排灌机械工程学报杂志投稿格式参考范文：光学遥感在区域灌溉监测中应用的研究进展

　　农业灌溉约占人类总淡水用量的 70%，其中 57% 的淡水是不可再生的，不可再生淡水中又有 70% 用于棉花、小麦和玉米等灌溉作物的生产中。中国农业用水量占全国总用水量的 61.5%，但灌溉效率远低于国际领先水平，有效利用系数仅为 0.568。气候变化、人口压力、传统的灌溉方法都在加剧水资源配置的矛盾，在维持粮食生产、节约用水等方面面临着重大挑战。提高农业用水效率是确保全球粮食安全、保持水资源质量和数量的迫切要求。

　　遥感技术的发展，可以有效克服传统地面监测存在的效率低、成本高、破坏性大等不足，并能对气象环境、土壤墒情、作物种类等要素的时空变异特征进行精准分析，为作物水分亏缺的快速监测提供一种新的方法。目前，遥感技术在植被覆盖度、冠层温度、作物病虫害、生物量等农业中的应用已较为成熟，但在灌溉管理和田间水分信息的获取上仍处于起步阶段。

　　文中从作物需水量监测和灌溉面积监测方法两方面展开，综述分析国内外遥感技术在田间水分信息获取方面的研究现状和进展，旨在明确遥感技术在灌溉管理中的技术思路和发展方向。

　　1 作物需水量监测

　　作物需水量的监测可以更好地管理农田，提高作物的产量。作物需水量的预测减少了灌溉水的浪费，合适的灌溉量可以有效地控制土壤湿度，从而改善作物的生长状况、提高作物的产量。但是受地形、气候、植被和其他因素的影响，传统的小尺度观测结果在空间表达上存在一定的局限性，很难在区域尺度上准确反映作物需水量。国内外研究人员根据遥感技术的特性，在监测作物水分信息诊断方面进行了大量的研究，按监测对象的不同可以分为基于土壤水分系数的需水量计算方法和基于作物自身参数的需水量计算方法。

　　1.1 基于土壤水分系数的需水量计算方法

　　遥感技术能够通过多种途径获取田间水分信息，最常用的方法是使用可见光和近红外光谱技术从地表反射的光谱中提取土壤水分系数。由此研究人员建立了一系列土壤水分系数计算模型，例如水云模型、Roo 模型和土壤水分估算模型 SMEM 等。水云模型是一种用于估算地表反射率的模型，通过估算地表反射率，进而获取所需的土壤系数。根据土壤墒情计算作物需水量的方法主要有 2 种：一种是以土壤含水率为基础，计算作物需水量;另一种是通过土壤水分系数计算作物需水量，主要方法是联合国粮农组织 FAO-56 推荐的作物系数法估算作物需水量。

　　ORTIZ 等使用遥感数据和 FAO-56 水量平衡法计算了 2 种香菜的需水量，对土壤含水量与作物生长状态分析后制定出一套合适的灌溉计划，提高了种子的产量。廖晋一等应用水云模型反演浅层土壤含水量计算出土壤水分修正系数，结合、修正作物系数和预测试验区作物未来 15d 需水量，预测值与实际需水量相对误差为 0.18，结果较为可靠。Roo 模型是一种能够通过植被覆盖、植被类型等多种因子反演土壤含水量的方法，但目前国内外相关研究还很少。李艳等将植被高度 h 与植被覆盖度引入经典的水分估算模型，发现优化后的模型反演高秸秆作物的水分状态估算精度有所提高。孙爽等采用彭曼公式和作物系数法计算了冬小麦各生育阶段的需水量和水分亏缺率，研究了作物系数对冬小麦需水耦合特征，并以此定量评价作物需水量。

