莫佳才，彭 漪，劉小娟，王 靖

（武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079）

水稻是我國(guó)三大糧食作物之一，近年來我國(guó)每年的水稻總產(chǎn)量穩(wěn)定在2億t以上，約占全國(guó)糧食總產(chǎn)量的30%。水稻產(chǎn)量維系著國(guó)家糧食安全，提高水稻總產(chǎn)量仍是我國(guó)水稻產(chǎn)業(yè)今后的工作重點(diǎn)[1]，而水稻的育種選種是實(shí)現(xiàn)這一目標(biāo)的基礎(chǔ)工作之一。傳統(tǒng)的水稻育種選種工作依賴于水稻工作者人工觀察和記錄，費(fèi)時(shí)費(fèi)力，而遙感技術(shù)能夠便捷快速地捕捉信息，提高工作效率，在水稻育種栽培上正得到越來越廣泛的應(yīng)用。水稻生育期監(jiān)測(cè)是對(duì)水稻各生育時(shí)期的生長(zhǎng)狀態(tài)信息進(jìn)行記載的過程，對(duì)水稻的田間管理和產(chǎn)量預(yù)估來說至關(guān)重要[2]。在移栽稻中，水稻移栽后的生育期可分為返青期、分蘗期、拔節(jié)期、孕穗期、抽穗期、乳熟期和成熟期[3]。其中抽穗期是育種者選擇優(yōu)良親本和進(jìn)行授粉操作的關(guān)鍵時(shí)期，準(zhǔn)確地監(jiān)測(cè)抽穗期對(duì)于水稻育種和產(chǎn)量估算具有重要意義[4]。

研究表明，在水稻生長(zhǎng)發(fā)育過程中，其冠層光譜反射率的變化呈現(xiàn)出一定的規(guī)律性，由反射率計(jì)算得到的遙感植被指數(shù)（Vegetation index，VI）的規(guī)律性則更為明顯[5]。水稻的植被指數(shù)通常在營(yíng)養(yǎng)生長(zhǎng)期逐漸上升，到抽穗期達(dá)到最高值，隨后轉(zhuǎn)為逐漸下降，直至收割[6-8]。正是這種規(guī)律性，使研究者們能夠從水稻植被指數(shù)的時(shí)間序列曲線中識(shí)別出水稻的生育時(shí)期。由于氣象條件、觀測(cè)儀器擾動(dòng)等內(nèi)外因素的影響，觀測(cè)到的原始曲線通常存在噪聲，需要進(jìn)行平滑處理，常用的方法有濾波法、動(dòng)態(tài)閾值法和函數(shù)擬合法等[9]。平滑后的時(shí)序植被指數(shù)曲線存在特征節(jié)點(diǎn)，研究者們常從這些節(jié)點(diǎn)直接提取水稻抽穗期。如WANG 等[10]在浙江省德清縣、楊浩等[11]在湖南省沅江市用國(guó)產(chǎn)HJ衛(wèi)星數(shù)據(jù)，從時(shí)序植被指數(shù)最大值識(shí)別水稻抽穗期，誤差在5 d 以內(nèi)；MA 等[12]以多個(gè)研究區(qū)的地面和無人機(jī)遙感數(shù)據(jù)為基礎(chǔ)，將擬合的植被指數(shù)時(shí)序曲線的曲率最大值點(diǎn)對(duì)應(yīng)的時(shí)期認(rèn)為是水稻的抽穗期，取得了滿意的效果。在小范圍、水稻品種較為單一的情況下，這種方法可以達(dá)到一定的精確度，但當(dāng)水稻品種復(fù)雜化時(shí)，誤差會(huì)變大。如SUN 等[13]用MODIS EVI 時(shí)序曲線最大值提取全中國(guó)不同地區(qū)站點(diǎn)的水稻抽穗期，絕大多數(shù)結(jié)果與實(shí)際相差小于16 d；WANG 等[14]和LI 等[15]分別從MODIS NDVI 序列最大值中識(shí)別湖南省和江西省水稻抽穗期，均方根誤差（RMSE）分別為20 d 與10 d。一般而言，水稻抽穗期時(shí)長(zhǎng)為10～15 d[16]，因而，上述3 個(gè)研究試驗(yàn)提取的抽穗期結(jié)果誤差過大。相關(guān)研究在以下2個(gè)方面存在不足。一方面是多基于衛(wèi)星遙感數(shù)據(jù)對(duì)水稻抽穗期進(jìn)行識(shí)別。與衛(wèi)星相比，無人機(jī)具有方便、靈活和受大氣影響較小的特點(diǎn)，使用無人機(jī)拍攝遙感影像可以獲得更高的空間和時(shí)間分辨率，更適用于田間尺度的精細(xì)農(nóng)業(yè)，因此需要深入研究基于無人機(jī)遙感數(shù)據(jù)的水稻抽穗期估算方法。另一方面，多從植被指數(shù)時(shí)序曲線的特征點(diǎn)上直接提取水稻抽穗期，忽略了特征點(diǎn)與水稻抽穗期之間可能存在的數(shù)學(xué)關(guān)系以及水稻品種的多樣性。因此，在已有研究的基礎(chǔ)上，利用3個(gè)獨(dú)立試驗(yàn)區(qū)的1 102個(gè)水稻品種的多時(shí)相無人機(jī)遙感數(shù)據(jù)，構(gòu)建多時(shí)相植被指數(shù)曲線，提取關(guān)鍵特征點(diǎn)，探索其與水稻抽穗期的數(shù)學(xué)聯(lián)系，以此實(shí)現(xiàn)多品種水稻的抽穗期估算，為多品種水稻育種和大范圍農(nóng)業(yè)監(jiān)測(cè)提供參考和指導(dǎo)。

