玉米作物系数无人机遥感协同地面水分监测估算方法研究

张 瑜，张立元，Zhang Huihui，宋朝阳，蔺广花，韩文霆



玉米作物系数无人机遥感协同地面水分监测估算方法研究

张 瑜1,2，张立元3，Zhang Huihui4，宋朝阳5，蔺广花6，韩文霆1,7※

（1. 中国科学院水利部水土保持研究所，杨凌 712100；2. 中国科学院大学，北京 100049；3. 西北农林科技大学机械与电子工程学院，杨凌 712100；4. 美国农业部农业研究服务属，柯林斯堡 CO 80526；5. 西北农林科技大学资源环境学院，杨凌 712100；6. 西安工业大学建筑工程学院，西安 710000；7. 西北农林科技大学水土保持研究所，杨凌 712100）

该文研究不同水分胁迫条件下无人机遥感与地面传感器协同估算玉米作物系数的可行性。利用自主研发的六旋翼无人机遥感平台搭载多光谱传感器获取内蒙古达拉特旗昭君镇试验站不同水分胁迫下大田玉米冠层光谱影像，计算植被指数，采用经气象因子和作物覆盖度校正后的FAO-56双作物系数法计算玉米的作物系数，研究作物系数与简单比值植被指数（simple ratio index，SR）、叶面积指数（leaf area index，LAI）和表层土壤含水率（surface soil moisture，SM）的相关关系，结果表明，作物系数与SR、LAI和SM的相关程度与水分胁迫程度有关，但均呈现出显著或极显著的线性关系，说明了基于这些指标建立作物系数估算模型的可能性。利用逐步回归分析方法建立了作物系数的估算模型，其估算模型，修正的决定系数、均方根误差和归一化的均方根误差分别为0.63、0.21、25.16%。经验证，模型决定系数、均方根误差和归一化的均方根误差分别为0.60、0.21、23.35%。研究结果可为利用无人机多光谱遥感平台进行作物系数估算提供技术参考。

土壤水分；胁迫；无人机；作物系数；比值植被指数；叶面积指数

0 引 言

作物蒸散发（evapotranspiration，ET）由土壤蒸发与作物蒸腾组成，是连接生态与水文过程的重要纽带。在农业生产中超过90%的农业用水最终以蒸散的形式消耗[1-2]，因此农田ET的快速准确估算对灌溉制度制定和水分利用效率提升意义重大[3-4]。目前，蒸散发的传统测定方法主要包括土壤水量平衡法、蒸渗仪法、涡度相关仪法、闪烁通量仪法、波文比-能量平衡法、空气动力学法等[5]。1998年联合国粮农组织（Food and Agricultural Organization，FAO）基于Penman-Monteith公式利用参考作物蒸散量（reference evapotranspiration，ET0）以及作物系数计算农田ET[6]，具有估算精度高、实用性强等优势特征，在世界各地范围内都得到广泛应用[7-8]。FAO-56作物系数 法[9]可分为单作物系数法和双作物系数法。与单作物系数法相比，双作物系数法由于可区分作物蒸腾和土壤蒸发，能够更加精确地计算农田ET[10]。但在实际应用时，双作物系数法需利用当地试验资料（如气候条件、作物生长状况等参数）进行修正以达到准确计算农田ET的目的[11]。如Pereira等[12]对作物阶段持续时间和基础作物系数进行修正，结果表明修正后的双作物系数法对于蒸散发的估算精度有显著提高。冯禹等[13]通过利用叶面积指数计算覆盖度并校正双作物系数的方法估算黄土高原旱作玉米的ET，结果表明该方法具有较好的估算精度（决定系数2=0.87）。