　　1.2 基于植被指数的需水量计算方法

　　通过作物蒸腾量与作物系数计算作物需水量涉及因素较多，容易产生误差;通过植被指数确定，再通过计算作物需水量减少了误差，设计的灌溉方案更加精准。目前已用于计算的植被指数主要有归一化差异植被指数 NDVI 和土壤可调节植被指数 SAVI。BHADRA 等开发了水库管理的水平衡模拟模型，用于确定 1a 的灌溉用水量，并提出了一种新的计算方法，即根据裸露土壤和完整冠层反射率之间的比值计算。

　　后来的研究人员大多使用公式对进行计算，ARSHAD 等根据 LANESAT 图像中的 NDVI 估算了印度主运河灌区的小麦蒸散量，使用灌区的和估算了小麦作物的作物蒸散量 ET。宋戈等利用 NDVI 与建立了一个线性回归模型，再通过作物需水量平均模比系数计算作物需水量，所得小麦作物系数与资料数据误差在 0.03 以内，具有很高的精度。汤建栋采用回归分析的方法对不同植被指数与玉米的相关性进行了研究，结果表明，NDVI、SAVI、RDVI 和 OSAVI 的泊松相关系数均在 0.9 以上。

　　相较于监测土壤水分系数确定作物需水量的方法，基于植被指数监测的方法更为高效，且不受气象因素、环境温度和光谱特性的影响。但通过不同的蒸发模型求得的精度会对作物需水量的计算精度产生影响，例如 ADAMALA 等对澳大利亚多种作物进行计算时发现所使用的 PET 产品是模型的敏感输入，主要由作物类型(矮或高)驱动，使用 FAO-56 的方法，矮作物获得了更好的结果，而使用 ASCE 方法，高作物获得了较好的结果，这需要对作物蒸腾模型做进一步的研究。

　　2 灌溉面积监测技术

　　灌区面积的监测是灌溉管理中重要的一环，其面积分布直接影响到灌区内的水资源分配与调控工作的顺利进行。目前，有许多方法实现了在地面站点对土壤湿度进行观测，例如时域反射法、称重法和电阻率法等。这些方法在点尺度观测的精度可达左右，并且能够获得深层土壤水分信息，被认为是从地面获取真实数据的有效方法，但传统监测方法和纯数值预测模型在尺度上并不能满足实际生产的需求。遥感数据提供了一个相对高效精准的技术方法，并且随着遥感技术的发展，时空和光谱分辨率均得到了大幅的提升，为灌溉面积的提取提供了更为可靠的数据。

　　2.1 光谱特征空间反演法

　　近年来，结合地表温度、反射率等参数构建特征空间监测土壤湿度的研究不断增多，主要包括 LST-NDVI 特征空间法、NIR-Red 特征空间法和 NIR-SWIR 特征空间法等。

　　SANDHOLT 等简化了 PRICE 创建的 LST-NDVI，提出了温度植被干旱指数 TVDI 的概念，通过遥感数据监测大型灌区中土壤湿度的分布情况。GHULAM 等由 NIR-Red 特征空间中点到土壤线的垂直距离可以描述干旱情况这一原理，提出了垂直干旱指数 PDI。王啸天等建立了一种基于 PDI 差异阈值的灌溉面积监测模型，确定了宁夏地区的差异阈值，据此估算的灌溉面积精度达到了 75% 以上。王海峰等通过相关系数法筛选出对土壤含水率敏感性最高的波段 NIR-Red，建立 NIR-Red 与土壤含水率的回归模型，反演出的表层土壤含水量与实际值相关性在 0.92 以上，但由于 NIR-Red 波段对土壤穿透性较差，模型仅能预测 5cm 深度内的土壤含水率。

　　NIR-Red 特征空间法是从光谱特征空间对土壤含水量实施监测，适用于植被覆盖度低或裸露的土壤环境，无法对植被覆盖类型差异较大的区域进行监测。针对这一问题，BAO 等基于水云模型和 Landsat-8 图像，提出了一种在中度植被覆盖度下反演土壤湿度的方法，精确估计了西班牙植被覆盖地区的土壤湿度。GHULAM 等引入植被覆盖度这一指数，减少了特征空间混合像元中植被信息的影响，得到了修正的垂直旱情指数 MPDI，实现了对田间环境下土壤含水量的监测。