1 材料和方法

1.1 試驗(yàn)區(qū)域

本研究試驗(yàn)區(qū)域由三部分組成，分別為湖北省鄂州市的試驗(yàn)區(qū)1 和試驗(yàn)區(qū)2、海南省陵水縣的試驗(yàn)區(qū)3。鄂州市的2 個(gè)試驗(yàn)區(qū)（30°22′32″N，114°44′46″E）均位于鄂州市杜山鎮(zhèn)東港村，其中試驗(yàn)區(qū)1 的試驗(yàn)田分成1 000 余個(gè)面積約1.6 m2的小區(qū)，共種植1 014個(gè)水稻品種，于2018年夏季進(jìn)行試驗(yàn)；試驗(yàn)區(qū)2 的試驗(yàn)田由48 個(gè)36 m2的小區(qū)組成，種植了48 個(gè)水稻品種，于2019 年夏季進(jìn)行試驗(yàn)。試驗(yàn)區(qū)3（18°31′51″N，110°3′18″E）坐落在陵水縣椰林鎮(zhèn)文官村，包含種植在40 個(gè)60 m2小區(qū)的40 個(gè)水稻品種，于2018 年冬春季進(jìn)行試驗(yàn)。3 個(gè)試驗(yàn)區(qū)的位置和田塊如圖1 所示。3 個(gè)試驗(yàn)區(qū)之間相互獨(dú)立且存在明顯差異：鄂州市與陵水縣分別位于亞熱帶與熱帶，氣候差異明顯，試驗(yàn)期間光溫差異大；種植的水稻品種差異大，僅在試驗(yàn)區(qū)2 和試驗(yàn)區(qū)3 之間存在少量相同品種；水稻品種的抽穗時(shí)間差異大。

圖1 試驗(yàn)區(qū)示意圖Fig.1 Location of the experiment

1.2 數(shù)據(jù)獲取與預(yù)處理

1.2.1 實(shí)際抽穗日期觀測(cè) 水稻抽穗是水稻在分蘗拔節(jié)結(jié)束后，完全發(fā)育的稻穗逐漸伸出頂部的現(xiàn)象[17]。當(dāng)?shù)咎镏腥后w抽穗率達(dá)到10%時(shí)，為水稻的始穗期[18]。在水稻生長(zhǎng)發(fā)育期間，實(shí)地持續(xù)觀測(cè)水稻長(zhǎng)勢(shì)情況，判斷并記錄水稻所處生育時(shí)期，由此獲得各試驗(yàn)區(qū)每個(gè)品種的實(shí)際始穗時(shí)間。3個(gè)試驗(yàn)區(qū)的品種、氣象和觀測(cè)情況等信息如表1所示。

