利用抽穗期预测模型设计水稻栽培育种日程——面向气候适应、作业负荷均衡与空间优化的综合方法

《Agronomy》：Designing Rice Cropping Schedules Using a Heading Date Prediction Model: An Integrated Approach for Climate Adaptation, Workload Leveling, and Spatial Optimization

　　

在大规模水稻种植系统中，高效栽培育种日程（cropping schedule）的设计对改善劳力管理与作业效率至关重要。然而，气候变暖及极端天气频发改变了作物生长发育动态，使传统经验型日程难以实现优化管理；同时多田块、多品种的作业分配与劳力统筹进一步增加了日程设计复杂度。研究人员提出一种基于抽穗期预测模型与气候温度数据的决策支持方法，通过预测抽穗期和成熟期调整移栽期，并采用顺推（forward scheduling）与逆推（backward scheduling）确定各项作业时段。以日本千叶县大规模稻作系统为案例的研究表明，该方法有效分散了抽穗期和成熟期的分布，改善了作业时间分布——抽穗期标准差由11.7 d降至8.7 d，表明劳力高峰需求降低。本研究创新点在于将抽穗期预测模型从生长预测拓展至实际栽培育种日程设计与可视化，推动由经验规划向数据驱动决策的转型，并为气候变化背景下大规模农场劳力分配提供支持。

论文解读：利用抽穗期预测模型设计水稻栽培育种日程——面向气候适应、作业负荷均衡与空间优化的综合方法

研究背景与问题提出

水稻（Oryza sativa L.）是全球半数以上人口的主粮，近年主要稻区平均气温升高及高温热浪频发已成气候变化显著后果。日本千叶县暖湿气候下早季稻栽培普遍，标准移栽期约4月20日，但近年升温导致水稻发育期（尤抽穗期heading date、成熟期maturity date）年际变异增大，同一地区同日移栽不同年份生育阶段差异明显。千叶县主栽品种'Fusaotome'（早熟）、'Fusakogane'（中熟）、'Koshihikari'（晚熟）各占9.2%、23.5%、55.2%，品种间熟期特性不同，准确估算各品种抽穗期对田间作业（追肥topdressing、病虫害防治、收获时机确定）及整体农场管理规划均十分关键。与此同时，千叶县农地向核心农户集中，出现超50 ha的大规模稻作系统，多田块、多品种、长移栽期及田块空间分散使栽培育种日程高度复杂化——抽穗与成熟时段集中会导致施肥、植保、收获等作业重叠，引发劳力与农机具竞争，且同种品种空间散布增加田块间转移耗时、降低作业效率。传统基于经验或往年日历的日程制定方式已难满足适时作业与劳力均衡需求，而既有研究多聚焦抽穗期预测本身或单环节管理决策支持，鲜见将预测结果直接用于田块组（field-group）级别栽培育种日程设计，亦缺乏统筹作业时序分布与田块空间配置的决策支持方法。因此研究人员提出集成抽穗期预测模型与气象数据的水稻栽培育种日程决策支持框架，并以千叶县大规模农场为案例验证其效果。该论文发表于《Agronomy》。

主要关键技术方法

研究人员采用基于温度与光周期的水稻发育模型（Horie & Nakagawa, 1990修改版，Mochizukiet al., 2017用于千叶县主栽品种参数化），以发育指数（Developmental Index, DVI，移栽时DVI=0.2，抽穗时DVI=1.0）逐日累积发育速率（Developmental Rate, DVR）预测抽穗期，模型含品种参数G、A、Th、B、Lc（临界日长）。气温数据选用反映近期变暖趋势的近10年平均AMeDAS（Automated Meteorological Data Acquisition System）日均温，辅以NARO网格农业气象数据作空间分析。日程计算分顺推（以移栽期为基准预测抽穗与成熟期并推算各作业时段）与逆推（以目标收获/成熟期为基准回溯抽穗期与移栽期），各作业（追肥、病虫害防治等）按千叶县栽培指南设为距预测抽穗日的相对天数，并结合农机具日作业能力核算所需工作日。系统在Microsoft Excel + VBA中实现批量计算与可视化（日历甘特图、时序分布图），并用QGIS制作田块空间分布图。案例对象为千叶县Kimitsu、Futtsu、Sodegaura三市共111 ha、626块田的大规模农场，对比常规经验日程与所提方法在抽穗期标准差（SD）、峰值集中度（单日抽穗田块占比）、抽穗期跨度及规划耗时上的差异。

