Точное определение времени сбора урожая риса напрямую влияет на его урожайность и качество, однако визуальная оценка человеком субъективна, трудоемка и требует много времени. Последнее исследование, проведенное Северо-Восточным сельскохозяйственным университетом совместно с компанией Beidahuang Information и другими организациями, впервые систематически построило модель оценки зрелости японского риса холодного климата и предложило комплексную структуру «моделирование–валидация–оценка–перенос», сделав ключевой шаг от лабораторного мониторинга с помощью мультиспектральных БПЛА к полевому применению.

I. Проблема «правильного момента» сбора урожая риса

Точная оценка зрелости риса является ключевым звеном в обеспечении урожайности зерна и качества риса. Слишком ранний сбор приводит к недостаточному наполнению зерна, большому количеству зеленых зерен и низкому выходу риса; слишком поздний сбор чреват осыпанием зерна, прорастанием колоса и снижением качества. Традиционный метод визуальной оценки человеком сильно зависит от опыта, стандарты оценки у разных людей различаются, и его трудно быстро применять в полевых масштабах.

В последние годы технологии мониторинга зрелости сельскохозяйственных культур на основе спектральных индексов быстро развиваются, но одна фундаментальная проблема остается нерешенной: модели, построенные в лабораторных условиях на горшечных растениях, часто резко теряют точность при применении в полевых условиях. Этот масштабный разрыв между «горшком» и «полем» стал основным узким местом, сдерживающим переход технологий дистанционного зондирования от научных исследований к практическому применению.

II. Научные достижения: двухмасштабное моделирование + количественная оценка межмасштабного переноса

9 марта 2026 года исследование, опубликованное в журнале MDPI «Agronomy» учеными сельскохозяйственного факультета Северо-Восточного сельскохозяйственного университета совместно с Национальной ключевой лабораторией технологий и систем интеллектуальных ферм, компанией Beidahuang Information Co., Ltd. и другими организациями, впервые систематически провело двухмасштабное (горшечное и полевой) моделирование зрелости японского риса холодного климата провинции Хэйлунцзян и количественно выявило закономерности потери точности при межмасштабном переносе.

Достижение 1: Двухмасштабный сбор данных — наземный активный датчик + мультиспектральный БПЛА

Исследовательская группа использовала два взаимодополняющих инструмента для сбора спектральных данных растительного покрова:

Путем одновременного проведения горшечных и полевых экспериментов исследование впервые создало сопоставимую двухмасштабную спектральную базу данных, заложив основу для последующего анализа межмасштабного переноса.

Достижение 2: Оптимизация составного спектрального индекса — четыре алгоритма и два типа индексов в сравнении

Исследование сравнило четыре алгоритма моделирования: линейную регрессию (LR), дерево решений (DT), случайный лес (RF) и метод опорных векторов (SVM). Входные переменные включали:

Одиночные спектральные индексы: Нормализованный разностный вегетационный индекс (NDVI), Разностный вегетационный индекс (RVI)

Составные спектральные индексы: Нормализованный индекс зрелости RVI (NDMRVI), Нормализованный индекс пигментного RVI (NDPRVI)

Результаты горшечного масштаба показали:

Корреляция составных спектральных индексов со зрелостью лучше, чем у одиночных индексов.

Модель DT с комбинацией NDVI+RVI показала наилучшие результаты: R² тестовой выборки достиг 0,957, RMSE составил 0,064, относительная ошибка — всего 4,8%.

Результаты полевого масштаба показали:

NDVI и RVI сильно отрицательно коррелировали со зрелостью (коэффициент корреляции Спирмена -0,76 и -0,79).

Модель RF показала лучшие результаты на обучающей выборке (R²=0,752), но имела переобучение.

Множественная линейная регрессия (гребневая регрессия) была более стабильной на тестовой выборке (R²=0,515, RMSE=0,116).

Хотя составные спектральные индексы превосходили одиночные, их точность была сопоставима с лучшей моделью на основе комбинации одиночных индексов.

Достижение 3: Межмасштабный перенос — впервые количественно выявлены потери точности

Исследовательская группа инновационно построила структуру «моделирование–валидация–оценка–перенос» и предложила критерий совместного определения по четырем показателям (ΔR²–ΔRMSE–ΔRE–SF), впервые проведя количественный анализ потерь точности при межмасштабном переносе «горшок–поле».

Результаты показали, что лучшая горшечная модель значительно теряет точность при межмасштабном переносе:

ΔR² = 0,447 (коэффициент детерминации снизился на 0,447)

ΔRMSE = 0,120 (среднеквадратическая ошибка увеличилась на 0,120)

ΔRE = 22,84% (относительная ошибка увеличилась на 22,84 процентных пункта)

Фактор масштабного переноса SF = 2,875 (ошибка увеличилась почти в 3 раза)

Достижение 4: Предложение схемы переноса — «региональная калибровка + коррекция остатков»

На основе вышеуказанного количественного анализа исследовательская группа предложила схему «региональная калибровка + коррекция остатков»:

Региональная калибровка: сбор небольшого количества репрезентативных образцов в целевом полевом районе для корректировки параметров модели.

