韓文霆 張立元 牛亞曉 史 翔

(1.西北農(nóng)林科技大學(xué)水土保持研究所， 陜西楊凌 712100； 2.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100)

0 引言

21世紀(jì)農(nóng)業(yè)面臨的最大挑戰(zhàn)是如何在有限土地和水資源情況下滿足人口增長(zhǎng)和社會(huì)經(jīng)濟(jì)發(fā)展對(duì)農(nóng)業(yè)生產(chǎn)提出的更高要求[1]。預(yù)計(jì)到2050年，人口和社會(huì)經(jīng)濟(jì)增長(zhǎng)將使目前的糧食需求翻一番，發(fā)展中國(guó)家為了應(yīng)對(duì)這一挑戰(zhàn)，谷物產(chǎn)量需要增加40%，凈灌溉用水需求將增加40%～50%[2]。同時(shí)，全球氣候變化造成的干旱等自然災(zāi)害加劇，全球生態(tài)環(huán)境保護(hù)需求對(duì)單位灌溉用水下的作物產(chǎn)量提出了更高的要求[3]。在此背景下，以提高農(nóng)業(yè)用水效率為目標(biāo)的精量灌溉成為未來(lái)農(nóng)業(yè)灌溉的主要模式[4]。

精量灌溉的前提條件是對(duì)作物缺水的精準(zhǔn)診斷和科學(xué)的灌溉決策。在土壤-植物-大氣連續(xù)體(Soil-Plant-Atmosphere continuum，SPAC)中，用于作物缺水診斷和灌溉決策的定量指標(biāo)有3種：①根據(jù)農(nóng)田土壤水分狀況確定灌溉時(shí)間和水量，考慮的因素包括不同作物適宜水分上下限、不同土壤條件、土壤水量平衡方程及參數(shù)選擇等。②根據(jù)作物對(duì)水分虧缺的生理反應(yīng)信息確定是否需要灌溉，指標(biāo)包括作物冠層溫度相對(duì)環(huán)境溫度的變化、莖果縮漲微變化、莖/葉水勢(shì)、莖流變化等。③根據(jù)作物生長(zhǎng)的小環(huán)境氣象因素的變化確定灌溉的時(shí)間和作物的需水量，通過(guò)氣象因素確定作物的蒸騰蒸發(fā)量，進(jìn)行灌溉決策[5]。

目前，上述用于作物缺水診斷和灌溉決策定量指標(biāo)的信息獲取技術(shù)主要基于田間定點(diǎn)和地面車載移動(dòng)監(jiān)測(cè)[6-7]。田間定點(diǎn)采用無(wú)線傳感器網(wǎng)絡(luò)技術(shù)，可以實(shí)現(xiàn)大面積監(jiān)測(cè)，但傳感器布點(diǎn)數(shù)量是個(gè)問(wèn)題，布點(diǎn)少代表性差，不能滿足精量灌溉要求，布點(diǎn)多會(huì)增加成本，也會(huì)影響耕作。地面車載移動(dòng)監(jiān)測(cè)克服了地面布點(diǎn)的缺點(diǎn)，但對(duì)于大面積農(nóng)田灌溉來(lái)說(shuō)仍然存在成本高的問(wèn)題。利用衛(wèi)星遙感技術(shù)可以快速獲取大面積的土壤水分和作物蒸散發(fā)信息，國(guó)內(nèi)外研究均取得了一定進(jìn)展，但由于存在時(shí)空分辨率低、受天氣影響大等問(wèn)題，在農(nóng)田尺度上指導(dǎo)精準(zhǔn)灌溉的實(shí)際應(yīng)用中受到很大限制。精量灌溉技術(shù)的發(fā)展迫切需要一種高精度、高效率的大范圍農(nóng)田土壤和作物水分信息快速感知技術(shù)。

無(wú)人機(jī)遙感技術(shù)近年來(lái)在農(nóng)情監(jiān)測(cè)中開(kāi)始得到廣泛應(yīng)用。無(wú)人機(jī)起降靈活，可以機(jī)載多光譜、熱紅外、高光譜等相機(jī)，從根本上解決了衛(wèi)星遙感由于時(shí)空分辨率低而導(dǎo)致的瞬時(shí)拓延、空間尺度轉(zhuǎn)換、遙感參數(shù)與模型參數(shù)定量對(duì)應(yīng)等技術(shù)難題。無(wú)人機(jī)遙感從技術(shù)上也克服了地面監(jiān)測(cè)效率低、成本高、影響田間作業(yè)等問(wèn)題。無(wú)人機(jī)遙感系統(tǒng)可以高通量地獲取多個(gè)地塊的高時(shí)空分辨率圖像[8-10]，使精準(zhǔn)分析農(nóng)業(yè)氣象條件、土壤條件、作物表型等參數(shù)的空間變異性及其相互關(guān)系成為可能，為大面積農(nóng)田范圍內(nèi)快速感知作物缺水空間變異性提供了新手段[11-12]。

在前人的研究中，無(wú)人機(jī)遙感系統(tǒng)已經(jīng)應(yīng)用在作物覆蓋度[13]、株高[14]、倒伏面積[15]、生物量[16]、葉面積指數(shù)[17]、冠層溫度[18]等農(nóng)情信息的監(jiān)測(cè)上，但對(duì)作物缺水診斷和灌溉決策的定量指標(biāo)，如水分脅迫指數(shù)[19]、土壤含水率[20]、作物需水量[21-22]等參數(shù)估計(jì)的研究才剛剛起步。本文對(duì)無(wú)人機(jī)遙感在這些定量指標(biāo)監(jiān)測(cè)中的應(yīng)用研究進(jìn)展進(jìn)行系統(tǒng)綜述，在此基礎(chǔ)上提出作物缺水診斷與灌溉決策定量指標(biāo)無(wú)人機(jī)遙感的技術(shù)體系和研究重點(diǎn)，旨在明晰無(wú)人機(jī)遙感在灌溉技術(shù)中應(yīng)用研究的技術(shù)思路和發(fā)展方向。

1 農(nóng)田土壤水分無(wú)人機(jī)遙感監(jiān)測(cè)技術(shù)