表1 各試驗(yàn)區(qū)數(shù)據(jù)概況Tab.1 Data overview of the experiment areas

1.2.2 無人機(jī)數(shù)據(jù)采集與預(yù)處理 從水稻返青期至成熟期，每隔一定的時(shí)間，使用無人機(jī)執(zhí)行飛行任務(wù)，搭載多光譜相機(jī)對(duì)試驗(yàn)區(qū)拍攝遙感影像，獲取各小區(qū)水稻的遙感數(shù)據(jù)。試驗(yàn)區(qū)1、2、3分別獲取了10、13、15 期的無人機(jī)數(shù)據(jù)。本研究使用的是美國(guó)Tetracam 公司生產(chǎn)的Micro-MCA 12 通道多光譜相機(jī)，內(nèi)含從可見光到近紅外的12 個(gè)波段通道，中心波長(zhǎng)分別為490、520、550、570、670、680、700、720、800、850、900、950 nm，其中前10個(gè)波段的寬度為10 nm，第11、12 個(gè)波段的寬度則分別為20、40 nm。為保證影像空間分辨率的一致性與輻射信息的準(zhǔn)確性，3 個(gè)試驗(yàn)區(qū)的無人機(jī)采用了基本相同的飛行高度且盡量選擇在晴朗無云或少云的天氣狀況下飛行。對(duì)拍攝得到的原始影像進(jìn)行波段間幾何配準(zhǔn)，使12 個(gè)波段的影像處于同一坐標(biāo)系下。隨后，以影像拍攝期間鋪設(shè)在水稻田旁的平整路面上的標(biāo)準(zhǔn)定標(biāo)毯為基準(zhǔn)，采用線性模型對(duì)影像進(jìn)行輻射定標(biāo)，將原始影像各波段的像元值轉(zhuǎn)化為光譜反射率。為獲取各品種水稻的反射率，在每個(gè)小區(qū)內(nèi)部靠中心位置勾畫合適大小的感興趣區(qū)（Region of interest，ROI），計(jì)算ROI 內(nèi)像元的平均反射率，作為該小區(qū)水稻光譜反射率的代表值。

1.2.3 植被指數(shù)提取 選擇了4 種常用植被指數(shù)，分別為歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）、歸一化差分紅邊植被指數(shù)（Normalized difference red edge index，NDRE）、簡(jiǎn)單比值植被指數(shù)（Simple ratio index，SR）、二波段增強(qiáng)型植被指數(shù)（Two-band enhanced vegetation index，EVI2），對(duì)應(yīng)計(jì)算公式見表2。其中，ρNIR、ρred和ρrededge分別表示近紅外、紅和紅邊波段的反射率，在本研究中對(duì)應(yīng)采用800、670、720 nm波段。

表2 所用植被指數(shù)Tab.2 Vegetation index used

1.3 研究方法

1.3.1 多時(shí)相VI 曲線擬合 原始的多時(shí)相VI 曲線雖然存在明顯的變化規(guī)律，但由于無人機(jī)數(shù)據(jù)采集時(shí)的氣象條件變化、無人機(jī)及內(nèi)部傳感器擾動(dòng)等內(nèi)外因素的影響，曲線會(huì)存在一定的噪音，使多時(shí)相曲線不夠平滑甚至有突變現(xiàn)象，因此需對(duì)原始曲線進(jìn)行平滑處理。采用函數(shù)擬合法來重構(gòu)多時(shí)相VI曲線。常用的擬合函數(shù)包括雙logistic 函數(shù)、非對(duì)稱高斯函數(shù)和對(duì)稱高斯函數(shù)等，其中非對(duì)稱高斯函數(shù)常采用雙高斯函數(shù)形式，對(duì)稱高斯函數(shù)即單高斯函數(shù)。前2 種函數(shù)的表達(dá)式中，需要解算的未知參數(shù)個(gè)數(shù)均至少有6 個(gè)[23]，而本研究試驗(yàn)區(qū)的影像期數(shù)較少，用這2 種函數(shù)易產(chǎn)生過擬合現(xiàn)象。對(duì)稱高斯函數(shù)，即單高斯函數(shù)的參數(shù)個(gè)數(shù)最少，為4個(gè)。高斯函數(shù)的基本公式為：

