水稻收获时机的精准把握直接关系到产量与品质，但人工目测主观性强、耗时费力。东北农业大学联合北大荒信息公司等单位的最新研究，首次系统构建了寒地粳稻成熟度估算模型，并提出一套完整的“建模–验证–评估–迁移”框架，让无人机多光谱监测从实验室走向大田迈出关键一步。

一、水稻收获的“时机之困”

水稻成熟度的精准判断是保障籽粒产量和稻米品质的关键环节。收获过早，籽粒灌浆不足、青粒多、出米率低;收获过晚，则易出现掉粒、穗发芽、品质下降。传统人工目测方法高度依赖经验，不同人员判定标准不一，且难以在大田尺度快速实施。

近年来，基于光谱指数的作物成熟度监测技术发展迅速，但一个根本性难题始终悬而未决：实验室盆栽条件下建立的模型，往往在大田应用中精度骤降。这种“盆栽–大田”的尺度鸿沟，成为制约遥感监测技术从科研走向应用的核心瓶颈。

二、科创亮点：双尺度建模+跨尺度迁移量化

2026年3月9日，东北农业大学农学院联合智慧农场技术与系统全国重点实验室、北大荒信息有限公司等单位在MDPI期刊《Agronomy》发表研究，首次针对黑龙江省寒地粳稻，系统开展了盆栽与大田双尺度成熟度建模，并定量揭示了跨尺度迁移的精度损失规律。

亮点一：双尺度数据采集——地面主动传感器+无人机多光谱

研究团队采用两种互补的采集工具获取冠层光谱数据：

通过同步开展盆栽与大田实验，研究首次构建了可对比的双尺度光谱数据库，为后续的跨尺度迁移分析奠定了数据基础。

亮点二：复合光谱指数优化——四种算法、两类指数同台竞技

研究对比了四种建模算法——线性回归(LR)、决策树(DT)、随机森林(RF)和支持向量机(SVM)。输入变量包括：

单一光谱指数：归一化植被指数(NDVI)、比值植被指数(RVI)

复合光谱指数：归一化成熟度比值植被指数(NDMRVI)、归一化色素比值植被指数(NDPRVI)

盆栽尺度结果显示：

复合光谱指数与成熟度的相关性优于单一指数

DT模型+NDVI+RVI组合表现最优，测试集R²达0.957，RMSE为0.064，相对误差仅4.8%

大田尺度结果显示：

NDVI和RVI与成熟度呈强负相关(Spearman相关系数-0.76和-0.79)

RF模型训练集表现最佳(R²=0.752)但存在过拟合

多元线性回归(岭回归)在测试集稳定性更高(R²=0.515，RMSE=0.116)

复合光谱指数虽优于单一指数，但精度与最优单一指数组合模型相当

亮点三：跨尺度迁移——首次定量揭示精度损失

研究团队创新性地构建了“建模–验证–评估–迁移”框架，并提出四指标联合判定准则(ΔR²–ΔRMSE–ΔRE–SF)，首次对“盆栽–大田”跨尺度迁移的精度损失进行定量分析。

结果显示，最优盆栽模型在跨尺度迁移时精度损失显著：

ΔR² = 0.447(决定系数下降0.447)

ΔRMSE = 0.120(均方根误差增加0.120)

ΔRE = 22.84%(相对误差增加22.84个百分点)

尺度迁移因子SF = 2.875(误差放大近3倍)

亮点四：迁移方案提出——“区域校准+残差校正”

基于上述定量分析，研究团队提出“区域校准+残差校正”方案：

区域校准：针对目标大田区域，采集少量代表性样本对模型参数进行调整

残差校正：建立残差预测模型，补偿跨尺度迁移的系统性偏差

理论预测显示，该方案可将迁移后的RMSE降至0.12以下，SF降至1.8–2.0，大幅提升模型在大田尺度的实用性。

三、技术内涵：从“经验外推”到“量化迁移”

这项研究的深层价值在于首次对跨尺度迁移的精度损失进行了量化。过去，研究者往往将盆栽模型直接应用于大田，默认“经验外推”有效;而本研究表明，这种迁移会带来近3倍的误差放大(SF=2.875)。

更重要的是，研究提出的四指标判定准则和“区域校准+残差校正”方案，为其他作物(小麦、玉米、大豆等)的光谱监测模型从实验条件走向大田应用提供了通用方法论。未来，任何作物成熟度模型的跨尺度迁移，都可以沿用这一框架进行精度评估和补偿。

四、应用前景：从“盆栽”到“大田”的最后一公里

1. 支撑数据驱动的精准收获决策

该研究为寒地粳稻成熟度的无损监测提供了可靠技术方法。未来，结合无人机平台，可实现地块尺度的成熟度空间分布制图，指导收获机按区域成熟度差异动态调整作业顺序，最大限度降低收获损失。

2. 与智能农机协同

研究团队指出，该模型可嵌入智能收获装备的决策系统。收获机在田间作业时，实时采集光谱数据并输入模型，即可判断当前区域是否达到最适收获期，实现“边走边测、边测边收”。

3. 拓展至其他作物与区域

该研究建立的方法框架具有普适性。对于小麦、玉米、大豆等大田作物，以及南方稻作区，均可参照本研究的双尺度建模和跨尺度迁移分析流程，开发本地化的成熟度监测模型。

4. 为农情遥感监测提供基准

研究对盆栽-大田尺度差异的量化，也为卫星遥感等大尺度农情监测产品的地面验证提供了参考——不同尺度的观测数据之间存在系统偏差，需要通过“尺度转换”才能相互印证。

五、产业意义：让实验室模型“走出盆栽”

这项研究的核心价值在于打通了遥感监测技术从科研到应用的“最后一公里”。过去，无数优秀模型困在盆栽实验中，无法在大田发挥作用;而本研究首次系统揭示了“为什么不行”和“如何改进”。

当无人机在稻田上空飞过，采集的光谱数据能够被模型准确解读为成熟度信息——这背后，是“区域校准+残差校正”的迁移方案在起作用。这正是智慧农业从“盆景”走向“风景”的关键一步。

来源：东北农业大学农学院、智慧农场技术与系统全国重点实验室、北大荒信息有限公司、北大荒农业股份有限公司856分公司农业服务中心、虎林市宝东镇农业技术推广服务中心；作者：Huiyu Bao, Cong Liu, Junzhe Zhang, Nan Chai, Longfeng Guan, Xiaofeng Wang, Dacheng Wang, Yifan Yan, Shengyu Zhao, Zhichun Han 等；题目：Construction and Scaling of a Combined Spectral Index-Based Maturity Estimation Model for Cold-Region Japonica Rice(寒地粳稻成熟度估算的复合光谱指数模型构建与尺度迁移研究)；发表于：Agronomy(2026年3月9日)。