無(wú)人機(jī)遙感技術(shù)以其高分辨率、高靈活性、低成本等優(yōu)勢(shì)彌了衛(wèi)星遙感的不足，逐漸成為農(nóng)田土壤水分監(jiān)測(cè)的重要手段。目前監(jiān)測(cè)農(nóng)田土壤水分的無(wú)人機(jī)遙感可以分為多光譜遙感、多光譜與熱紅外遙感協(xié)同以及高光譜遙感等技術(shù)。在基于無(wú)人機(jī)多光譜遙感的農(nóng)田土壤水分監(jiān)測(cè)方面，研究學(xué)者主要基于多光譜遙感的單一波段[30]、多個(gè)波段或多個(gè)植被指數(shù)[31-33]。如王海峰等[30]選取單個(gè)土壤含水率敏感波段建立一元回歸模型來(lái)估計(jì)土壤水分，對(duì)于表層土壤(深度約1 cm)含水率的預(yù)測(cè)效果較好，相關(guān)系數(shù)均在0.92以上，均方根誤差均在0.10以內(nèi)。楊珺博等[32]基于無(wú)人機(jī)多光譜遙感的多個(gè)波段信息，采用逐步回歸、偏最小二乘、嶺回歸等方法建立了土壤水分估計(jì)模型，3種回歸模型對(duì)10、20 cm深度的土壤水分都有較高的監(jiān)測(cè)精度，決定系數(shù)(R2)可達(dá)0.82。HASSAN-ESFAHANI等[33]基于無(wú)人機(jī)多光譜遙感獲取的多種植被指數(shù)建立表面土壤水分的人工神經(jīng)網(wǎng)絡(luò)估計(jì)模型，相關(guān)系數(shù)達(dá)0.88。然而，由于土壤水分受氣象條件、土壤特性、植被狀況和地形等復(fù)雜因素的影響，一些研究學(xué)者在多光譜遙感提供的光譜信息基礎(chǔ)上協(xié)同熱紅外遙感提供的溫度信息，計(jì)算與土壤水分相關(guān)的溫度植被干旱指數(shù)(TDVI)等[34]，或者在地形復(fù)雜地區(qū)的土壤含水率分布研究中，協(xié)同無(wú)人機(jī)遙感獲取的數(shù)字高程模型(DEM)來(lái)改善模型精度和適用性[35]。同時(shí)，為了進(jìn)一步提高土壤水分估計(jì)模型在不同環(huán)境的適用性，GE等[36]基于無(wú)人機(jī)高光譜提取的二維光譜指數(shù)采用機(jī)器學(xué)習(xí)方法建立了比傳統(tǒng)光譜指數(shù)更穩(wěn)定的農(nóng)田土壤水分估計(jì)模型，R2達(dá)0.90以上。

2 作物水分信息無(wú)人機(jī)遙感監(jiān)測(cè)技術(shù)

灌溉的真正對(duì)象是作物而不是土壤, 而且作物的生長(zhǎng)情況實(shí)際上能綜合反映天氣和土壤水分的變化情況, 故合理的灌溉應(yīng)以作物的生長(zhǎng)情況為主要依據(jù)。以作物自身生理變化為指標(biāo)的診斷方法最為直接、準(zhǔn)確，在國(guó)內(nèi)外被廣泛作為作物水分脅迫狀況的參考值，主要包括徑流[37]、莖水勢(shì)[38-39]、葉水勢(shì)[40-41]和氣孔導(dǎo)度[42-43]等，作物的水分狀況會(huì)在這些作物生理和生長(zhǎng)狀況的指標(biāo)上直接反映出來(lái)。但這種信息主要來(lái)自單個(gè)作物，需要有合理的空間分布性或者校正樣本。隨著農(nóng)業(yè)集約化、規(guī)模化、現(xiàn)代化的發(fā)展，進(jìn)行統(tǒng)一灌溉管理的農(nóng)田面積不斷增加，由土壤、作物空間變異特性引起的作物水分脅迫空間變異問(wèn)題將不可避免[44]。因此，對(duì)整個(gè)農(nóng)田的作物水分脅迫狀況及其差異性的研究非常重要，目前主要通過(guò)冠層溫度、植被參數(shù)等指標(biāo)進(jìn)行分析[5]。

當(dāng)土壤含水率充足時(shí)，環(huán)境溫度的上升會(huì)造成氣孔導(dǎo)度增大、蒸騰速率提升，最終使得冠層溫度相對(duì)穩(wěn)定[45]。然而，當(dāng)土壤含水率不足時(shí)，作物氣孔導(dǎo)度和蒸騰速率會(huì)下降，導(dǎo)致蒸騰降溫效果變?nèi)酰瑥亩斐晒趯訙囟壬遊46-47]。為了更好地應(yīng)對(duì)水分脅迫，除了蒸騰速率下降、氣孔開(kāi)度減小和冠層溫度上升等癥狀，作物還會(huì)表現(xiàn)出葉子卷曲、葉面積降低等癥狀[48]。同時(shí)，為了保證機(jī)體組織不被破壞，作物還會(huì)盡可能減少光的吸收以及散去多余的已吸收能量，最終表現(xiàn)為葉綠素濃度的降低、光合速率降低以及葉黃素循環(huán)組分含量增加等[49-51]。水分脅迫發(fā)生時(shí)，作物在冠層溫度、冠層結(jié)構(gòu)以及葉片色素含量上的變化為基于無(wú)人機(jī)遙感技術(shù)的作物水分脅迫分布信息空間變異性感知奠定了基礎(chǔ)。

在衛(wèi)星和航空影像技術(shù)進(jìn)一步發(fā)展和成熟前，近地面移動(dòng)車載測(cè)量地物吸收和反射光譜的地物光譜儀正在成為低成本高密度獲取農(nóng)田缺水空間變異信息的技術(shù)手段，由于光譜儀反應(yīng)時(shí)間短、精度高、穩(wěn)定性強(qiáng)，所以適宜長(zhǎng)時(shí)間安裝在移動(dòng)的機(jī)器上進(jìn)行田間作物長(zhǎng)勢(shì)調(diào)查。圓形噴灌機(jī)能夠覆蓋整個(gè)灌溉田塊的特點(diǎn)為光譜儀的安裝提供了便利。但是光譜數(shù)據(jù)在變量灌溉中的應(yīng)用研究起步較晚。O′SHAUGHNESSY等[52]首次基于機(jī)載式紅外測(cè)溫儀觀測(cè)了作物冠層溫度，開(kāi)啟了基于作物冠層溫度的動(dòng)態(tài)變量灌溉分區(qū)方法研究。微型無(wú)人機(jī)遙感平臺(tái)憑借成本低、易于構(gòu)建、運(yùn)載便利、靈活性高、作業(yè)周期短、影像數(shù)據(jù)分辨率高等優(yōu)勢(shì)，可以低成本地多次重復(fù)采集農(nóng)業(yè)遙感數(shù)據(jù)，使其在多時(shí)相、地物的識(shí)別能力上具有獨(dú)有的優(yōu)勢(shì)，使得作物水分脅迫信息空間變異性的迅速、細(xì)致感知成為可能[4,43,53]?；跓o(wú)人機(jī)遙感技術(shù)的作物水分脅迫診斷方法根據(jù)作物對(duì)水分脅迫的不同響應(yīng)，可以分為基于紅外測(cè)溫技術(shù)和基于冠層反射光譜兩類[24,54]。

2.1 作物水分信息無(wú)人機(jī)遙感監(jiān)測(cè)技術(shù)體系

無(wú)人機(jī)遙感技術(shù)在作物水分脅迫信息感知研究方面具有很大的應(yīng)用潛力，已經(jīng)被成功地應(yīng)用到玉米[43]、棉花[55-58]、西紅柿[59]、果園[38,60]、大豆[58,61]以及葡萄園[62-63]的水分脅迫分布信息的監(jiān)測(cè)。完整的基于無(wú)人機(jī)遙感技術(shù)的作物水分信息感知技術(shù)體系如圖1所示。該技術(shù)體系主要包括圖像采集與預(yù)處理、基于溫度指數(shù)的水分脅迫感知和基于植被指數(shù)的水分脅迫感知。其中，圖像采集與處理主要包括無(wú)人機(jī)飛行參數(shù)設(shè)計(jì)、數(shù)據(jù)采集、地理信息匹配和圖像拼接及校正處理；基于溫度指數(shù)的水分脅迫感知主要包括溫度校正、冠層溫度提取和基于溫度的脅迫指數(shù)建立；基于植被指數(shù)的水分脅迫感知主要包括反射率分布圖獲取和水分脅迫敏感植被指數(shù)選取或建立[43,64-65]。