由于植被指数能够实时快速反映作物的生长状况和空间差异性，因而遥感技术被研究人员广泛运用于作物系数（K）的估算中。如Glenn等[14]发现MODIS卫星遥感影像获取的叶面积指数（leaf area index，LAI）、归一化差值植被指数（normalized difference vegetation index，NDVI）、土壤调整植被指数（soil-adjusted vegetation index，SAVI）与作物系数之间具有较强的相关性。Gontia等[15]基于IRS-1C卫星遥感技术分析了印度西孟加拉邦冬小麦生育期内不同月份的植被指数（NDVI和SAVI）与其每月作物系数K的相关关系，建立的回归方程能够较好地估算K。Campos等[16]采用Landsat-5 TM卫星遥感影像研究了西班牙东南部葡萄作物系数与植被指数（NDVI和SAVI）的关系，结果表明基于NDVI、SAVI等建立的线性模型能够较好地估算作物系数K（2=0.67）。Park等[17]采用MODIS卫星遥感数据在农田区域建立的基于NDVI、LAI与表层土壤含水率的K反演模型可以较好地估算农田ET（2=0.53～0.83）。Lei[18]基于MODIS卫星遥感数据在华北平原利用植被指数（NDVI、SAVI等）和实测的土壤水分数据建立模型可以很好地估算水分充足情况下的农田ET（2=0.81～0.94）。Drerup等[19]基于地面光谱遥感研究了欧洲西北部温和潮湿气候下冬小麦作物系数与NDVI的关系，结果表明灌溉良好的情况下可以较好地估算农田ET。李贺丽等[20]基于地面光谱技术建立不同水分胁迫下大田冬小麦的K模型，但决定系数2仅为0.09～0.15（<0.01，=195）。基于卫星遥感获取植被指数时存在重访周期长、时空分辨率较低、易受天气影响等缺点，难以实现农田作物田块尺度上的日蒸散量快速准确获取。目前，无人机遥感系统凭借其运载便利、灵活性高、作业周期短、影像数据分辨率高等优势，使得农田尺度上植被指数的低成本、快速获取成为可能，在灌溉领域得到越来越多的应用[21-26]。Romero等[27]基于无人机遥感技术在葡萄园建立植被指数与土壤水势的人工神经网络模型反演精度较高（2=0.81）。Hassan- Esfahani等[28]基于无人机遥感技术在农田区域建立贝叶斯人工神经网络模型估算根区土壤水分具有很好的精度（2=0.94）。笔者所在的研究团队[29]基于无人机多光谱遥感技术分析了玉米不同生育期6种植被指数与K的相关关系，表明部分植被指数与K的相关性较强。

综上，基于无人机遥感技术与土壤水分地面监测相结合的水分胁迫下作物系数遥感估算方法研究较少。在团队研究[29]基础上，本文设计了多种水分胁迫处理，基于无人机遥感技术和地面传感器，研究建立作物系数估算模型的可行性，以期为大田玉米作物系数的无人机估算研究提供技术支持。

1 材料与方法

1.1 试验地概况

试验地位于内蒙古鄂尔多斯市达拉特旗昭君镇西北农林科技大学精准灌溉试验站（40°26.00¢N，109°36.43¢E，平均海拔为1 010 m）。土壤为砂土，一年种植一季夏玉米。该试验地属于温带大陆性气候，试验期间总降雨量仅为44 mm，降雨难以达到作物需水要求，以喷灌作为主要的灌溉方式。试验地的田间持水率为29%（体积含水率），土壤容重为1.56 g/cm3。

1.2 水分胁迫处理及试验

前人研究表明[30]，内蒙地区春玉米适宜土壤含水率下限为田间持水量的55%～60%。考虑到砂土土质，本文以田间持水量的50%为基准在玉米快速生长期（播种后0～61 d）、生长中期（播种后62～92 d）和生长后期（播种后93～101 d）分别设定不同的水分胁迫梯度，3个生育期土壤含水率比值分别为100/100/100（TR1）、80/100/ 100（TR2）、80/100/50（TR3）、80/65/30（TR4）。TR1～TR4处理对应如图1所示试验地中1～4号扇形区域，试验中利用中心支轴喷灌机进行灌溉，通过调节喷灌机转速以实现各扇形区域内不同灌溉量处理。由于降雨以及环境因素的影响，最终各试验样区实际灌溉量与降雨量如表1所示。各样区中采用均匀放置的3个雨量筒来测量其灌溉量和降雨量，取3次重复的平均值。

注：5 cm×pixel-1；1~4为对应于4个处理的样区。

玉米品种为钧凯918，2017年5月20日播种，6月1日出苗，7月20日抽穗，9月7日收获（青储），生育期共110 d。玉米种植行距58 cm、株距25 cm、行向由东到西，试验地（如图1中圆形区域）总面积为1.13 hm2。同时根据当地农民的种植经验进行施肥以及施加除草剂来避免其他因素的影响。

表1 各处理灌溉量与降雨量

注：为田间持水量的50%。IR, 灌水量；PR，降雨量；DSM，设定的土壤含水率；SM，实测土壤含水率。

Note:is 50% of field water-holding capacity. IR, irrigation amount; PR, precipitation; DSM, designed soil moisture; SM, measured soil moisture.

