论文部分内容阅读
作物系数Kc快速获取是大田作物蒸散量（Evapotranspiration,ET）估算的关键。本文以2017年内蒙古达拉特旗昭君镇实验站大田玉米、土壤、气象等数据为基础,采用经气象因子和作物覆盖度校正后的双作物系数法计算不同生长时期与不同水分胁迫玉米的作物系数,使用自主研发的无人机多光谱系统拍摄玉米的冠层多光谱（蓝、绿、红、红边、近红外,475840nm）影像,使用不同的建模方法,研究了不同生长时期（FAO-56中作物生长时期划分:快速生长期、生长中期和生长后期）玉米6种不同种类植被指数:归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、比值植被指数（SR）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI）,与作物系数Kc和基础作物系数Kcb关系及水分胁迫对其影响,生成作物系数Kc和实际蒸散量ET的空间分布图,分析了无人机多光谱遥感技术估算玉米Kc的可行性和适用性。本文的主要工作及结论如下:（1）使用自主研发的无人机多光谱系统采集实验区域玉米多光谱影像,采用Pix4DMapper软件对无人机多光谱系统获取的1795张高分辨率多光谱影像进行拼接,得到整个实验地的正射影像,地面分辨率为0.05m。正射影像在灰板校正后得到各波段的反射率影像,使用ENVI提取采集实验数据的感兴趣区域,并计算6种不同类型的植被指数。（2）使用一元线性回归、多元线性回归、多项式回归和支持向量回归4种建模方法建立不同时期（快速生长期至生长后期、快速生长期和生长中期至生长后期）和不同水分胁迫（充分灌溉和水分胁迫）条件下玉米植被指数与作物系数Kc的关系模型。快速生长期至生长后期充分灌溉条件下采用支持向量回归方法建立玉米植被指数与作物系数Kc的关系模型精度最好,其中植被指数SR与作物系数模型精度（R2=0.64,RMSE=0.0526）最好;水分胁迫条件下采用多元线性回归模型建立植被指数与作物系数Kc的关系模型精度（R2=0.90,RMSE=0.0996）最好。快速生长期至生长后期充分灌溉条件下采用一元线性回归方法建立植被指数与基础作物系数Kcb的关系模型,其中植被指数EVI与Kcb的模型精度（R2=0.83,RMSE=0.0834）最好;水分胁迫条件下采用一元线性回归方法建立植被指数与基础作物系数Kcb的关系模型,其中植被指数SAVI与Kcb的模型精度（R2=0.82,RMSE=0.0857）最好。生长时期和水分胁迫是影响玉米的植被指数估算作物系数Kc的两个主要因素,不同生长时期和不同水分胁迫玉米的植被指数和Kc相关性差异较大。快速生长期充分灌溉条件下采用一元线性回归方法建立植被指数与作物系数Kc的关系模型,其中植被指数SR与作物系数的模型精度（R2=0.92,RMSE=0.0296）最好;水分胁迫条件下采用多元线性回归方法建立植被指数与作物系数Kc的模型精度（R2=0.30,RMSE=0.0327）最好。生长中期至生长后期充分灌溉条件下采用支持向量回归方法建立植被指数与作物系数Kc的模型精度最好,其中植被指数SR与作物系数Kc的模型精度（R2=0.44,RMSE=0.0789）最好;水分胁迫条件下采用支持向量回归方法建立植被指数与作物系数Kc的模型精度最好,其中植被指数SR与作物系数Kc模型精度（R2=0.94,RMSE=0.0728）最好。结果表明采用无人机多光谱遥感技术估算作物系数Kc与基础作物系数Kcb具有一定的可行性。（3）快速生长期使用植被指数SR,采用一元线性回归方法,建立样地A玉米作物系数Kc空间分布图和实际蒸散量ET空间分布图;生长中期至生长后期使用植被指数SR,采用多项式回归方法,建立样地B玉米作物系数Kc空间分布图和实际蒸散量ET空间分布图。快速生长期样地A实际蒸散量的预测值估算真实值精度（R2=0.83,RMSE=0.1909）与生长中期至生长后期使用实际蒸散量预测值估算真实值的精度（R2=0.87,RMSE=0.5542）都较好,说明采用无人机多光谱遥感技术估算大田玉米实际蒸散量具有一定可行性。