圖1 基于無(wú)人機(jī)遙感技術(shù)的作物水分脅迫信息感知技術(shù)體系

2.2 基于溫度指數(shù)的作物水分信息無(wú)人機(jī)遙感技術(shù)

2.2.1無(wú)人機(jī)熱紅外遙感圖像的溫度校正方法

受限于無(wú)人機(jī)平臺(tái)載重能力，目前無(wú)人機(jī)熱紅外遙感系統(tǒng)集成的熱紅外相機(jī)多為較輕的非制冷相機(jī)，缺少制冷裝置，具有獲取溫度不穩(wěn)定等問(wèn)題[64-65]。在提取作物冠層溫度之前還需要對(duì)熱紅外圖像進(jìn)行校正，主要包括：非均勻性校正、缺陷像素校正、快門校正、輻射定標(biāo)和溫度校正[64]。在當(dāng)前使用的非制冷熱相機(jī)中，非均勻性校正、缺陷像素校正和快門校正由系統(tǒng)固件執(zhí)行。而對(duì)于輻射校正來(lái)說(shuō)，作物呈現(xiàn)在熱紅外相機(jī)上的溫度主要受到大氣溫度、相對(duì)濕度、地物輻射率以及感知距離的影響[66-67]。在利用無(wú)人機(jī)熱紅外遙感系統(tǒng)采集作物冠層溫度數(shù)據(jù)之前，需要將數(shù)據(jù)采集時(shí)刻的相應(yīng)數(shù)據(jù)在熱紅外相機(jī)系統(tǒng)中進(jìn)行設(shè)置，以減少溫度感知誤差。例如，在利用FLIR Vue Pro R 640采集作物熱紅外圖像時(shí)，可以利用其配套的手機(jī)應(yīng)用程序Flir UAS以藍(lán)牙連接的方式設(shè)置數(shù)據(jù)采集時(shí)刻的大氣溫度、相對(duì)濕度、地物輻射率和數(shù)據(jù)采集高度等信息，從而進(jìn)行輻射校正[43]。在溫度校正方面，常常建立利用溫槍等手持設(shè)備采集的地面觀測(cè)值與無(wú)人機(jī)熱紅外圖像溫度值之間的線性模型[58,67-68]。如楊文攀等[69]利用HT-11D 便攜式測(cè)溫儀和熱紅外相機(jī)同步測(cè)量了玉米葉片、輻射定標(biāo)板等地物的溫度，建立了兩者之間的線性模型，并用于校正熱紅外圖像。ZHANG等[43]利用RAYTEK ST60+便攜式測(cè)溫儀和熱紅外相機(jī)同步測(cè)量了玉米冠層溫度，建立了兩者之間的線性模型，并用于校正熱紅外圖像。

2.2.2基于無(wú)人機(jī)熱紅外遙感圖像的作物冠層溫度提取方法

利用小型榨油機(jī)榨取油脂，其出油率在21.1%～24.6%，其中三層模式的出油率平均最高，達(dá)到23.5%，此時(shí)毛葉山桐子油料最終含水量在8%，這與其他油料作物（如油菜）安全水分相近[12]。榨取的毛油酸價(jià)和過(guò)氧化值分別在 3.1～3.4 mg/g，2.1～2.9 mmol/kg，并且各處理各干燥層數(shù)值無(wú)顯著差異（p＞0.05），均低于國(guó)家對(duì)菜籽、油茶籽等毛油的品質(zhì)標(biāo)準(zhǔn)規(guī)定，優(yōu)于崔艷南等人[13]研究的未處理的工廠化毛葉山桐子毛油品質(zhì)，這與干燥前處理與設(shè)備均有關(guān)系。

在大田作物的覆蓋度未達(dá)到全覆蓋之前，冠層溫度的準(zhǔn)確提取是有效監(jiān)測(cè)作物水分脅迫分布信息的另一個(gè)關(guān)鍵問(wèn)題。由于無(wú)人機(jī)熱紅外相機(jī)具有相對(duì)較低的分辨率(320像素×240像素～640像素×480像素)[70]，在作物冠層溫度提取中如何有效剔除土壤和其他地物所帶來(lái)的影響仍是個(gè)挑戰(zhàn)，其常用方法主要為閾值法和多源遙感影像融合等。閾值法只需要熱紅外遙感影像，其核心為采用機(jī)器學(xué)習(xí)算法(聚類、Otsu和邊緣檢測(cè)等)尋找作物和非作物的溫度分類閾值[71-72]。如LUDOVISI等[73]分別利用Matlab和eCognition軟件中的兩種自動(dòng)閾值分割方法提取了楊樹(shù)的冠層溫度。PARK等[38]利用結(jié)合Sobel和Canny算子的邊緣檢測(cè)算法提取了油桃和桃子的冠層溫度。張智韜等[57]利用Otsu算法和基于Canny算子的邊緣檢測(cè)算法提取了棉花的冠層溫度。然而，由于無(wú)人機(jī)熱紅外遙感影像在農(nóng)場(chǎng)尺度應(yīng)用時(shí)較低的空間分辨率，混合像元在基于閾值法的作物冠層溫度提取中會(huì)造成較大誤差。為了減少冠層溫度的提取誤差，國(guó)內(nèi)外學(xué)者提出了基于多源遙感圖像融合的冠層溫度提取方法。該方法通過(guò)其他較高空間分辨率的遙感影像將土壤等的非冠層像元進(jìn)行掩膜處理，然后與熱紅外遙感圖像融合的方式提取冠層溫度。如POBLETE等[63]提出了基于無(wú)人機(jī)多光譜和熱紅外遙感影像融合的葡萄藤冠層溫度提取方法，最終建立的作物水分脅迫指數(shù)與莖水勢(shì)的R2為0.77。ZHANG等[43]提出了基于無(wú)人機(jī)可見(jiàn)光和熱紅外遙感影像融合的大田玉米冠層溫度提取方法，最終提取的玉米冠層溫度與地面實(shí)測(cè)值的R2為0.94，均方根誤差為0.7℃。然而，基于多源遙感圖像融合的冠層溫度提取方法的精度仍然受到作物分布信息提取精度的影響，在未來(lái)的研究中還需從高分辨率遙感圖像中更為精準(zhǔn)地提取作物分布信息。

2.2.3基于冠層溫度的作物水分脅迫指數(shù)