1.3 田间数据采集和基于FAO法作物系数的计算方法

1.3.1 作物生长指标

在各区域内分别选取1块12 m×12 m的方形样区（如图1中样区1～4），2017年6月26日—8月29日采用随机采样法对各样区内玉米叶面积指数LAI、株高进行连续观测，每2～5 d测定1次，共采集17次数据，每次进行作物生长指标采集时同步获取无人机遥感数据。采用LAI-2000C（LI-COR，USA）植被冠层分析仪在各样区随机测出10个LAI并取其平均值作为测量样区的平均LAI。株高测定是在各样区内用米尺测量10个株高并取其平均值作为测量样区的平均株高。

1.3.2 气象站数据

农业气象站位于试验区西南100 m处（40°25¢N，109°36¢E），以青草作为下垫面参照作物。监测指标包括降雨量、2 m处风速、空气温度、相对湿度、太阳辐射等气象参数，每30 min采集1次气象参数的数据。

1.3.3 土壤水分监测

利用土壤水分传感器（TDR 315 L）观测田间玉米生育期内的土壤水分动态变化。各样区中布设1个土壤水分采集点，每个采集点采集土深180 cm内土壤含水率数据，以30 cm等间距布设（共6个深度），每30 min采集1次土壤水分数据。同时，各样区通过取30 cm土层含水率作为表层土壤水分。

1.3.4 作物系数计算方法

采用FAO56指南[6]推荐的双作物系数法计算K，首先计算标准状况下（无病虫害，具有优水土条件，施肥量适宜）生育期内各生长阶段的基础作物系数，并根据试验地的气候因素、作物生长情况（如株高、叶面积指数等）、管理与环境条件对其进行校正，最后计算土壤蒸发系数和水分胁迫系数。主要计算公式如下：

式中cb为基础作物系数；cb,adjust为生育期内各生长阶段采用气象因子校正得到的基础作物系数；cb,tab为标准状况下的基础作物系数；2为各生长阶段2 m高度处的日平均风速，m/s；RHmin为各生长阶段日平均最小相对湿度，%；为各生长阶段作物平均株高，m；cb,a为采用作物实际覆盖度校正后的基础作物系数；Kmin为裸露土壤时的最小作物系数（取值范围为0.15～0.20）；LAI为当地试验条件下实测的叶面积指数；K为土壤蒸发系数；K为土壤蒸发衰减系数（本文取0.1 m土层厚度）；Kmax为作物系数上限；K为水分胁迫系数，水分胁迫情况下K<1，无水分胁迫情况下K=1；ew为裸露潮湿土壤的比例；TAW为根系层中的总有效水量，mm；D为根层土蒸发耗水量的累积深度，mm；RAW为根系层易被作物吸取的有效水量，mm。

1.4 基于无人机遥感数据计算植被指数

1.4.1 无人机遥感数据采集与预处理

无人机数据采集及预处理方法同文献[29]。采用六旋翼电动无人机（无人机总质量为3.5 kg，最大载质量为5 kg）搭载RedEdge（MicaSense，USA）多光谱相机（多光谱相机在使用前进行去噪、镜头畸变校正处理），每周飞行2次，灌溉时不进行数据采集。数据采集选择晴朗无云的天气，采集时间当地时间11:00—13:00（北京时间11:44—13:44），飞行高度为70 m，获得的影像空间分辨率为5 cm/pixel。在获取无人机多光谱影像前，在飞行区域内布置漫反射板（反射率58%，尺寸3 m × 3 m，GroupVIII，USA），用于多光谱影像DN值的标定。试验期间（2017年6月26日—8月29日）共采集17组数据。

1.4.2 植被指数选取及计算方法

植被指数可以实时快速反映作物的生长状况和空间差异性，其中，简单比值植被指数（simple ratio index，SR）作为常用的植被指数之一，已被广泛应用于高密度植被区域的动态变化监测中且在作物系数研究中被证明具有较好的估算精度[29]，因此本文选取了SR进行作物系数估算。采用Pix4DMapper软件进行无人机多光谱影像数据的拼接以及相关处理，首先利用相对应的地面控制点数据进行几何校正，生成数字正射影像图（digital orthophoto map，DOM），然后利用灰板对获得的光谱影像图进行反射率校正，获取试验地反射率影像，最后采用ENVI软件平台裁剪各样区的反射率影像，并提取简单比值植被指数SR[31]，其中SR计算公式为