式中，a是高斯曲線的峰值，b是峰值對(duì)應(yīng)的橫坐標(biāo)，c是標(biāo)準(zhǔn)差，決定高斯鐘形曲線的寬度，d為曲線的常數(shù)項(xiàng)。考慮到水稻種植前和收割后水稻田中土壤的各波段反射率無明顯差別，VI接近于0，故公式中常數(shù)項(xiàng)d設(shè)置為0，實(shí)際為3 個(gè)參數(shù)，不易過擬合。

1.3.2 擬合曲線特征提取與抽穗時(shí)間估算模型構(gòu)建 水稻抽穗期是水稻從營(yíng)養(yǎng)生長(zhǎng)轉(zhuǎn)為生殖生長(zhǎng)的過渡期，植株從只有綠色的葉片發(fā)展為綠色葉片和黃綠色稻穗并存，這一變化反映在冠層光譜上。對(duì)各試驗(yàn)區(qū)全部品種的多時(shí)相VI 曲線進(jìn)行初步探究后發(fā)現(xiàn)，實(shí)測(cè)始穗日期都集中在擬合曲線峰值右側(cè)，實(shí)測(cè)始穗DAS與曲線峰值DAS之間存在很強(qiáng)的線性相關(guān)性。據(jù)此，提出本研究的抽穗時(shí)間估算模型：

其中，IHDDAS為initial heading date 的DAS，即始穗日期的DAS（簡(jiǎn)稱為始穗DAS），PEAKDAS為峰值的DAS，a1和a2分別為線性函數(shù)關(guān)系式的斜率和截距。

1.3.3 模型應(yīng)用與評(píng)價(jià) 將水稻抽穗時(shí)間估算模型首先在建模區(qū)應(yīng)用，隨后將模型推廣至完全獨(dú)立的驗(yàn)證區(qū)進(jìn)行檢驗(yàn)，并使用Pearson相關(guān)系數(shù)r、均方根誤差（Root mean square error，RMSE）和相對(duì)均方根誤差（Relative root mean square error，RRMSE）來綜合評(píng)價(jià)此模型的適用性。

2 結(jié)果與分析

2.1 VI與多時(shí)相曲線擬合方法選擇

在計(jì)算各時(shí)期的植被指數(shù)后，可獲得各品種的多時(shí)相VI序列。圖2展示了試驗(yàn)區(qū)2部分水稻品種的多時(shí)相VI 散點(diǎn)圖。由此可見，NDVI 在觀測(cè)初期就迅速上升到全生育期內(nèi)的最大值，隨后基本保持平緩，到后期略有下降，在中后期的數(shù)值很接近，無法以此區(qū)分生育期；NDRE 則在整個(gè)生育期呈現(xiàn)先上升后下降的明顯變化，且曲線基本上左右對(duì)稱，該曲線形態(tài)對(duì)于抽穗期的識(shí)別十分有利；SR序列與NDVI 相似，且由于水稻封壟后紅波段反射率極小，SR 容易出現(xiàn)異常大的值；EVI2 表現(xiàn)優(yōu)于NDVI 和SR，但波動(dòng)比NDRE 大。因此，后續(xù)研究將選用NDRE繼續(xù)進(jìn)行。四者對(duì)比可發(fā)現(xiàn)由紅邊波段構(gòu)建的植被指數(shù)的優(yōu)越性，這與前人的研究結(jié)果相符[24]。

圖2 試驗(yàn)區(qū)2部分水稻品種的多時(shí)相VI散點(diǎn)圖Fig.2 Scatter diagram of multi-time VIs of some cultivars in experiment area 2