在高效、準(zhǔn)確提取作物冠層溫度之后，選擇或建立可以準(zhǔn)確表征作物水分脅迫狀況的溫度指數(shù)是有效監(jiān)測(cè)作物水分脅迫分布信息的另一個(gè)關(guān)鍵問(wèn)題。在TANNER[74]首次使用冠層溫度作為表征作物水分脅迫狀況并量化了作物冠層溫度差異和水分脅迫之間的關(guān)系之后，國(guó)內(nèi)外許多研究人員將作物冠層溫度應(yīng)用到與作物水分脅迫狀況相關(guān)的研究中。如BAI等[75]將基于無(wú)人機(jī)熱紅外遙感圖像提取的大豆冠層溫度作為水分脅迫指數(shù)，分析了不同基因型大豆對(duì)水分脅迫的抗性，結(jié)果表明冠層溫度是快速鑒定大豆干旱相關(guān)性狀的有效指標(biāo)。然而，大氣溫度等外界環(huán)境同樣會(huì)對(duì)冠層溫度造成影響[76]，僅僅利用冠層溫度不能很好地表征作物水分脅迫。研究人員開(kāi)始利用冠層溫度與空氣溫度之差作為作物水分脅迫指數(shù)。如JACKSON等[77]發(fā)現(xiàn)當(dāng)小麥沒(méi)有遭受水分脅迫時(shí)，其冠層溫度與空氣溫度的差接近或小于零，而當(dāng)遭受水分脅迫時(shí)該值會(huì)大于零。

為了進(jìn)一步消除外界環(huán)境對(duì)基于冠層溫度的水分脅迫指數(shù)監(jiān)測(cè)效果的影響，IDSO等[78]提出作物水分脅迫指數(shù)(Crop water stress index，CWSI)經(jīng)驗(yàn)法，JACKSON等[79]提出CWSI理論法，并成為目前應(yīng)用最為廣泛的基于溫度的作物水分脅迫指數(shù)。在實(shí)際應(yīng)用中，CWSI理論模型需要測(cè)量作物冠層溫度、空氣溫濕度、太陽(yáng)凈輻射、風(fēng)速和株高等參數(shù)且計(jì)算過(guò)程復(fù)雜，但受環(huán)境變化的影響較?。慌c理論模型相比，CWSI經(jīng)驗(yàn)?zāi)Ｐ椭恍铚y(cè)量作物冠層溫度、空氣溫濕度且計(jì)算簡(jiǎn)單，但易受環(huán)境影響且需要針對(duì)不同的氣候條件和種植模型建立對(duì)應(yīng)的上、下基線[80]。國(guó)內(nèi)外許多研究人員成功地將CWSI經(jīng)驗(yàn)?zāi)Ｐ秃屠碚撃Ｐ蛻?yīng)用到作物水分脅迫狀況監(jiān)測(cè)。如IRMAK等[81]以地中海半干旱條件下玉米為研究對(duì)象基于經(jīng)驗(yàn)法建立的CWSI模型，實(shí)現(xiàn)了對(duì)夏玉米水分脅迫狀況的監(jiān)測(cè)和量化，并建立了產(chǎn)量與季節(jié)性平均CWSI的關(guān)系模型。TAGHVAEIAN等[82]以美國(guó)科羅拉多州北部的向日葵為研究對(duì)象，建立了CWSI經(jīng)驗(yàn)?zāi)Ｐ?，并分析了CWSI與葉面積指數(shù)、葉水勢(shì)等的相關(guān)性。孫道宗等[83]通過(guò)觀測(cè)冬季和春季塑料大棚中不同灌溉條件下茶樹(shù)的冠層溫度、空氣溫濕度、太陽(yáng)凈輻射、風(fēng)速和株高等參數(shù)，分別建立了CWSI經(jīng)驗(yàn)?zāi)Ｐ秃屠碚撃Ｐ?，得出了反映茶?shù)水分狀況的關(guān)系曲線，并研究分析了兩者反映茶樹(shù)水分脅迫的差異性。張立元等[84]以內(nèi)蒙古自治區(qū)鄂爾多斯市達(dá)拉特旗大田玉米為研究對(duì)象，研究分析了不同CWSI經(jīng)驗(yàn)?zāi)Ｐ蜔o(wú)水分脅迫基線和無(wú)蒸騰作用基線建立方法對(duì)該地區(qū)氣候條件和種植模式的適用性，研究結(jié)果表明，基于田間空氣溫濕度數(shù)據(jù)建立的CWSI經(jīng)驗(yàn)?zāi)Ｐ洼^為合理，可以有效監(jiān)測(cè)大田玉米水分脅迫狀況。然而，前人研究表明CWSI經(jīng)驗(yàn)?zāi)Ｐ偷臒o(wú)水分脅迫基線具有較大的變異性[37]，如在不同地點(diǎn)建立的玉米CWSI經(jīng)驗(yàn)?zāi)Ｐ蜔o(wú)水分脅迫基線的斜率范圍為-1.10～-3.77℃/kPa，相應(yīng)的截距范圍為0.42～3.11℃[4]。造成CWSI經(jīng)驗(yàn)?zāi)Ｐ蜔o(wú)水分脅迫基線變化的原因主要可以歸結(jié)為：不同地點(diǎn)氣候條件的不同[85-86]、冠層溫度及空氣溫濕度采集位置的不同[87]、冠層溫度測(cè)量設(shè)備及方式的不同[37]、不同作物品種之間的差異[88]。

同時(shí)，為了降低基于冠層溫度的水分脅迫指數(shù)的建立難度，還有一些研究人員利用作物冠層溫度在熱紅外遙感圖像的分布情況建立了可以表征作物水分脅迫的指標(biāo)，如冠層溫度標(biāo)準(zhǔn)差(CTSD)和冠層溫度變異系數(shù)(CTCV)等。HAN等[89]利用EM算法(Expectation-maximization algorithm)模擬玉米冠層溫度的高斯分布規(guī)律，計(jì)算并分析CTSD 對(duì)作物水分脅迫的響應(yīng)。張智韜等[57]基于無(wú)人機(jī)熱紅外圖像采用Canny邊緣檢測(cè)算法將熱紅外圖像中的土壤背景有效剔除，計(jì)算并分析了棉花冠層溫度特征數(shù)CTSD和CTCV與棉花葉片氣孔導(dǎo)度、蒸騰速率、CWSI、土壤體積含水率的相關(guān)關(guān)系。提高CWSI模型在不同地區(qū)、針對(duì)不同氣候條件和作物品種的通用性，以及簡(jiǎn)化基于冠層溫度的作物水分脅迫指數(shù)的建立方法將是未來(lái)研究的重點(diǎn)內(nèi)容。

2.3 基于植被指數(shù)的作物水分信息無(wú)人機(jī)遙感技術(shù)

盡管利用紅外測(cè)溫技術(shù)獲取冠層溫度監(jiān)測(cè)作物水分脅迫狀況十分有效，并且在一些研究中已經(jīng)建立了相關(guān)的監(jiān)測(cè)方法。但是基于多光譜波段建立相關(guān)作物水分脅迫監(jiān)測(cè)方法也具有作物生理特性支撐[90]，同樣可以作為有效的作物水分脅迫分布信息空間變異性感知手段。目前，根據(jù)水分脅迫作物不同生理變化的敏感性，可以將對(duì)水分脅迫敏感的窄波段多光譜植被指數(shù)分為3類：葉黃素相關(guān)指數(shù)、葉綠素相關(guān)指數(shù)和冠層結(jié)構(gòu)相關(guān)指數(shù)。

2.3.1葉黃素指數(shù)