SR =NIR/red（6）

式中red、NIR分别为灰板对RedEdge多光谱相机红波段和近红外波段的平均反射率。

1.5 作物系数估算模型分析方法与评价指标

在玉米生育阶段，基于无人机影像在每个样区提取了17组植被指数数据，与当天同步测量的各样区17组LAI数据和17组表层土壤水分数据一一对应，构成K的样本数据集，4个样区总共获得68组数据。随机选择各样区70%的样本（包括植被指数、LAI、表层土壤水分数据及基于FAO法计算得到的作物系数）数据（48组数据）作为建模集，基于逐步回归分析方法构建K的估算模型。最后，利用其余30%的样本数据（20组数据）作为验证数据集，评价K估算模型。

用决定系数（2）、均方根误差（root mean square error，RMSE）、归一化均方根误差（normalized RMSE，nRMSE）评判拟合精度[32]。2值趋近于1，RMSE及nRMSE值越小，表明模型估测精度越高。用赤池信息量准则（akaike information criterion，AIC）衡量模型拟合优良程度，优先选择值较小的模型。

2 结果与分析

2.1 不同水分胁迫下玉米生育期SR、LAI、SM、Kc动态变化

采用三次样条函数插值方法对LAI等数据进行插值，不同灌溉水平下的各样区大田玉米快速生长期至生长后期（6月26日—8月29日）LAI、SR、表层土壤含水率SM、K的动态变化曲线如图2所示。

图2 不同水分胁迫处理下玉米快速生长期至生长后期的叶面积指数（LAI）、比值植被指数（SR）、表层土壤水分（SM）和作物系数Kc的变化曲线

由图2可知，水分胁迫显著影响作物LAI。以TR1和TR4为例，TR1中LAI达到最大值3.07，而TR4中LAI的最大值仅为2.70。同时，不同时期和不同程度的水分胁迫处理对LAI也会产生不同的影响。与TR1相比，快速生长期水分胁迫处理下，LAI增幅减小；生长后期水分胁迫处理下，LAI降幅增大；生长中期和生长后期水分胁迫加重处理下，LAI提前到达最大值，后期降幅增大且达到最低值0.82。由此可知，生育前期的水分胁迫延缓生育进程，生育后期的水分胁迫加速作物衰老，水分胁迫程度的加重会缩短作物生育期。上述结果与白莉萍 等[33-34]在不同水分胁迫下进行的玉米试验结果相一致。

用以反映作物蒸腾因素的SR在不同水分胁迫下快速生长期到生长中期变化规律不显著且只在生长后期水分胁迫严重时有下降趋势。这是由于SR主要用于监测高密度植被区域的动态变化[35]。另外，用以反映土壤蒸发因素的表层土壤水分SM在生长后期值较低，在快速生长期和生长中期值较高，这是由于玉米在快速生长期内，随着覆盖度的增加，作物耗水能力加强，导致土壤水分逐渐消耗，进而减少土壤蒸发；生长中期，由于受到水分的补给，SM显著增加，但随着作物消耗以及蒸发SM再次降低；生长后期由于植被覆盖度低，土壤蒸发加强。

大田玉米K是作物蒸腾与土壤蒸发两者综合作用的结果，在灌溉和降雨后显著提升，水分消耗后降低。其中，快速生长期水分胁迫处理下，K显著降低且维持在较高水平的时间缩短；生长后期水分胁迫处理下，K降幅增大；生长中期和生长后期水分胁迫加重处理下，K生长中期并未维持在较高水平且生长后期处于较低水平。这是由于水分胁迫限制作物生长和土壤蒸发，减少了作物蒸散。

2.2 玉米Kc估测模型的建立与验证

首先采用简单相关关系分析不同水分处理下SR、LAI、SM与K之间的关系，结果如表2所示。不同水分胁迫条件下，大田玉米K与SR、LAI和SM的相关程度不同，TR3时K与LAI的相关系数最高（0.60），其他处理时K与SM的相关系数最高。SR、LAI和SM这3个指标与K的相关系数的最小值分别为0.46、0.45及0.53，但均与K表现出显著的线性关系（<0.05）。这说明采用这3个指标建立不同水分胁迫下K的估算模型具有一定的可行性。

表2 不同处理Kc与SR、LAI、SM间相关系数

注：***，<0.001；**，<0.01；*，<0.05。下同。

Note: ***,<0.001; **,<0.01; *,<0.05. Same as below.

