授粉窗口的核心地位。
基于模型的预测，研究成功识别出第3天到第9天是一个关键的授粉窗口期。其中，第5天到第7天是最佳的干预时机，因为在此期间预测的授粉重要性得分普遍超过0.40。这一发现与苹果花通常在第5天左右进入盛花期的生物学规律高度吻合。为了验证模型的可靠性和普适性，团队不仅使用了2024年的数据（模型训练集）进行交叉验证，还利用了2025年新采集的真实数据以及无人机实时巡测数据进行测试。结果显示，模型预测的时间序列与实际观测值之间的相关性超过0.94，证明了其强大的泛化能力。
这项研究的核心价值在于，它将生物学的先验知识（通过PII指数）与前沿的人工智能技术（CNN-LSTM深度学习）创造性地融合，为解决农业生产中的时序性、精准化管理难题提供了新范式。该方法能够实现“在正确的时间，对正确的花朵，进行正确的干预”，从而帮助果农在最需要的时候精准投放传粉昆虫或采取其他辅助授粉措施，避免了在整个花季进行持续监测和无效干预所造成的人力物力浪费。这种基于生物学基础的时序精准技术，为发展可扩展、数据驱动的智慧农业决策支持系统奠定了坚实基础，代表了农业自动化与果园生产力优化领域的一项重要进步。