由GAMON等[91]提出的葉黃素指數(shù)(Photochemical reflectance index，PRI)在一些研究中已經(jīng)成功地作為作物水分脅迫指標(biāo)進(jìn)行了測(cè)試[92-94]。然而，PRI指數(shù)受冠層結(jié)構(gòu)、色素含量和時(shí)間尺度的影響較大[24,94]，且其在地面遙感和無(wú)人機(jī)遙感尺度上的水分脅迫監(jiān)測(cè)能力尚不穩(wěn)定[95]。如MAGNEY等[51]通過(guò)地面遙感技術(shù)在旱地春小麥兩個(gè)生長(zhǎng)季中對(duì)PRI指數(shù)的水分脅迫監(jiān)測(cè)性能進(jìn)行了評(píng)估，結(jié)果發(fā)現(xiàn)PRI需要校正因季節(jié)變化帶來(lái)的葉片色素含量和葉面積指數(shù)變化的影響，同時(shí)可能也需要在更為精細(xì)的時(shí)間頻率下進(jìn)行測(cè)量。SUREZ等[96]在航空尺度上評(píng)估了PRI指數(shù)對(duì)橄欖園水分脅迫信息的監(jiān)測(cè)效果，結(jié)果發(fā)現(xiàn)其受冠層結(jié)構(gòu)和背景地物的影響較大。為了減少冠層結(jié)構(gòu)和葉片色素含量對(duì)PRI指數(shù)水分脅迫監(jiān)測(cè)效果的影響，一些研究人員開(kāi)始構(gòu)建PRI指數(shù)的變體。如，ZARCO-TEJADA等[94]提出了一個(gè)基于PRI的改進(jìn)指數(shù)(PRInorm)來(lái)跟蹤水分脅迫的日變化趨勢(shì)，該指數(shù)通過(guò)結(jié)合冠層結(jié)構(gòu)指數(shù)(重組差異植被指數(shù)，Re-normalized difference vegetation index，RDVI)和葉綠素指數(shù)(紅邊比值植被指數(shù)，r700/r670)的方式來(lái)減小冠層結(jié)構(gòu)和葉片色素含量對(duì)PRI指數(shù)水分脅迫監(jiān)測(cè)效果的影響，結(jié)果表明PRInorm與常用水分脅迫指標(biāo)CWSI、葉水勢(shì)和氣孔導(dǎo)度具有較高的相關(guān)性且大于PRI指數(shù)。然而對(duì)于PRI指數(shù)的變體，仍需要在大量田間實(shí)驗(yàn)研究中進(jìn)一步驗(yàn)證其水分脅迫監(jiān)測(cè)效果的穩(wěn)定性。

2.3.2葉綠素和冠層結(jié)構(gòu)相關(guān)指數(shù)

與葉黃素相關(guān)指數(shù)相比，葉綠素和冠層結(jié)構(gòu)相關(guān)指數(shù)在窄波段多光譜植被指數(shù)當(dāng)中更為常見(jiàn)，已被廣泛應(yīng)用到多種作物生長(zhǎng)信息監(jiān)測(cè)中，如葉綠素含量反演[97]、葉面積指數(shù)反演[17]、生物量反演[98]等。當(dāng)持續(xù)水分脅迫發(fā)生時(shí)，葉片卷曲或下垂[99]，葉綠素含量下降[100]，誘導(dǎo)的結(jié)構(gòu)或顏色變化一直被認(rèn)為是作物水分脅迫的視覺(jué)指標(biāo)[42,101]。在遙感領(lǐng)域，由葉片結(jié)構(gòu)或葉綠素含量變化引起的特定波段反射率的減少或增加，為利用無(wú)人機(jī)窄帶多光譜植被指數(shù)監(jiān)測(cè)作物水分狀況奠定了基礎(chǔ)。如，BALUJA等[102]使用基于無(wú)人機(jī)的多光譜系統(tǒng)評(píng)估葡萄莊園水分狀況的空間變異性，結(jié)果顯示歸一化植被指數(shù)(NDVI)和轉(zhuǎn)化葉綠素吸收反射率(TCARI)與優(yōu)化土壤調(diào)節(jié)植被指數(shù)(OSAVI)的比值與氣孔導(dǎo)度(R2=0.84,p<0.05)、莖水勢(shì)(R2=0.68,p<0.05)高度相關(guān)，NDVI與TCARI/OSAVI可認(rèn)為是良好的水分脅迫指標(biāo)。ESPINOZA等[62]研究無(wú)人機(jī)多光譜圖像在評(píng)估商業(yè)葡萄園地下灌溉配置變化中的適用性時(shí)發(fā)現(xiàn)，綠色標(biāo)準(zhǔn)化差異植被指數(shù)(GNDVI)和氣孔導(dǎo)度之間存在顯著相關(guān)性，Pearson相關(guān)系數(shù)為0.65。雖然，基于無(wú)人機(jī)窄波段多光譜建立的植被指數(shù)已經(jīng)成功應(yīng)用于監(jiān)測(cè)多種作物的水分脅迫狀況，但在建立植被指數(shù)與作物水分脅迫相關(guān)的生理特性指標(biāo)(如氣孔導(dǎo)度和莖水勢(shì))的關(guān)系時(shí)，研究人員發(fā)現(xiàn)其相關(guān)性具有較大的波動(dòng)性。如，以莖水勢(shì)為水分脅迫參考時(shí)，其R2在0.01～0.68之間波動(dòng)[39]。因此，還需要針對(duì)植被指數(shù)水分脅迫監(jiān)測(cè)效果的波動(dòng)性進(jìn)行進(jìn)一步研究。

3 作物需水量無(wú)人機(jī)遙感估算

作物水分脅迫是由供水不足導(dǎo)致的，表現(xiàn)為土壤含水率減少時(shí)植物對(duì)水分缺乏的生理反應(yīng)。作物對(duì)水分脅迫的響應(yīng)程度取決于環(huán)境條件和作物需耗水量，因?yàn)楣喔缺仨氀a(bǔ)充因作物蒸散發(fā)而損失的土壤水分[24]。1998年聯(lián)合國(guó)糧農(nóng)組織(FAO)提出了通過(guò)參考作物蒸散量(ET0)，使用作物系數(shù)法[103]估算作物蒸散量ET，并給出不同地區(qū)不同作物的作物系數(shù)推薦值，僅需要?dú)庀筚Y料就可以估算作物ET。作物系數(shù)法有較強(qiáng)的普適性，在世界范圍內(nèi)被廣泛地應(yīng)用。然而，由于作物生長(zhǎng)狀況、氣象條件和水分脅迫等因素的綜合影響，田間作物時(shí)空尺度上用水存在差異性，使用推薦的作物系數(shù)估算蒸散量誤差較大，必須進(jìn)行校正才能使用[103]。很多方法采用了能量平衡方程以估計(jì)實(shí)際蒸騰量ETc，而多光譜植被指數(shù)的方法用于估算作物蒸散量不需要過(guò)多的數(shù)據(jù)，因此比能量平衡方程式更簡(jiǎn)單。目前的無(wú)人機(jī)多光譜監(jiān)測(cè)系統(tǒng)比熱紅外系統(tǒng)使用起來(lái)更簡(jiǎn)便，因此目前無(wú)人機(jī)遙感在作物需水量估算方面的應(yīng)用主要還是集中在基于多光譜植被指數(shù)的方法。基于無(wú)人機(jī)遙感和能量平衡方法的應(yīng)用研究還沒(méi)有相關(guān)成果報(bào)道，僅在區(qū)分冠層溫度和土壤溫度方面剛開(kāi)始有人研究，因此本文主要綜述基于作物系數(shù)法的作物需水量無(wú)人機(jī)遙感估算研究進(jìn)展。

