基于无人机 LiDAR 数据估算冠层高度时间序列预测玉米抽雄期：精准农业的关键突破

在农业生产中，玉米抽雄期（TD）的及时监测与预测对农艺管理等至关重要。研究人员利用无人机获取 RGB 和 LiDAR 数据，构建并分析冠层高度（CH）时间序列。结果显示该方法能有效预测 TD，为精准农业提供了实用途径。

　　在农业领域，玉米作为全球重要的粮食作物和生物燃料原料，其生产关乎全球粮食安全。准确掌握玉米抽雄期（Tasseling Date，TD）意义重大，它不仅有助于优化农艺管理、预测产量，还能辅助作物表型估算 。传统的基于遥感的作物物候监测多依赖光谱指数，但在识别玉米抽雄期这类从营养生长到生殖生长的过渡阶段时面临挑战，例如光谱纹理变化小、阶段持续时间短以及训练样本有限等问题。同时，现有研究在利用前期数据进行玉米 TD 的及时检测和预测方面较为匮乏，难以满足实际田间管理需求。为了解决这些问题，中国农业科学院的研究人员开展了一项关于利用无人机（Unmanned Aerial Vehicle，UAV）衍生的冠层高度（Canopy Height，CH）时间序列数据识别和预测玉米 TD 的研究。该研究成果发表在《The Crop Journal》上，为玉米种植管理提供了新的科学依据和技术支持。

研究人员运用了多种关键技术方法。首先，利用搭载 DJI Zenmuse L1 的无人机平台获取不同处理下玉米地块的 RGB 图像和 LiDAR 数据。通过设置地面控制点（Ground Control Points，GCPs），对数据进行地理配准和 3D 重建 。其次，基于获取的数据，通过特定算法计算玉米 CH，并构建 CH 时间序列。在分析过程中，运用 Logistic 曲线拟合 CH 生长趋势，并提取不同特征点来识别 TD。此外，还通过 5 折交叉验证等方法评估模型准确性。

研究结果主要包括以下几个方面：

• 玉米 CH 的估算与动态变化：玉米 CH 在 0.2 - 3m 之间，生长趋势类似 Logistic 曲线。通过对比 RGB 和 LiDAR 数据，发现 LiDAR 数据在估算 CH 时表现更优，使用其 99th percentile 的数字表面模型（Digital Surface Model，DSM）和最小数字地形模型（Digital Terrain Model，DTM）估算 CH 最为稳定（R²在 0.928 - 0.943 之间）。
• 基于完整 CH 时间序列的玉米 TD 识别：从 LiDAR 数据提取的 5 个特征点中，Knee point（K）在指示抽雄期时准确性最高（RMSE 为 2.95 - 3.60d）。LiDAR 数据在 TD 识别上整体优于 RGB 数据。使用累积生长度日（Accumulated Growing Degree Days，AGDD）作为自变量比使用日序（Day of Year，DOY）能更准确地识别 TD。CH 采集的时间分辨率对 TD 识别有影响，LiDAR 数据对较低时间分辨率更具耐受性。
• 基于早期 CH_UAV时间序列的玉米 TD 预测：选择 DOY + CH_LiDAR + K 方法进行 TD 预测，当生长率 r 在 0.12 - 0.13 且 CH 阈值（CH_thres）超过 1.6m 时，预测结果更准确（MAE 为 1.7 - 3.7d，RMSE 为 2.3 - 5.6d） 。确定 r = 0.126 和 CH_thres = 1.6m 为预测参数时，预测结果的 MAE 为 2.97d，RMSE 为 3.90d。

研究结论和讨论部分表明，该研究提出的方法能有效利用早期 CH 时间序列准确预测玉米 TD，为精准农业提供了切实可行的途径。在估算玉米 CH 方面，LiDAR 数据优势明显，但早期生长阶段的估算仍需优化。不同特征点在识别 TD 时表现各异，K 点表现最为稳健。独立变量的选择影响 TD 识别准确性，AGDD 更适用于温度波动大的地区，而 DOY 在数据获取简单时更具优势。此外，研究还指出了该方法在空间范围、作物适用性等方面的局限性，为后续研究指明了方向。这项研究成果对于推动精准农业发展，提高玉米种植管理效率具有重要意义，为农业生产决策提供了有力的科学支持。