Коррекция остатков: построение модели прогнозирования остатков для компенсации систематического смещения при межмасштабном переносе.

Теоретический прогноз показывает, что эта схема может снизить RMSE после переноса до уровня ниже 0,12, а SF — до 1,8–2,0, значительно повысив практическую применимость модели в полевом масштабе.

III. Техническая сущность: от «эмпирической экстраполяции» к «количественному переносу»

Глубокая ценность этого исследования заключается в том, что оно впервые количественно оценило потери точности при межмасштабном переносе. Раньше исследователи часто напрямую применяли горшечные модели в полевых условиях, предполагая, что «эмпирическая экстраполяция» эффективна; настоящее же исследование показывает, что такой перенос приводит к увеличению ошибки почти в 3 раза (SF=2,875).

Что еще более важно, предложенные исследованием критерий определения по четырем показателям и схема «региональная калибровка + коррекция остатков» предоставляют универсальную методологию для перехода спектральных моделей мониторинга других культур (пшеницы, кукурузы, сои и т.д.) от экспериментальных условий к полевому применению. В будущем межмасштабный перенос любой модели зрелости сельскохозяйственных культур может использовать эту структуру для оценки и компенсации точности.

IV. Перспективы применения: последний километр от «горшка» к «полю»

1. Поддержка принятия решений о сборе урожая на основе данных

Это исследование предоставляет надежный технический метод для неразрушающего мониторинга зрелости японского риса холодного климата. В будущем, в сочетании с платформами БПЛА, можно будет реализовать картирование пространственного распределения зрелости в масштабе поля, чтобы направлять комбайны на динамическую корректировку порядка работы в зависимости от различий в зрелости по участкам, максимально снижая потери при уборке.

2. Синергия с интеллектуальной сельхозтехникой

Исследовательская группа отмечает, что эта модель может быть встроена в систему принятия решений интеллектуального уборочного оборудования. Во время работы в поле комбайн может собирать спектральные данные в реальном времени и вводить их в модель, чтобы определить, достигла ли текущая зона оптимального времени сбора урожая, реализуя принцип «измерять на ходу, собирать по мере измерения».

3. Расширение на другие культуры и регионы

Методологическая структура, созданная в этом исследовании, является универсальной. Для полевых культур, таких как пшеница, кукуруза, соя, а также для рисоводческих районов юга Китая, можно следовать процедуре двухмасштабного моделирования и анализа межмасштабного переноса данного исследования для разработки локализованных моделей мониторинга зрелости.

4. Предоставление эталона для мониторинга сельскохозяйственной ситуации с помощью дистанционного зондирования

Количественная оценка различий между горшечным и полевым масштабами в исследовании также служит ориентиром для наземной валидации продуктов мониторинга сельскохозяйственной ситуации в крупном масштабе, таких как спутниковое дистанционное зондирование — между данными наблюдений разных масштабов существуют систематические отклонения, и для их взаимного подтверждения необходимо «преобразование масштаба».

V. Промышленное значение: вывод лабораторных моделей «из горшка»

Основная ценность этого исследования заключается в преодолении «последнего километра» перехода технологии дистанционного зондирования от научных исследований к практическому применению. Раньше множество отличных моделей оставались запертыми в горшечных экспериментах, не находя применения в полевых условиях; настоящее же исследование впервые систематически выявило «почему не работает» и «как улучшить».

Когда БПЛА пролетает над рисовым полем и собираемые спектральные данные могут быть точно интерпретированы моделью как информация о зрелости — за этим стоит работа схемы переноса «региональная калибровка + коррекция остатков». Это ключевой шаг на пути превращения умного сельского хозяйства из «декорации» в «пейзаж».

Источник: Сельскохозяйственный факультет Северо-Восточного сельскохозяйственного университета, Национальная ключевая лаборатория технологий и систем интеллектуальных ферм, Компания Beidahuang Information Co., Ltd., Центр сельскохозяйственных услуг филиала №856 компании Beidahuang Agriculture Co., Ltd., Центр распространения сельскохозяйственных технологий города Баодун города Хулинь; Авторы: Huiyu Bao, Cong Liu, Junzhe Zhang, Nan Chai, Longfeng Guan, Xiaofeng Wang, Dacheng Wang, Yifan Yan, Shengyu Zhao, Zhichun Han и др.; Название статьи: Construction and Scaling of a Combined Spectral Index-Based Maturity Estimation Model for Cold-Region Japonica Rice (Построение и масштабирование модели оценки зрелости на основе составного спектрального индекса для японского риса холодного климата); Опубликовано в: Agronomy (9 марта 2026 г.).