3.1 作物系數(shù)Kc無(wú)人機(jī)遙感估計(jì)

目前，在作物需水量估算和土壤-植物連續(xù)體水量平衡監(jiān)測(cè)中，F(xiàn)AO-56作物系數(shù)法可分為單作物系數(shù)法和雙作物系數(shù)法。單作物系數(shù)法是將植物蒸騰和土壤蒸發(fā)整合到作物系數(shù)Kc中，雙作物系數(shù)法是使用兩個(gè)系數(shù)來(lái)分離植物蒸騰(Kcb)和土壤蒸發(fā)(Ke)對(duì)蒸散發(fā)的影響[103]。與單作物系數(shù)法相比，雙作物系數(shù)法由于可區(qū)分作物蒸騰和土壤蒸發(fā)，能夠更加精確地計(jì)算農(nóng)田ET。在估計(jì)作物系數(shù)Kc或估計(jì)基礎(chǔ)作物系數(shù)Kcb方面，地面光譜技術(shù)估算基礎(chǔ)作物系數(shù)Kcb精度較好，主要因?yàn)镵cb表征作物蒸騰量，與植被生長(zhǎng)狀態(tài)相關(guān)，但比較費(fèi)時(shí)費(fèi)力，難以應(yīng)用在區(qū)域或大田尺度上[103]。衛(wèi)星遙感技術(shù)可以較好地估算區(qū)域尺度的作物系數(shù)，但由于該技術(shù)拍攝周期長(zhǎng)且影像分辨率低，難以滿足大田作物日蒸散量的估算要求[103]。無(wú)人機(jī)遙感技術(shù)可以較好地估算特定條件下的日作物系數(shù)，滿足大田玉米日作物系數(shù)估算需求[11]，但現(xiàn)有研究中，整個(gè)生育期作物系數(shù)估算方法研究較少，模型精度有待進(jìn)一步提高。張瑜等[21]研究了整個(gè)玉米生育期不同水分脅迫條件下，無(wú)人機(jī)多光譜植被指數(shù)、葉面積指數(shù)、表層土壤含水率和作物系數(shù)的關(guān)系(R2=0.60，RMSE為0.21)，表明作物系數(shù)與植被指數(shù)(Simple ratio index，SR)、葉面積指數(shù)和表層土壤含水率的相關(guān)程度與水分脅迫程度相關(guān)。韓文霆等[22]建立了大田玉米不同生育期不同水分脅迫條件下6種無(wú)人機(jī)多光譜植被指數(shù)與作物系數(shù)關(guān)系模型，結(jié)果表明在快速生長(zhǎng)期充分灌溉條件和生長(zhǎng)后期水分脅迫條件下，植被指數(shù)SR與作物系數(shù)的相關(guān)性最好(R2分別為0.94和0.85)。

3.2 作物水分脅迫系數(shù)Ks無(wú)人機(jī)遙感估計(jì)

當(dāng)土壤含水率降低到閾值時(shí)，作物發(fā)生水分脅迫現(xiàn)象，在作物系數(shù)法中需要利用水分脅迫系數(shù)Ks修正土壤水分脅迫對(duì)作物蒸散發(fā)的影響。因此精確計(jì)算Ks對(duì)于估計(jì)水分脅迫條件下的作物蒸散發(fā)很重要。目前估算作物水分脅迫系數(shù)Ks分為直接法和間接法。間接法需要先獲取作物的潛在蒸騰量(ETp)和實(shí)際蒸騰量(ETc)，然后通過(guò)Ks=1-ETc/ETp計(jì)算得到Ks?；趥鹘y(tǒng)的FAO-56方法直接計(jì)算Ks是目前使用最廣泛的方法，在FAO-56中需要通過(guò)水量平衡方程來(lái)得到每天的土壤根系層的消耗水量，這就需要準(zhǔn)確地監(jiān)測(cè)土壤根系層的水分變化?；赥DR等儀器的單點(diǎn)土壤水分測(cè)量雖然具有很高的精度，但是這些監(jiān)測(cè)方法往往需要布設(shè)大量昂貴的傳感器。在此基礎(chǔ)上有很多研究提出了基于溫度數(shù)據(jù)來(lái)計(jì)算作物水分脅迫系數(shù)Ks。溫度數(shù)據(jù)可以通過(guò)便攜式溫槍或是紅外測(cè)溫儀(Infrared thermometer，IRT)測(cè)量[24]。如OLIVERA-GUERRA等[104]利用實(shí)測(cè)的地表溫度和光譜數(shù)據(jù)反演植被和土壤溫度來(lái)直接估算FAO-56雙作物系數(shù)法中的Ks。JACKSON等[79]和BAUSCH等[105]分別提出了基于冠層溫度的水分脅迫指數(shù)CWSI、Tcratio與Ks的關(guān)系式。KULLBERG等[106]基于這兩種方法結(jié)合FAO-56雙作物系數(shù)法計(jì)算了當(dāng)?shù)刈魑锏淖魑镎羯l(fā)，R2分別為0.86和0.83。即使基于冠層溫度計(jì)算Ks的方法很大程度地減少了監(jiān)測(cè)難度，這種方法和基于土壤含水率計(jì)算Ks一樣，都很難代表整個(gè)研究區(qū)域的水分脅迫狀況，尤其是在土壤作物空間異質(zhì)性大的情況下。遙感因其非破壞性和空間化的監(jiān)測(cè)方式，近年來(lái)在作物脅迫監(jiān)測(cè)領(lǐng)域已經(jīng)顯示出了獨(dú)特的優(yōu)勢(shì)。由于基于衛(wèi)星光學(xué)遙感數(shù)據(jù)估算土壤和根區(qū)水分(或根區(qū)耗水)存在一定的困難，因此利用衛(wèi)星遙感數(shù)據(jù)估算水分脅迫系數(shù)Ks的研究較少。而無(wú)人機(jī)作為一個(gè)新興的遙感平臺(tái)，具有成本低、易于構(gòu)建、運(yùn)載便利、靈活性高、作業(yè)周期短、影像數(shù)據(jù)分辨率高等優(yōu)勢(shì)，可以低成本地多次重復(fù)采集農(nóng)業(yè)遙感數(shù)據(jù)的優(yōu)點(diǎn)。ZHANG 等[107]利用熱紅外無(wú)人機(jī)獲取的CWSI得到大田作物的Ks空間分布，并且通過(guò)此結(jié)果優(yōu)化得到的土壤總有效水量和水量平衡方程來(lái)反演玉米和葵花地土壤根系層的消耗水量，相對(duì)于傳統(tǒng)的水量平衡估算精度(平均絕對(duì)誤差和均方根誤差)有了很大的提高(玉米為40%和44%，葵花為22%)。

4 無(wú)人機(jī)遙感在變量灌溉中的應(yīng)用

4.1 變量灌溉管理分區(qū)