　　由于作物叶片对红和蓝 2 种波段有较强的吸收反应，因此目前多采用 NIR-SWIR 特征空间法对作物含水量进行监测，从而实现对土壤含水量的反演。沈静以河套灌区为研究区域并结合渠口开关时刻表建模分析了该地区的指数 PDI、MPDI 和 SPSI，结果发现 SPSI 土壤湿度分区结果明显优于 PDI。WANG 等将可见光短波红外干旱指数 VSDI、归一化差分红外指数 NDII 和短波红外水分胁迫指数 SIWSI 在不同植被覆盖度下监测土壤湿度的能力进行了对比，发现 VSDI 与土壤含水量之间存在着较大的相关性。

　　目前光谱特征空间提取法主要针对地表土壤(0~20cm)，对深层土壤的监测能力较弱，容易受到降雨、灌溉等因素的影响，需要在不同的条件下选择合适的指数才能达到最佳效果。现有的相关植被指数较多，应用复杂，需要根据实际田间情况分析讨论，且通过作物含水量反演土壤湿度有一定的滞后性，还需要进行深入研究。

　　2.2 冠层温度反演法

　　高效、精准获取田间土壤温度对于精准农业有着重要的意义。研究人员发现，冠层温度可以作为反映土壤湿度的指标之一，且因其易于获得而受到广泛关注。何娇娇等利用地表温度反演指数 LST 和植被供水指数 VWSI 对灌溉区域进行了提取，两者相互检验，提取的重叠区超过了 85%，同时对于植被覆盖率高的地区，其识别的准确率也更高。IRSYAD 等在日本松山对不同生长阶段的水稻冠层温度与土壤湿度的关系进行了研究，发现干旱区的平均冠层温度比湿润区的高 0.63℃。这一现象与作物蒸腾密切相关，土壤含水量低，叶面部分气孔闭合，植被蒸腾作用降低，进而引起冠层升温和 NDVI 降低，因此常通过设定阈值来提取灌溉区。

　　研究人员发现直接以冠层温度作为土壤湿度的监测指标稳定性不足，因此考虑使用冠气温差、冠层气温比等指标来判断土壤含水量。张立伟等通过对玉米良玉 11 进行不同的水分处理，发现当土壤体积含水量低于时，冠气温度比冠气温度差达到最大，作物出现萎蔫;当土壤体积含水量在附近时，冠气温度比冠气温度差最小，作物状态良好。狄艳等以拔节期小麦为研究对象，选取冠层温度、冠气温差和冠气温比对土壤含水量进行诊断，结果表明冠气温差与土壤含水量相关性最高，相关系数为 - 0.63，表明冠气温差与土壤湿度呈负相关。

　　目前，基于冠层温度提取灌溉面积的方法需要将水分胁迫指数 CWSI、大气温度等参数进行融合，其估算精度受环境因子的影响很大。与 NIR-SWIR 特征空间法相似，冠层温度对土壤湿度的反演同样存在滞后性，且对于不同的作物，冠层温度对土壤湿度响应的滞后性需要结合作物生化特征进行研究。

　　2.3 能量平衡反演法

　　将遥感技术与能量平衡理论相结合，WASTON 首次提出一个适于反演土壤含水量的热惯量法。地表蒸散发过程是地表水循环和能量循环的关键组成部分，除地表蒸散发外，土壤蒸腾、植被蒸腾常一起用于监测田间持水率、植被需水量等。近年来，研究人员结合遥感数据，克服了由不同植被覆盖类型、土壤高度差异化导致的测量困难的问题，并建立了大区域尺度下的热惯量模型。地表能量平衡是遥感蒸散发估算的理论基础，在不考虑水平方向能量输送情况下有相应的地表能量平衡方程。