在上述分析的基础上，采用建模数据集（48个样本）将3个变量与K进行逐步回归分析，构建K估算模型，结果如表3所示。比较3个模型，基于3个变量的模型的adj2值为0.63、RMSE为0.21、nRMSE为25.16%，精度稍高于其他模型（图3a）。为验证模型可靠性，采用未参与估算的各样区30%实测数据集（20个样本）进行验证如图3b，结果表明：玉米K的模拟值与实测值拟合效果较好（2=0.60，RMSE=0.21，nRMSE=23.35%，<0.05,=20）。可见，该模型能够较好地估算作物系数。

表3 Kc与3个变量的逐步回归分析结果

本研究于前人研究相比取得了较好的估算结果，李贺丽等[20]采用地面光谱仪获取冠层植被指数，建立水分胁迫下的小麦K估算模型，2最大仅为0.15（＜0.01,=195），韩文霆等[29]基于无人机多光谱遥感技术建立的玉米的K模型，受到水分胁迫和生长时期的影响，2最大为0.083。本文利用无人机获取作物光谱信息，并利用地面无线传感器网络实时采集土壤含水率等信息，通过综合作物信息、土壤信息使建立的作物系数模型更加可靠。但本文并未考虑不同的植被指数对估算的影响，在后续试验中需考虑这些因素的影响来提高估算的精度。

图3 基于3个变量的玉米Kc逐步回归模型模拟及预测值与实测值的关系

3 结 论

本文利用无人机多光谱遥感技术结合地面监测数据研究了利用比值植被指数、叶面积指数和表层土壤含水率估算大田玉米作物系数的可行性，得出以下结论：

1）水分胁迫显著影响作物叶面积指数，在生长后期水分胁迫严重时比值植被指数有下降趋势，表层土壤含水率在生长后期值较低、在快速生长期和生长中期值较高，作物系数在生长后期处于较低水平。

2）不同水分胁迫条件下，大田玉米作物系数与比值植被指数、叶面积指数和表层土壤水分的相关程度不同，在胁迫程度较高、较轻时，均与表层土壤水分的相关程度较高，其他条件下，与叶面积指数相关程度高。

3）基于比值植被指数、叶面积指数和表层土壤水分3个指标建立了K逐步回归模型，经验证，其决定系数、均方根误差和归一化的均方根误差分别为0.60、0.21和23.35%，表明利用无人机监测的比值植被指数和地面监测的叶面积指数以及表层土壤含水率建立的K估算模型具有较好的估算精度。

[1] Ding Risheng, Kang Shaozhong, Zhang Yanqun, et al. Partitioning evapotranspiration into soil evaporation and transpiration using a modified dual crop coefficient model in irrigated maize field with ground-mulching[J]. Agricultural Water Management, 2013, 127(127): 85－96.

[2] Paredes P, Pereira L S, Gonçalo C R, et al. Using the FAO dual crop coefficient approach to model water use and productivity of processing pea (Pisum sativum L.) as influenced by irrigation strategies[J]. Agricultural Water Management, 2017, 189: 5－18.

[3] 石小虎，蔡焕杰，赵丽丽，等. 基于SIMDualKc模型估算非充分灌水条件下温室番茄蒸发蒸腾量[J]. 农业工程学报，2015，31(22)：131－138. Shi Xiaohu, Cai Huanjie, Zhao Lili, et al. Estimation of greenhouse tomato evapotranspiration under deficit irrigation based on SIMDualKc model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(22): 131－138. (in Chinese with English abstract)

[4] 梅旭荣，康绍忠，于强，等. 协同提升黄淮海平原作物生产力与农田水分利用效率途径[J]. 中国农业科学，2013，46(6)：1149－1157. Mei Xurong, Kang Shaozhong, Yu Qiang, et al. Pathways to synchronously improving crop productivity and field water use efficiency in the North China Plain[J]. Scientia Agricultura Sinica, 2013, 46(6): 1149－1157. (in Chinese with English abstract)

[5] Fandino M, Cancela J J, Rey B J, et al. Using the dual-Kc approach to model evapotranspiration of Albarino vineyards (L. cv. Albariño) with consideration of active ground cover[J]. Agricultural Water Management, 2012, 112: 75－87.