適時(shí)、準(zhǔn)確地獲取和感知農(nóng)田作物對(duì)水分脅迫的響應(yīng)是變量灌溉處方圖生成的核心技術(shù)[108]。傳統(tǒng)的精準(zhǔn)灌溉技術(shù)中變量灌溉處方圖生成模型的研究主要基于土壤特性，如電導(dǎo)率和田間持水量等[109]。根據(jù)土壤電導(dǎo)率分布圖以在不同的區(qū)進(jìn)行獨(dú)立水量平衡分析的方式生成田間持水量管理區(qū)，但使用的降雨數(shù)據(jù)和蒸散發(fā)數(shù)據(jù)是相同的。同時(shí)，由于作物生長(zhǎng)狀況是土壤水分狀況的直接反映，且隨著空間信息技術(shù)和作物生長(zhǎng)信息監(jiān)測(cè)儀器、收獲機(jī)械產(chǎn)量監(jiān)測(cè)系統(tǒng)的快速發(fā)展，出現(xiàn)了基于作物特征如作物生物量、產(chǎn)量和平均葉水勢(shì)等[110-112]的變量灌溉管理分區(qū)研究。在衛(wèi)星和航空影像技術(shù)進(jìn)一步發(fā)展和成熟前，近地面移動(dòng)車載測(cè)量地物吸收和反射光譜的地物光譜儀正在成為低成本高密度獲取農(nóng)田缺水空間變異信息的技術(shù)手段。O′SHAUGHNESSY等[52]首次基于噴灌機(jī)機(jī)載紅外測(cè)溫儀觀測(cè)了作物冠層溫度，開(kāi)啟了基于作物冠層溫度的動(dòng)態(tài)變量灌溉分區(qū)方法研究。利用衛(wèi)星遙感技術(shù)可以快速獲取大面積的土壤水分和作物蒸散發(fā)信息，國(guó)內(nèi)外研究均取得了一定進(jìn)展，但衛(wèi)星遙感由于存在時(shí)空分辨率低等問(wèn)題，在指導(dǎo)變量灌溉的實(shí)際應(yīng)用中受到很大限制。

4.2 變量灌溉決策技術(shù)

決策支持系統(tǒng)是變量灌溉的核心組成部分，其管理方法是指用于指導(dǎo)特定區(qū)域的灌溉時(shí)間和灌水量的灌溉制度。NAVARRO-HELLN等[113]開(kāi)發(fā)了一種自動(dòng)智能灌溉決策支持系統(tǒng)(Smart irrigation decision support system，SIDSS)，用于管理農(nóng)業(yè)灌溉。該系統(tǒng)以土壤測(cè)量值和氣候變量為數(shù)據(jù)基礎(chǔ)，采用閉環(huán)控制方案，以偏最小二乘回歸(PLSR)和自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)兩種機(jī)器學(xué)習(xí)技術(shù)為SIDSS推理引擎，估算人工林的每周灌溉需求，該方法已在西班牙東南部的3個(gè)柑桔商業(yè)種植園中得到驗(yàn)證。NAIN等[114]使用灌溉決策系統(tǒng)來(lái)產(chǎn)生適合丘陵地區(qū)灌溉和施肥的決策輸出。MILLER等[115]開(kāi)發(fā)了一種基于地理空間信息的決策支持系統(tǒng)，該系統(tǒng)使用自然資源保護(hù)服務(wù)網(wǎng)格土壤調(diào)查地理數(shù)據(jù)庫(kù)評(píng)估控制方案和潛在節(jié)水情況，根據(jù)土壤水平衡方法，開(kāi)發(fā)了變量灌溉處方圖。AgroClimate是用于提高灌溉效率的決策工具(http:∥mz.agroclimate.org/)，其灌溉決策基于每日的作物蒸散量[116]。大多數(shù)灌溉決策系統(tǒng)是針對(duì)特定的農(nóng)作物或農(nóng)田而設(shè)計(jì)的，很難將其應(yīng)用于其他地區(qū)或其他作物。鑒于此，YANG等[117]開(kāi)發(fā)了用于靈活灌溉計(jì)劃的決策支持系統(tǒng)，用戶可以通過(guò)用戶界面修改其輸入?yún)?shù)，以提高系統(tǒng)的普適性。

決策支持系統(tǒng)在灌溉系統(tǒng)中的應(yīng)用取決于可靠的決策方法和決策信息數(shù)據(jù)源。天氣預(yù)報(bào)信息是估算作物需水量的一種方法[118]，但是該方法忽略了農(nóng)作物特性和空間變異性。一些研究使用傳感器和全球定位系統(tǒng)(Global positioning system，GPS)來(lái)收集特定土壤和植物信息。SUI 等[119]建立了無(wú)線傳感器網(wǎng)絡(luò)以監(jiān)測(cè)土壤含水率并收集氣象數(shù)據(jù)。O′SHAUGHNESSY等[52]使用紅外溫度傳感器節(jié)點(diǎn)，將其安裝在中心支軸式噴灌機(jī)的桁架上測(cè)量區(qū)域中作物冠層溫度。MORARI等[120]使用時(shí)域傳感器測(cè)量土壤水分含量。由于這些傳感器是固定的，因此灌溉決策精度取決于農(nóng)田區(qū)域或噴灌機(jī)桁架上的傳感器數(shù)量，并且這些傳感器的大規(guī)模部署對(duì)于移動(dòng)式灌溉系統(tǒng)來(lái)說(shuō)并不經(jīng)濟(jì)。同時(shí)，安裝在農(nóng)田的傳感器對(duì)農(nóng)田土壤生態(tài)系統(tǒng)有害。

4.3 無(wú)人機(jī)遙感在變量灌溉決策中的應(yīng)用

遙感技術(shù)彌補(bǔ)了固定式傳感器的缺陷，具有實(shí)時(shí)性好和覆蓋面積廣的優(yōu)點(diǎn)。目前，無(wú)人機(jī)載熱紅外相機(jī)多為較輕的非制冷相機(jī)，缺少制冷裝置，具有獲取溫度不穩(wěn)定等問(wèn)題，同時(shí)易受氣溫和人類活動(dòng)的影響[64]。與無(wú)人機(jī)熱紅外遙感系統(tǒng)相比，無(wú)人機(jī)多光譜遙感系統(tǒng)在信息獲取穩(wěn)定性和拼接質(zhì)量方面具有更好的技術(shù)成熟度。同時(shí)，作物在冠層結(jié)構(gòu)以及葉片色素含量上對(duì)水分脅迫的響應(yīng)引起的特定波段反射率的變化，也為基于無(wú)人機(jī)多光譜植被指數(shù)的作物水分脅迫感知奠定了基礎(chǔ)。因此，開(kāi)始有研究人員使用無(wú)人機(jī)多光譜圖像計(jì)算得到的植被指數(shù)(Vegetation index，VI)反演水分脅迫指數(shù)(CWSI)。如ZHANG等[4]使用高分辨率的無(wú)人機(jī)多光譜圖像來(lái)繪制玉米水分脅迫狀況圖。