　　热惯量模型可分为单层模型和双层模型。单层模型物理意义明确，但不区分土壤蒸散和植被蒸散，常用的单层模型有模型、SEBS 模型等。由于单层模型并没有考虑植被 - 土壤间的水热关系以及表面抗阻，因此可能会高估潜热通量，导致模型存在一定误差。为避免这一误差，研究人员使用余项法计算感热通量，即用空气阻抗计算显热通量，再将潜热通量以能量平衡的余项求出，并有其主要公式。

　　马铭阳以银卫平原蒸散发的时空分布为研究对象，运用水平衡法对 SEBS 模型、彭曼模型和特征空间法进行了对比，其中 SEBS 模型法的估算结果最理想，将数据误差带来的不确定性降到了最低。针对实时气象因素对土壤湿度变化的影响，田国珍等根据 CWSI 对冠层温度敏感性高的特点，构建了一种基于 SEBS 模型的 CWSI 干旱指数，缺水区域与实测值的相关程度很高，在枯水季，反演结果比实测值高，而在丰水季，反演结果比实测值低。

　　由于遥感数据具有地面瞬态特征，现有研究多基于瞬态观测资料进行参数提取，忽略了气象因素对参数反演的影响。武永利等将 SEBS 模型的时间分量由逐日调整为逐时累计，增强了模型的时效性，估算的蒸散量与实测值相关性系数达到了 0.86，并分析了山西省日均作物需水量变化趋势。

　　双层模型相对于单层模型物理机制更为先进。为了能够区分土壤蒸发和植被蒸散，SHUTTLEWORTH 等提出了一个可以表述地表热通量和传输规律的经典模型 S-W 模型，并有着双层蒸散发模型表达式。

　　宋小宁等应用双层蒸散模型计算出地表缺水指数 SWDI，通过 SWDI 反演了 0~20cm 表层土壤和植被冠层水分含量，划分不同区域的缺水等级。高瑞睿从水量平衡原理出发，通过水量平衡公式推导灌溉量，再根据灌溉量绘制灌溉面积分布图，精度高达 81.13%，降低了气象条件和植被覆盖度的影响。虞文丹等结合土壤水分可供率，改进了双层模型，计算实际蒸散发量，再应用彭曼模型计算 CWSI，与实测土壤含水量建模分析，提取了土壤含水量分布区域面积，平均相对误差均在 5% 左右。

　　尽管遥感数据反演区域水热通量有着很大的不确定性，但仍是蒸散发模型不可替代的数据来源。蒸散发模型本身涉及到空气动力学、作物生理过程和能量交换等多个学科，目前对这些学科的认识仍有很多不足，蒸散发模型仍需要进一步完善。

　　2.4 植被指数反演法

　　通过遥感数据计算的植被指数可以有效反映作物生长状态，例如作物水分胁迫状态、蒸腾蒸散量、土壤水分含量以及植被覆盖度等。以植被指数反演田间土壤湿度，一般仅适用于植被覆盖度较高的区域。早期通过植被指数对灌溉面积的提取主要是对 NDVI 宽带绿度指数进行计算。刘逸竹等采用 Pervez 提出的灌溉面积统计法，以 NDVI 峰值为分类依据，对数据进行空间重建，获取灌溉面积。