[6] Allan R G, Pereira L S, Raes D, et al. Crop Evapotranspiration: Guidelines for Computing Crop Water Requirements[R]. FAO Irrigation and Drainage Paper No. 56. FAO, 1998: 56.

[7] Dejonge K C, Ascough J C, Andales A A, et al. Improving evapotranspiration simulations in the CERES-Maize model under limited irrigation[J]. Agricultural Water Management, 2012, 115(12): 92－103.

[8] 文冶强，杨健，尚松浩. 基于双作物系数法的干旱区覆膜农田耗水及水量平衡分析[J]. 农业工程学报，2017，33(1)：138－147. Wen Yeqiang, Yang Jian, Shang Songhao. Analysis on evapotranspiration and water balance of cropland with plastic mulch in arid region using dual crop coefficient approach[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(1): 138－147. (in Chinese with English abstract)

[9] Allen R G. Using the FAO-56 dual crop coefficient method over an irrigated region as part of an evapotranspiration intercomparison study[J]. Journal of Hydrology, 2000, 229(1/2): 27－41.

[10] Zhang Baozhong, Liu Yu, Xu Di, et al. The dual crop coefficient approach to estimate and partitioning evapotranspiration of the winter wheat–summer maize crop sequence in North China Plain[J]. Irrigation Science, 2013, 31(6): 1303－1316.

[11] Allen R G, Pereira L S, Smith M, et al. FAO-56 dual crop coefficient method for estimating evaporation from soil and application extensions[J]. Journal of Drainage and Irrigation Machinery Engineering, 2005, 131: 2－13.

[12] Pereira L S, Allen R G, Smith M, et al. Crop evapotranspiration estimation with FAO56: Past and future[J]. Agricultural Water Management, 2015, 147: 4－20.

[13] 冯禹，崔宁博，龚道枝，等. 基于叶面积指数改进双作物系数法估算旱作玉米蒸散[J]. 农业工程学报，2016，32(9)：90－98. Feng Yu, Cui Ningbo, Gong Daozhi, et al. Estimating rainfed spring maize evapotranspiration using modified dual crop coefficient approach based on leaf area index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(9): 90－98. (in Chinese with English abstract)

[14] Glenn E P, Neale C M U, Hunsaker D J, et al. Vegetation index-based crop coefficients to estimate evapotranspiration by remote sensing in agricultural and natural ecosystems[J]. Hydrological Processes, 2011, 25(26): 4050－4062.

[15] Gontia N K, Tiwari K N. Estimation of crop coefficient and evapotranspiration of wheat (L) in an irrigation command using remote sensing and GIS[J]. Water Resources Management, 2010, 24(7): 1399－1414.

[16] Campos I, Neale C M U, Calera A, et al. Assessing satellite-based basal crop coefficients for irrigated grapes (L.)[J]. Agricultural Water Management, 2010, 98(1): 45－54.

[17] Park J, Baik J, Choi M. Satellite-based crop coefficient and evapotranspiration using surface soil moisture and vegetation indices in Northeast Asia[J]. Catena, 2017, 156: 305－314.

[18] Lei H. Combining crop coefficient of winter wheat and summer maize with remotely-sensed vegetation index for estimating evapotranspiration in the North China Plain[J]. Journal of Hydrologic Engineering, 2014, 19(1): 243－251.

[19] Drerup P, Brueck H, Scherer H W. Evapotranspiration of winter wheat estimated with the FAO 56 approach and NDVI measurements in a temperate humid climate of NW Europe[J]. Agricultural Water Management, 2017, 192: 180－188.

[20] 李贺丽，罗毅，赵春江，等. 基于冠层光谱植被指数的冬小麦作物系数估算[J]. 农业工程学报，2013，29(20)： 118－127. Li Heli, Luo Yi, Zhao Chunjiang, et al. Estimating crop coefficients of winter wheat based on canopy spectral vegetation indices[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(20): 118－127. (in Chinese with English abstract)

[21] 韩文霆，郭聪聪，张立元，等. 基于无人机遥感的灌区土地利用与覆被分类方法[J]. 农业机械学报，2016，47(11)：270－277. Han Wenting, Guo Congcong, Zhang Liyuan, et al. Classification method of land cover and irrigated farm land use based on UAV remote sensing in irrigation [J]. Transactions of Chinese Society for Agricultural Machinery, 2016, 47(11): 270－277. (in Chinese with English abstract)