以試驗(yàn)區(qū)2 的珞優(yōu)9311 品種為例，使用3 種擬合函數(shù)對(duì)該品種的多時(shí)相NDRE 曲線進(jìn)行擬合，結(jié)果如圖3 所示。原始數(shù)據(jù)在前期快速上升，在中間時(shí)期有小幅波動(dòng)，但不影響總體趨勢(shì)為先上升后下降。雙高斯函數(shù)曲線雖然整體上對(duì)原始數(shù)據(jù)點(diǎn)擬合最貼近，但明顯出現(xiàn)雙峰現(xiàn)象，與單季水稻的NDRE 曲線只有單峰的事實(shí)不相符，這是曲線的過擬合導(dǎo)致的。雙logistic 函數(shù)曲線形態(tài)整體偏向于營(yíng)養(yǎng)生長(zhǎng)期，頂峰與原始數(shù)據(jù)的頂峰不重合，不能反映真實(shí)的NDRE變化情況。單高斯函數(shù)曲線雖然貼合的點(diǎn)最少，但與原始數(shù)據(jù)的曲線形態(tài)最為相似，頂峰位置也最為接近，是比另2種函數(shù)更合適的選擇。因此，本研究將用單高斯函數(shù)進(jìn)行所有品種的多時(shí)相NDRE曲線的擬合。

圖3 3種曲線擬合方法示例Fig.3 Examples of three curve fitting methods

2.2 模型構(gòu)建與應(yīng)用

為探究峰值日期與實(shí)測(cè)始穗日期之間的函數(shù)關(guān)系，由于試驗(yàn)區(qū)1 的水稻品種最多且實(shí)際抽穗時(shí)間跨度最大，為保證建立的模型具有通用性，故將其作為建模區(qū)。圖4 描繪了試驗(yàn)區(qū)1 部分品種的NDRE擬合曲線與實(shí)測(cè)始穗日期的相對(duì)位置。對(duì)試驗(yàn)區(qū)1 的1 014 個(gè)水稻品種的多時(shí)相NDRE 曲線，用單高斯函數(shù)進(jìn)行擬合，解算參數(shù)b，提取峰值DAS，隨后與這些品種的實(shí)測(cè)始穗DAS作比較（圖5）?？梢园l(fā)現(xiàn)，實(shí)測(cè)始穗DAS 與峰值DAS 高度線性相關(guān)，兩者的Pearson相關(guān)系數(shù)達(dá)到0.906。根據(jù)試驗(yàn)區(qū)1的1 014 種水稻的實(shí)測(cè)始穗DAS 與峰值DAS，以最小二乘準(zhǔn)則，解算公式（2）的參數(shù)a1和a2，得a1=1.3和a2=-18，代入式（2）中，最終可得本研究的水稻抽穗時(shí)間估算模型：

圖4 部分水稻品種的實(shí)測(cè)始穗日期與擬合曲線相對(duì)位置Fig.4 Relative position of measured initial heading date and fitting curve of some cultivars

圖5 建模區(qū)峰值DAS與實(shí)測(cè)始穗DAS散點(diǎn)圖Fig.5 Scatter plot of PEAKDAS and measured IHDDAS in the modeling experiment area

將此模型應(yīng)用到建模區(qū)即試驗(yàn)區(qū)1 的1 014 個(gè)水稻品種，可以得到這些品種的始穗時(shí)間估算值。如圖6所示，始穗DAS估算值多與實(shí)測(cè)值接近，二者構(gòu)成的二維散點(diǎn)都分布在1∶1 線附近。圖6 中有個(gè)別點(diǎn)偏離1∶1線較遠(yuǎn)，經(jīng)統(tǒng)計(jì)，始穗DAS估算值與實(shí)測(cè)值之差在10 d 以上的只有6 個(gè)品種，占比為0.6%。絕大多數(shù)品種的差值在5 d 以內(nèi)，品種個(gè)數(shù)為910，占比達(dá)到89.7%。整體上估算值與實(shí)測(cè)值的RMSE僅為3.15 d，說明抽穗時(shí)間估算模型能夠很好地估算建模區(qū)水稻的始穗時(shí)間。

圖6 建模區(qū)模型估算結(jié)果散點(diǎn)圖Fig.6 Scatter plot of estimated results by the model in the modeling experiment

