在可持续农业系统中，农场粮食损失（即次品蔬菜）是一项艰巨的挑战。减少次品蔬菜数量的最简单方法是监测和预测菜地中所有个体的大小，以次品数量最少、利润最高来确定最佳的收获日期，但这传统的方法并不符合成本效益。在本文中，利用无人机遥感和图像分析技术开发了一个完整的流水线，可自动无损地准确估算和预测西兰花的每一个头的大小（n > 3000）。各个尺寸被输入基于温度的生长模型，并预测出最佳的收获日期。两年的田间试验表明，该流水线成功地估算和预测了所有西兰花的头部大小，并且准确率很高。我们还发现，与最佳日期的偏差仅为1-2d，就会显著增加分级损失，降低农民的利润。这充分证明了这些方法在经济作物优化和减少粮食损失方面的实用性。

图1：研究方法的工作流程和示意图。首先是基于无人机的流水线，该流水线用于获取西兰花生长季节中所有西兰花头的时间序列头部大小信息（几何性状）（每一步的输出都是下一步的输入）。然后，我们在头部大小和温度数据之间建立了一个简单的生长模型，并将该模型与通过市场调查获得的价格数据相结合，建立了最佳收获日期的利润预测模型。

图2：田间作业和数据收集的地块条件和时间表。地块相连，但两年来没有重叠。田间作业包括移栽、西兰花头田间无损测量、西兰花头破坏性测量和航测等。在田间地图中，田间测量每次都在固定的蓝色位置进行，而橙色位置则是所有破坏性采样位置的最终位置。在时间轴中，虚线表示这些数据是如何配对的。

图3：西兰花（a）幼苗检测和（b）头部分割的工作流程。

图4：头部大小预测模型的数据处理示意图。所有数字只是示例，并非实际结果。(a) 在不同日期实地测量的直径；浅色为起始日期，西兰花头部大小约为 3-3.5 厘米。T 是日平均温度的总和。∆Ti 是温度总偏差。(b) 为进行 (c) 所示的回归分析，将上一表格调整为两列表格。(d) 使用先前的回归模型从头部直径初始化 T。后面几天的 T 由偏差 ∆Ti 加上。(e) (e)利用之前的数据，将预测模型从T回归到水头直径。

图5：无人机拍摄的西兰花头直径与人工实地测量的西兰花头直径的对比。不同的颜色代表不同的调查日期。(a)和(c)中，曲线实线表示局部加权散点平滑(LOWESS)回归的趋势。(b)和(d)中，小提琴图显示了数值分布的比较；较深的颜色（左侧部分）表示人工实地测量值，较亮的颜色（右侧部分）表示无人机测量值，下方的数值表示西兰花计数。

图6：2020 年和 2021 年的头部直径预测模型和验证。(a)和(e)分别为 2020 年和 2021 年通过实地测量数据回归的无人机数据初始化模型。(b) 和 (f) 分别为 2020 年和 2021 年无人机测量数据的最终预测模型。(c) 2020 年无人机测量的头部直径与 2021 年模型预测的头部直径的比较（交换验证）。(g) 2021 年无人机测量的头部直径与 2020 年预测模型预测的头部直径的比较。(d）和（h）前一比较的分布情况。

图7：(a) 2020 年和 (b) 2021 年试验中的预测头部直径分布。M、L 和 2L 尺寸符合日本市场的运输标准（M：11-12 cm，L：12-13 cm，2L：13-15 cm）。在(c) 2020年和(d) 2021年试验中，假设所有个体在每个日期都收获了非标准尺寸的西兰花，则非标准尺寸西兰花的比例和总收入。黄色柱子表示能产生最高收入和最低西兰花浪费的最佳收获日期。案例1是各等级之间最大的价格差异（表示最高利润），案例2是最小的差异（表示最低利润）。