[22] 韩文霆，李广，苑梦婵，等. 基于无人机遥感技术的玉米种植信息提取方法研究[J]. 农业机械学报，2017，48(1)：139－147. Han Wenting, Li Guang, Yuan Mengchan, et al. Extraction method of maize planting information based on UAV remote sending technology [J]. Transactions of Chinese Society for Agricultural Machinery, 2017, 48(1): 139－147. (in Chinese with English abstract)

[23] 汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报，2015，31(5)： 152－158. Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152－158. (in Chinese with English abstract)

[24] 王利民，刘佳，杨玲波. 基于无人机影像的农情遥感监测应用[J]. 农业工程学报，2013，29(18)：136－145. Wang Limin, Liu Jia, Yang Lingbo. Applications of UAV images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(18): 136－145. (in Chinese with English abstract)

[25] 韩文霆，张立元，张海鑫，等. 基于无人机遥感与面向对象法的田间渠系分布信息提取[J]. 农业机械学报，2017，48(3)：205－214. Han Wenting, Zhang Liyuan, Zhang Haixin, et al. Extraction method of sublateral canal distribution information based on UAV remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 205－214. (in Chinese with English abstract)

[26] 汪沛，罗锡文，周志艳，等. 基于微小型无人机的遥感信息获取关键技术综述[J]. 农业工程学报，2014，30(18)： 1－12. Wang Pei, Luo Xiwen, Zhou Zhiyan, et al. Key technology for remote sensing information acquisition based on micro UAV [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(18): 1－12. (in Chinese with English abstract)

[27] Romero M, Luo Y, Su B, et al. Vineyard water status estimation using multispectral imagery from an UAV platform and machine learning algorithms for irrigation scheduling management[J]. Computers & Electronics in Agriculture, 2018, 147: 109－117.

[28] Hassan‐Esfahani L, Torres-Rua A, Jensen A, et al. Spatial root zone soil water content estimation in agricultural lands using bayesian‐based artificial neural networks and high‐resolution visual, nir, and thermal imagery[J]. Irrigation & Drainage, 2017, 66(2): 273－288.

[29] 韩文霆，邵国敏，马代健，等. 大田玉米作物系数无人机多光谱遥感估算方法研究[J]. 农业机械学报，2018，49(7)：134－143. Han Wenting, Shao Guomin, Ma Daijian, et al. Estimating method of crop coefficient of maize based on UAV multispectral remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(7): 134－143. (in Chinese with English abstract)

[30] 侯琼，李建军，王海梅，等. 春玉米适宜土壤水分下限动态指标的确定[J]. 灌溉排水学报，2015，34(6)：1－5. Hou Qiong, Li Jianjun, Wang Haimei, et al. Dynamic indexes of water-saving irrigation based on maize growth characteristics[J]. Journal of Irrigation and Drainage, 2015, 34(6): 1－5. (in Chinese with English abstract)

[31] Chen J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications[J]. Canadian Journal of Remote Sensing, 1996, 22(3): 229－242.

[32] 牛庆林，冯海宽，杨贵军，等. 基于无人机数码影像的玉米育种材料株高和 LAI 监测[J]. 农业工程学报，2018，34(5)：73－82. Niu Qinglin, Feng Haikuan, Yang Guijun, et al. Monitoring plant height and leaf area index of maize breeding material based on UAV digital images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 73－82. (in Chinese with English abstract)

[33] 白莉萍，隋方功，孙朝晖，等. 土壤水分胁迫对玉米形态发育及产量的影响[J]. 生态学报，2004，24(7)：1556－1560. Bai Liping, Sui Fanggong, Sun Zhaohui, et al. Effects of soil water stress on morphological development and yield of maize[J]. Acta Ecologica Sinica, 2004, 24(7): 1556－1560. (in Chinese with English abstract)

[34] 郝树荣，郭相平，王文娟. 不同时期水分胁迫对玉米生长的后效性影响[J]. 农业工程学报，2010，26(7)：71－75.Hao Shurong, Guo Xiangping, Wang Wenjuan. After effects ofwater stress on corn growth at different stages[J]. Transactionsof the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(7): 71－75. (in Chinese with English abstract)

[35] Bannari A, Morin D, Bonn F, et al. A review of vegetation indices[J]. Remote Sensing Reviews, 1995, 13(1): 95－120.

