准确估算水稻物候期对于评估水稻生长发育、选育优良种质至关重要，其中株高动态变化对于水稻物候期的估算具有重要价值。基于株高动态变化计算多个水稻品种关键物候期的研究有限。2022年开展无人机田间性状影像采集，覆盖435个样地（含364个品种）。生长阶段收集株高、关键物候期，初抽穗（IH）和全抽穗（FH）以及移栽后的生长期（GPAT），并进一步计算穗的形成（PI）。使用数字模型（DSM）提取水稻高度，并使用逻辑模型进行拟合。机器学习算法即多元线性回归（MLR）、随机森林（RF）、支持向量回归（SVR）、最小绝对收敛和选择算子算法（LASSO）和弹性网络回归（ENR）来估计物候期。

研究表明，DSM提取水稻株高的最佳百分位为第95个（R²= 0.934，RMSE = 0.056）。与逻辑模型相比，傅里叶模型更适合水稻高度动态变化。对于物候期的计算，CF 和 GPAT 的组合优于单独使用 CF，其中 RF 表现出算法中的最佳性能。株高动态变化包含大量作物物候信息，高度曲线被广泛用于作物生长特性。高度曲线中，存在与物候发生相关的拐点本研究在株高曲线上观察到3个明显的拐点，生长曲线的拐点长期以来被应用于预测植物物候期。基于无人机的水稻株高动态变化与机器学习可以有效计算多个水稻材料的关键物候期，为育种工作中关键物候期的研究提供新方法。

图1.435个样品地的水稻高度实测平均值（A）和标准差（B），以及物候期（PI、IH和FH）、GPAT（C）和ROD（D）的分布

图2 移动图像中外部物体的干扰

图2.零初始生长率 (ZIGM) 和非零初始生长率 (NZIGM) 的水稻高度曲线 (A) 及其一阶 (B) 和二阶 (C) 导数曲线示例

图3.基于与 RF 的最佳特征组合的PI(A)、IH(B)和FH(C)的测量物候期与估计物候期的散点图。

图4.物候期估算的主要流程图