　　随着研究的深入，各种植被绿度指数和植被水分指数应用得越来越广泛，例如增强植被指数 EVI，SAVI、植被供水指数 VSWI，TVDI 等。陈阳等基于 NDVI-LST 特征空间计算出植被温度指数 VTCI，对云南省各时相的 VTCI 影像进行了面积统计，发现 VTCI 与土壤的含水量之间存在一定的滞后性。焦旭对石津研究区的地表温度 LST、VSWI 和 TVDI 进行了反演，确定灌区阈值和作物矢量边界，发现灌溉区域分布重合度达到 80% 以上，结果具有较好的一致性。基于此，田鑫等建立 VSWI 差异模型和 TVDI 差异模型，提取了研究区的灌溉面积，对比发现两者具有较高的一致性，精度均达到 85% 以上。由温度指数提取灌溉面积，改善了植被指数仅适用于植被覆盖度高区域的问题，在植被覆盖度较低的区域也同样适用;由温度指数反演灌溉面积存在明显的滞后性，同时地表环境的复杂程度也会严重影响反演的结果，从而导致更大的误差。

　　为增强植被指数的可靠性和适用性，研究人员开始通过机器学习、自动训练、分类器等算法对遥感图像进行分析研究。TELUGUNTLA 等在 GEE 云平台上，通过机器学习算法 MLA 和训练 RE 算法对澳大利亚和中国的 3000 个农田样本进行训练，总体精度可达 94%。徐超等应用随机森林算法，以水调节绿色指数 WGI 为分类参数，提取了 2010 年和 2020 年宝鸡峡耕地灌区面积，精度达到 90% 以上。

　　XIE 等设计了一种半自动训练方法，以现有的灌溉图、EVI、绿度指数为训练池，训练生态区域分层随机森林分类器进行像素级分类，确定灌溉农田面积及准确度。DEINES 等应用 BULE 更新算法填补遥感图像空白，结合遥感图像、环境协变量和地面实况数据集，创建了应用于地区的单一随机森林的分类器，使总体准确率达到 91.4%。相较于传统的植被指数反演法，融合了机器学习等算法的模型预测精度提升了 10% 左右。

　　但由于植被指数受蒸腾蒸散量、植被覆盖度和土壤温度等方面的影响，植被指数法在中度、重度缺水的田间，灌溉区域的提取效果较差。

　　3 总结与展望

　　文中总结了近 10 年来国内外学者研究遥感技术在灌溉管理方面的应用成果，主要从作物需水量的确定和灌溉面积的提取两方面展开，深入剖析了遥感在农业灌溉方面的技术原理以及现有模型，得出了以下几点结论并对未来相关研究进行了展望：

　　遥感技术在灌溉管理中的应用是近些年农业灌溉领域的热点之一。遥感技术可以克服土壤环境、作物类型等因素对灌溉管理的影响，可在复杂地形上为大区域农田高效获取作物和土壤含水量提供新的手段，在精量灌溉等技术应用中具有明显的优势、广阔的前景。

　　通过确定蒸散量和基础作物系数，以计算作物需水量是目前最常用的方法，无论是对土壤还是植被指数的监测都是为了更加精准地获取相关系数。但由于光谱指数自身的局限性，仅能提取表层土壤水分信息，无法监测深层土壤水分状态。

　　对灌溉面积的提取方法主要分为 2 种：一种是对比样本与光谱曲线的差异，通过阈值确定灌溉面积;另一种是对比灌溉前后的指数差异，估算水分状况。目前缺少对灌溉面积时空演变的研究，通过反演灌溉面积的变化，将其与实际情况结合，分析农业生产变化的原因，可以对农业灌溉做出相应的预测管理。

　　土壤湿度与作物需水量之间是相互影响的，将土壤湿度反演与作物模型结合，即可判断作物水分状态与灌溉量;监测作物冠层温度、植被指数、蒸散发量也可以得到土壤水分状态，但存在一定的滞后性，需要在反演前进行参数评定。

　　为实现区域化精细化灌溉的需求，综合考虑气候环境和多种作物灌溉之间的差异性，将作物模型与遥感数据进行数据同化研究，搭建智能化灌溉设备，组建地空一体的农业水资源管理系统将会是未来的研究重点。

李伟;宋睿;刘明江;李硕,江苏大学国家水泵及系统工程技术研究中心;江苏大学镇江流体工程装备技术研究院,202411