Crop coefficient estimation method of maize by UAV remote sensing and soil moisture monitoring

Zhang Yu1,2, Zhang Liyuan3, Zhang Huihui4, Song Chaoyang5, Lin Guanghua6, Han Wenting1,7※

(1.712100,; 2.100049,; 3.712100,; 4.80526,; 5.712100,; 6.710000,; 7.712100,)

The rapid and accurate acquisition of evapotranspiration in field crops is an urgent issue to be solved in crop evapotranspiration researches. In this paper, the feasibility of estimating crop coefficient by unmanned aerial vehicle (UAV) remote sensing in maize under different water stresses was analyzed. The experiment was conducted in Zhaojun town Experimental Station in Dalate Qi, Inner Mongolia. Full irrigation (TR1) was designed as 50% of field water holding capacity based on previous research results and local situation, which was considered as the base. The water stress condition (80% of the base soil moisture) was designed in the fast growth stage for TR2-TR4. The 82% and 43% of the base soil moisture were also designed for the late growth stage of TR2 and TR3, respectively. In addition, in the middle growth stage, the water stress with 65% of the base soil moisture was designed for TR4. The maize was planted on May 20th,2017. The whole growth period lasted 110 days. The sprinkled irrigation was used for the experiment. The experimental area was partitioned into 4 regions for the different treatments. In each region, a squared area with the side length of 12 m was chosen for plant height and leaf area index measurements. The measurements were carried out every 2-5 days. Soil moisture at 30-cm depth was determined in each area as the surface soil moisture. Meanwhile, climatic parameters such as precipitation, air temperature, relative humidity and so on were collected from local meteorological station. Crop coefficient was calculated by dual crop coefficient method proposed by FAO56 based on meteorological parameters and plant height. The UAV multispectral monitoring system was to obtain the canopy spectral vegetation index of field maize under different water stress conditions. The UAS images were obtained at the same time with the plant height measurement. The simple ratio index was calculated based on reflectivity of red and near infrared band. The dynamic change of leaf area index, soil moisture, simple ratio index, and crop coefficient was analyzed. The results showed that the water stress heavily affected the leaf area index, the simple ratio index and the surface soil moisture was decreased in the late growth stage of maize, and the crop coefficient was low in the late growth stage. The correlation analysis between the crop coefficient, simple ratio index, leaf area index and surface soil moisture showed that the surface soil moisture had the highest correlation with the crop coefficient for the treatment of TR1, TR2 and TR4 but the leaf area index was highly correlated with the crop coefficient in the TR3. By stepwise regression analysis, the 3-variable model had the highest accuracy with the adjusted determination coefficient of 0.63, root mean square error of 0.21 and the normalized root mean square of error of 25.16%. The validation showed the determination coefficient of 0.60, root mean square error of 0.21 and the normalized root mean square of error of 23.35%. It indicated that the 3-variable model was well to estimate crop coefficient. The results provide a method support for crop coefficient estimation by UAV.

soil moisture; stresses; unmanned aerial vehicle; crop coefficient; simple ratio index; leaf area index

2018-05-24

2018-11-10

国家重点研发计划项目（2017YFC0403203）；杨凌示范区产学研用协同创新重大项目（2018CXY-23）；西北农林科技大学学科重点建设项目（2017-C03）

张 瑜，主要从事无人机遥感与精准灌溉技术研究。 Email：zhangyu16@mails.ucas.ac.cn

韩文霆，研究员，博导，主要从事无人机遥感与精准灌溉技术研究。Email：hanwt2000@126.com

10.11975/j.issn.1002-6819.2019.01.010

S152.7; V279+.2

A

1002-6819(2019)-01-0083-07

张 瑜，张立元，Zhang Huihui，宋朝阳，蔺广花，韩文霆. 玉米作物系数无人机遥感协同地面水分监测估算方法研究[J]. 农业工程学报，2019，35(1)：83－89. doi：10.11975/j.issn.1002-6819.2019.01.010 http://www.tcsae.org

Zhang Yu, Zhang Liyuan, Zhang Huihui, Song Chaoyang, Lin Guanghua, Han Wenting. Crop coefficient estimation method of maize by UAV remote sensing and soil moisture monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 83－89. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.01.010 http://www.tcsae.org