2023年8月27日，青岛农业大学园艺学院在Computers and Electronics in Agriculture (中科院1区TOP期刊，IF = 8.3)发表了题为“Rapid monitoring of tea plants under cold stress based on UAV multi-sensor data”的研究论文。青岛农业大学园艺学院青年教师范凯博士和山东省农业科学院茶叶研究所丁兆堂教授为论文共同通讯作者，青岛农业大学茶学专业在读硕士研究生毛艺霖为第一作者。该研究得到了山东省现代农业产业技术体系首席专家项目、山东省农业良种工程项目、山东省农业科学院创新项目和山东省泰山学者专项基金等的资助。

茶树（Camellia sinensis (L.) O. Kuntze.）起源于中国西南部，具有喜温和畏寒的特性。每年冬季，江北茶区的茶树都会受到低温伤害，造成叶片细胞活力下降甚至结冰死亡，给北方的茶产业带来巨大损失。传统上，田间茶树的冻害是通过视觉来评估，不仅耗时，而且主观性强，监测的准确率低。因此，快速准确地评估茶园冻害，对及时采取相应的预防和补救措施，减轻茶园冻害的负面影响具有重要意义。

在这项研究中，作者利用无人机搭载多光谱（MS）、热红外(TIR)和RGB等传感器，采集自然越冬茶园不同时期的多模态遥感数据，并获取当天茶树叶片的生理数据，构建茶树冻害指数（TCIS）。然后，建立了一种混合卷积神经网络-门控循环单元（CNN-GRU）模型，用于估算TCIS。此外，作者为了更好的比较CNN-GRU的性能，还使用了单个GRU模型和另外三个经典机器学习模型进行比较。该研究发现：（1）多模态数据融合优于单模态数据。其中，双模态MS+RGB组合数据取得了最佳的预测结果(Rp2=0.862, RMSEP=0.138, RPD=2.220)；（2）CNN-GRU混合模型优于另外四个基线模型，分别在MS+RGB（Rp2=0.862）或MS+RGB+TIR（Rp2=0.850）的多元变量输入的基础上实现了最佳效果（3）剔除土壤背景等非茶树冠层特征后的模型精度低于未去除背景的模型精度。
该研究成果在工作效率和分析精度方面具有一定优势，为今后在大区域上准确、及时、客观地监测茶树冻害提供技术支持和参考。

图1 茶树冻害监测技术流程图

图2 研究区域的位置

　　（a）中国的江北茶区之一---山东省（b）日照市茶叶研究所茶园（c）采样地点

图3 CNN-GRU混合网络

图4茶树冠层数据分布

　　（a）空气温度的变化（b）冠层表型的变化（c）低温诱导成分的变化（d）TCIS的变化

图5 TCIS的预测散点图

参考文献：Yilin Mao，et al, Rapid monitoring of tea plants under cold stress based on UAV multi-sensor data, https://doi.org/10.1016/j.compag.2023.108176