2.3 模型推廣與驗(yàn)證

為探究水稻抽穗時(shí)間估算模型的泛化性能，將模型IHDDAS= 1.3×PEAKDAS- 18 推廣至2 個(gè)驗(yàn)證區(qū)進(jìn)行驗(yàn)證，其中驗(yàn)證區(qū)1 為試驗(yàn)區(qū)2，驗(yàn)證區(qū)2 為試驗(yàn)區(qū)3。如圖7所示，該模型在驗(yàn)證區(qū)2的應(yīng)用效果非常好，40 個(gè)品種的始穗時(shí)間估算RMSE僅為2.99 d，這個(gè)誤差小于建模區(qū)；同時(shí)，經(jīng)統(tǒng)計(jì)僅有3個(gè)品種的誤差大于5 d。而在驗(yàn)證區(qū)1，始穗時(shí)間估算值小于實(shí)測(cè)值的現(xiàn)象較為明顯，但誤差并不很大，48 個(gè)品種的RMSE為5.02 d，誤差超過10 d 的也僅有1個(gè)品種，整體誤差可以接受。綜合來看，由建模區(qū)建立的水稻抽穗時(shí)間估算模型在驗(yàn)證區(qū)表現(xiàn)良好，能以較小的誤差估算2 個(gè)驗(yàn)證區(qū)內(nèi)水稻的始穗時(shí)間。表3是模型在3個(gè)試驗(yàn)區(qū)應(yīng)用的統(tǒng)計(jì)結(jié)果。

圖7 驗(yàn)證區(qū)模型估算結(jié)果散點(diǎn)圖Fig.7 Scatter plot of estimated results by the model in the verification experiment areas

表3 3個(gè)試驗(yàn)區(qū)的模型應(yīng)用結(jié)果Tab.3 Statistics of model application results in the three experiment areas

3 結(jié)論與討論

3.1 模型適用性討論

在本研究的3 個(gè)試驗(yàn)區(qū)中，建模區(qū)和驗(yàn)證區(qū)進(jìn)行的試驗(yàn)有很大的差別。從時(shí)間和地點(diǎn)上看，建模區(qū)和驗(yàn)證區(qū)1 處于同一個(gè)試驗(yàn)地點(diǎn)，但試驗(yàn)時(shí)間不一致，間隔了1 a；建模區(qū)和驗(yàn)證區(qū)2 的時(shí)間、地點(diǎn)均不一致：前者位于華中地區(qū)湖北省的亞熱帶季風(fēng)氣候區(qū)，在2018 年夏季進(jìn)行試驗(yàn)，6—8 月平均氣溫為25～33 ℃，月均日照長(zhǎng)度約為140 h，后者位于華南地區(qū)海南省的熱帶季風(fēng)氣候區(qū)，在2018年冬春季進(jìn)行試驗(yàn)，1—4 月的平均氣溫為20～27 ℃，月均日照長(zhǎng)度約為180 h。從品種上來看，建模區(qū)的試驗(yàn)材料有1 014 個(gè)水稻品種，涵蓋了中國(guó)大部分地區(qū)典型的雜交水稻品系，但與驗(yàn)證區(qū)1 的48 個(gè)品種和驗(yàn)證區(qū)2的40個(gè)品種均不相同，僅驗(yàn)證區(qū)1和2中有8個(gè)相同品種。

在生育期長(zhǎng)短方面，水稻從抽穗到成熟經(jīng)歷的時(shí)間約為40 d[25]，因此可用抽穗期的早晚來反映全生育期的長(zhǎng)短。建模區(qū)水稻的始穗期從播種后59 d 到103 d 不等，其中大部分在80 d 前，生育期較短；驗(yàn)證區(qū)2 水稻的始穗期晚于播種后100 d，基本都在110 d 以上，生育期很長(zhǎng)；驗(yàn)證區(qū)1 水稻的始穗期位于兩者之間，生育期也比較長(zhǎng)?？偟膩碚f，建模區(qū)的水稻屬于短生育期，驗(yàn)證區(qū)的水稻屬于長(zhǎng)生育期。值得注意的是，水稻的生育期長(zhǎng)短與溫度、光照等外界環(huán)境條件有很大的關(guān)系[26]，陵水冬春季較低的溫度和長(zhǎng)日照在一定程度上延長(zhǎng)了水稻的生育期。

