现代农业研发计划涉及对分布在广阔试验田的大量地块评估。因此，劳动密集型的手动测量已经不能满足收集和评估作物各生育时期数据需求，基于无人机的高通量表型平台（High Throughput Phenotyping platforms，HTTP）的重要性日益增长。

本研究旨在探索和验证基于HTTP对三种作物（面包小麦、大麦和燕麦）不同灌溉条件下预测其抽穗期（date of heading，HD）和成熟期（date of maturity，MD）的可行性，特别是从传统RGB图像中获得的植被指数（Vegetation Indexes, VIs）预测潜力。

为了准确预测DH和DM，在整个作物生长周期中进行了9次数据采集，并且基于VIs成功开发了DH和DM预测模型。结果表明，基于植被指数可以准确地预测重要生育期，尤其是灌浆期。分别构建面包小麦和燕麦预测模型可解释面包小麦65%的变异和燕麦75%的变异；在两种灌溉条件（灌溉和旱作）下解释的方差百分比最高。然而，将此模型应用于大麦时，其解释方差百分比下降（DH的R²<0.5）。另外，将最终株高作为预测模型训练集时仅增加了灌溉条件下面包小麦的预测精度。此外，基于多时态方程（融合了来自不同无人机采集的数据）显着提高了模型预测精度（DH预测提高了160.71%），特别是灌溉条件下特定作物的模型。

本研究以RGB图像提取的植被指数作为作物生育时期的预测因子，探讨了不同作物预测模型在不同灌溉条件下的表现。另外，本研究建立了基于无人机衍生数据构建作物生育时期预测模型的全面工作流程，大大推动了基于无人机的高通量表型技术在开发作物新品种、改进农艺措施和精准农业实践等领域的发展。

图1. 预测抽穗期和成熟期的数据采集流程图和模型阐述

图2. 箱线图显示了基于单个和组合植被指数构建预测模型的R²

图3. 基于R²和RSME对小麦、大麦和燕麦的抽穗期预测天数和实际天数进行回归分析，以评估每种作物的最佳模型(A：灌溉；B：旱作)

图4. 基于R²和RSME对小麦、大麦和燕麦的成熟期预测天数和实际天数进行回归分析，以评估每种作物的最佳模型(A：灌溉；B：旱作)

图5. 基于本研究方案构建作物生育时期模型的建议步骤