研究结果

3.1. Advancement of Heading Dates and Changes in Spatial Distribution Under Climate Change

研究人员以统一移栽日（4月20日）输入NARO网格农业气象数据，分别模拟气候常态（30年平均）与2025年高温情景下三个品种抽穗期空间分布。结果显示高温使全区域各品种抽穗期普遍提前数天至约一周，整体抽穗期区间由常态下7月8日–8月2日前移至2025情景下7月3日–7月24日，晚熟品种'Koshihikari'提前幅度最大。空间上高温前后区域间抽穗期早晚格局仍保持。表明升温致水稻发育加速、抽穗期系统性提前，传统经验日程不足以应对，支持采用预测模型辅助规划。

3.2. Visualization of Cropping Schedules Based on Heading Date Prediction

研究人员开发Excel-VBA工具，输入田块信息、品种及参考日期（移栽或收获）自动推算并显示栽培育种日程。对比显示：常规经验日程中抽穗与成熟时段集中于狭窄窗口、多项作业重叠；所提方法通过调整移栽期使抽穗与成熟期较均匀分布、减少作业峰值重叠，且可兼容不同生育期特性品种（如'Nijino-kirameki'，成熟期比'Koshihikari'长约10 d）。证明可视化可提前识别作业集中风险并辅助劳力均衡设计，使日程制定量化、可复现。

3.3. Temporal Distribution of Operations Based on Heading Date Prediction

统计626块田抽穗期分布：常规方法抽穗期峰值日占比16.3%，SD=11.7 d；所提方法峰值降至15.5%，SD降至8.7 d，加权平均抽穗日基本不变（常规7月19日 vs 所提7月18日）。成熟期分布同理，峰值日占比由16.3%降至15.5%，SD由13.2 d降至11.0 d，加权平均成熟日相近（常规8月25日 vs 所提8月24日）。表明该方法在不改变整体农事季节框架下有效降低作业时间集中度、均衡劳力需求。

3.4. Optimization of Spatial Cropping Arrangement by District

对比田块品种配置：常规方法中三品种空间交错散布于各分区；所提方法结合抽穗期分布与作业安排，将同种品种田块按分区聚类（spatial clustering），形成较单纯的空间聚合布局。此聚类可减少田块间转移距离、便于连续作业及统一管理（如同品种田块生育进程更一致，简化肥药与收获决策），说明该方法能兼顾时序劳力均衡与空间作业效率优化。

3.5. Evaluation of Workload and Planning Efficiency

常规经验日程因抽穗与成熟集中致同日多作业重叠、短期劳力紧张；所提方法分散作业时段、减少日重叠，提升作业连续性与计划弹性。案例测算显示日程规划耗时由常规需两名操作员约4 d缩短至使用工具约3 h，显著提高规划效率。

讨论与结论总结

讨论部分指出，基于抽穗期预测的日程调整在不偏移整体农事季节前提下降低抽穗与成熟集中度（抽穗期SD由11.7 d→8.7 d，成熟期SD由13.2 d→11.0 d），直接缓解大规模农场劳力与农机具瓶颈；近年升温致抽穗提前更凸显定量捕捉并纳入日程设计的必要性。空间上按分区聚类同种品种可减少田间移动、利于一体化管理，实现时序–空间双重优化。该框架创新性将抽穗期预测从生长预报拓展至农场级日程设计与田块分配决策支持，可用甘特图直观展示便于多方沟通，亦可延伸至需品种间花期隔离的水稻种子生产等场景。局限性含依赖气象数据与模型精度、未涵盖极端气候全面检验及部分实地约束简化，未来需在多气候区多农场验证并量化经济效益。整体框架不限于特定区域品种，若有适用发育模型与气象数据可推广至其他作物。

研究人员得出结论：所提集成抽穗期预测模型与气象数据的决策支持框架，可基于预测抽穗期调整与可视化栽培育种日程；案例证明该方法在维持整体农事日历基础上降低抽穗与成熟期集中度，并通过考虑田块空间配置实现品种成片集聚，有助于改善大规模稻作系统作业效率；该框架将抽穗期预测模型应用从生长预报拓展至农场级规划管理，虽需更多样气候与作业条件验证，但为水稻生产中栽培育种日程设计与决策提供了实用途径。