建模區(qū)的模型在2個(gè)與之差異大的驗(yàn)證區(qū)都有良好的表現(xiàn)，這表明本研究建立的水稻抽穗時(shí)間估算模型對(duì)氣候、品種、生育期的長(zhǎng)短均不敏感，模型具有很好的適用性。未來試驗(yàn)可以在更多不同的時(shí)間、地點(diǎn)、品種上應(yīng)用，以更廣泛地探索模型的適用性。

3.2 抽穗時(shí)間與多時(shí)相VI曲線峰值時(shí)間的關(guān)系

本研究根據(jù)始穗時(shí)間與多時(shí)相VI 曲線的峰值時(shí)間之間的線性函數(shù)關(guān)系，建立了估算效果良好的水稻抽穗時(shí)間估算模型。然而，在已有文獻(xiàn)中，最常用的是直接用峰值時(shí)間作為抽穗時(shí)間的估算值。為探究2 種方法的估算結(jié)果差異，用3 個(gè)試驗(yàn)區(qū)的數(shù)據(jù)，對(duì)比各品種的多時(shí)相NDRE 曲線峰值時(shí)間與實(shí)際始穗時(shí)間，發(fā)現(xiàn)峰值DAS 整體上普遍小于實(shí)測(cè)始穗DAS，且實(shí)際抽穗時(shí)間越晚，這種差異越明顯。經(jīng)計(jì)算，用峰值時(shí)間直接估算實(shí)際抽穗時(shí)間的誤差遠(yuǎn)大于本研究提出的抽穗日期估算模型的估算誤差。

這一結(jié)果與水稻生長(zhǎng)發(fā)育期間冠層反射率的變化情況密切相關(guān)。從分蘗期到拔節(jié)孕穗期，水稻植株的葉片不斷增多增大，葉片層數(shù)的增加使得附加反射率增加，從而引起近紅外波段反射率增大，而紅邊波段反射率沒有明顯變化，NDRE 在此期間不斷增大；進(jìn)入幼穗分化期，葉片不再增多并需要向穗部供給養(yǎng)分以維持其生長(zhǎng)，此時(shí)近紅外波段反射率開始下降，紅邊波段依舊變化不大，故NDRE在此期間開始轉(zhuǎn)為減?。坏匠樗肫?，水稻冠層結(jié)構(gòu)因?yàn)榫G色稻穗從葉鞘中抽出而發(fā)生明顯變化，對(duì)冠層結(jié)構(gòu)變化敏感的紅邊波段開始上升，近紅外波段變化不大，因此抽穗期內(nèi)NDRE 減小；之后，稻穗逐漸成熟并彎曲，葉片變黃變小，使得紅邊波段反射率不斷增大，近紅外波段反射率減小，從而NDRE繼續(xù)減小[27-28]。因此，從整個(gè)生育期來看，NDRE 在幼穗分化階段已經(jīng)達(dá)到最大值，達(dá)到峰值的時(shí)間早于抽穗時(shí)間，使得峰值時(shí)間不能成為抽穗時(shí)間的理想估計(jì)值，而本研究根據(jù)峰值時(shí)間與抽穗時(shí)間的線性關(guān)系建立的模型能更準(zhǔn)確地估算水稻的抽穗時(shí)間。

本研究提出了一種以無人機(jī)遙感為手段的多品種水稻抽穗時(shí)間估算方法。以不同氣候區(qū)域的上千品種水稻的多時(shí)相無人機(jī)多光譜遙感數(shù)據(jù)為基礎(chǔ)，根據(jù)多時(shí)相植被指數(shù)曲線的峰值時(shí)間與實(shí)際始穗時(shí)間的強(qiáng)線性關(guān)系，建立了統(tǒng)一適用的多品種水稻抽穗時(shí)間遙感估算模型。模型在建模區(qū)1 014種水稻的始穗期估算誤差RMSE達(dá)到3.15 d，在品種數(shù)為48、40 個(gè)的2 個(gè)驗(yàn)證區(qū)的RMSE分別為5.02、2.99 d，整體估算精確度良好。該模型可以不區(qū)分氣候、地點(diǎn)、品種等差異，為多品種水稻抽穗時(shí)間監(jiān)測(cè)提供了有力途徑，是育種栽培和田間管理的理想手段。