決策支持系統(tǒng)已被一些農(nóng)場(chǎng)使用，但依然存在一些問(wèn)題。首先，決策支持系統(tǒng)的輸出是控制系統(tǒng)的輸入信息，在一些控制系統(tǒng)中，實(shí)際灌溉量不能完全等同于農(nóng)作物的需水量，決策支持系統(tǒng)應(yīng)該是與控制系統(tǒng)結(jié)合。控制系統(tǒng)的常用方法包括區(qū)域控制和速度控制[121]。速度控制可改變中心樞軸的移動(dòng)速度以實(shí)現(xiàn)所需的灌溉深度，而占空比控制改變了單個(gè)噴頭或噴頭組的開(kāi)關(guān)時(shí)間達(dá)到所需的灌溉深度。其次，針對(duì)不同地區(qū)或不同農(nóng)作物建立的CWSI/Kc反演模型(VI-Kc/VI-CWSI)差異較大。不同的農(nóng)作物具有不同的最優(yōu)VI-Kc/VI-CWSI模型[122-123]。不同地區(qū)同一作物的VI-Kc/VI-CWSI也不同[124]?；诠潭Ｐ偷臎Q策支持系統(tǒng)適用范圍較狹窄。最后，灌溉量是多因素決策的結(jié)果。實(shí)際上，精確測(cè)量灌溉需求是復(fù)雜的，其實(shí)施需要大量的資金和時(shí)間。

模糊推理系統(tǒng)的概念已被廣泛地用于決策支持。模糊系統(tǒng)具有規(guī)則簡(jiǎn)單、適用范圍廣等特點(diǎn)[125]，可以分析不準(zhǔn)確信息，從復(fù)雜的農(nóng)田信息中獲得需要的信息指導(dǎo)灌溉[126]。作物生長(zhǎng)狀態(tài)與灌溉量之間的相互關(guān)系并不總是精準(zhǔn)的。因此，模糊推理模型對(duì)于灌溉決策是一個(gè)行之有效的辦法。SHI等[127]利用無(wú)人機(jī)多光譜圖像建立了中心支軸式變量灌溉決策支持系統(tǒng)。該系統(tǒng)可以處理無(wú)人拍攝的多光譜圖像并計(jì)算植被指數(shù)，并通過(guò)植被指數(shù)和已有的模型計(jì)算得到作物水分脅迫指數(shù)(CWSI)和作物系數(shù)(Kc)。將作物水分脅迫系數(shù)作為作物當(dāng)前的水分狀態(tài)，單作物系數(shù)法得到的ETc和未來(lái)7 d的降雨作為預(yù)測(cè)水分耗損量和補(bǔ)充量，三者同為模糊輸入，通過(guò)模糊推理系統(tǒng)得到每個(gè)管理區(qū)域的灌溉參考量。決策系統(tǒng)將生成電磁閥占空比控制圖，指導(dǎo)變量灌溉控制系統(tǒng)實(shí)現(xiàn)變量灌溉。

4.4 無(wú)人機(jī)遙感在變量灌溉中應(yīng)用的技術(shù)體系

根據(jù)已有研究基礎(chǔ)，總結(jié)出無(wú)人機(jī)遙感在變量灌溉中應(yīng)用的技術(shù)體系，如圖2所示。首先根據(jù)作物缺水診斷和變量灌溉對(duì)無(wú)人機(jī)遙感圖像的技術(shù)要求優(yōu)化無(wú)人機(jī)遙感系統(tǒng)作業(yè)參數(shù)，以保證獲取農(nóng)田高質(zhì)量的可見(jiàn)光、多光譜和熱紅外遙感圖像，地面同時(shí)進(jìn)行土壤水分、冠層溫度、作物形態(tài)參數(shù)和綠度參數(shù)等的監(jiān)測(cè)。其次利用無(wú)人機(jī)可見(jiàn)光圖像和地面形態(tài)參數(shù)監(jiān)測(cè)結(jié)果篩選與作物缺水相關(guān)性較強(qiáng)的形態(tài)參數(shù)指標(biāo)并進(jìn)行反演，建立基于作物形態(tài)參數(shù)的缺水信息無(wú)人機(jī)遙感診斷模型。然后基于無(wú)人機(jī)多光譜遙感圖像和地面作物綠度參數(shù)監(jiān)測(cè)結(jié)果進(jìn)行多種植被指數(shù)和作物系數(shù)Kcb的計(jì)算，建立基于作物綠度參數(shù)的缺水信息無(wú)人機(jī)遙感診斷模型。然后基于無(wú)人機(jī)熱紅外遙感圖像和地面溫度參數(shù)監(jiān)測(cè)結(jié)果計(jì)算作物缺水指數(shù)CWSI，建立基于溫度參數(shù)的缺水信息無(wú)人機(jī)遙感診斷模型。然后采用多變量分析的數(shù)學(xué)方法，對(duì)上述3種類型參數(shù)和指標(biāo)進(jìn)行綜合分析，建立多指標(biāo)綜合分析的作物缺水信息無(wú)人機(jī)遙感診斷模型，并繪制農(nóng)田作物缺水量空間分布圖。最后依據(jù)灌水量決策系統(tǒng)及變量灌溉系統(tǒng)控制參數(shù)，研究變量灌溉分區(qū)方法，建立基于GIS的變量灌溉處方圖生成模型，指導(dǎo)精準(zhǔn)灌溉。

圖2 無(wú)人機(jī)遙感在變量灌溉技術(shù)中應(yīng)用的技術(shù)體系

5 結(jié)論

(1)無(wú)人機(jī)遙感在灌溉技術(shù)中的應(yīng)用是近幾年灌溉領(lǐng)域的研究熱點(diǎn)之一。無(wú)人機(jī)遙感系統(tǒng)可以高通量地獲取多個(gè)地塊的高時(shí)空分辨率圖像，使精準(zhǔn)分析農(nóng)業(yè)氣象條件、土壤條件、作物表型等參數(shù)的空間變異性及其相互關(guān)系成為可能，為大面積農(nóng)田范圍內(nèi)快速感知作物缺水空間變異性提供了新手段，在變量灌溉等技術(shù)應(yīng)用中具有明顯的優(yōu)勢(shì)和廣闊的前景。

(2)無(wú)人機(jī)遙感系統(tǒng)已經(jīng)應(yīng)用在作物覆蓋度、株高、倒伏面積、生物量、葉面積指數(shù)、冠層溫度等農(nóng)情信息的監(jiān)測(cè)，但在用于作物缺水診斷和灌溉決策的定量指標(biāo)監(jiān)測(cè)方面的研究剛剛起步，目前主要集中在作物水分脅迫指數(shù)(CWSI)、作物系數(shù)、冠層結(jié)構(gòu)相關(guān)指數(shù)、土壤含水率、葉黃素指數(shù)(PRI)等參數(shù)估計(jì)的研究，有些指標(biāo)已經(jīng)成功應(yīng)用于監(jiān)測(cè)多種作物的水分脅迫狀況，但對(duì)于大多數(shù)作物和指標(biāo)來(lái)說(shuō)，模型的普適性還有待進(jìn)一步研究。

(3)作物自身水分信息無(wú)人機(jī)遙感監(jiān)測(cè)技術(shù)主要包括基于溫度指數(shù)的水分脅迫感知和基于植被指數(shù)的水分脅迫感知?；跍囟戎笖?shù)的水分脅迫感知主要包括溫度校正、冠層溫度提取和基于溫度的脅迫指數(shù)建立；基于植被指數(shù)的水分脅迫感知主要包括反射率分布圖獲取和水分脅迫敏感植被指數(shù)選取或建立。

(4)建立了無(wú)人機(jī)遙感在變量灌溉技術(shù)中應(yīng)用的技術(shù)體系，主要通過(guò)無(wú)人機(jī)獲取大面積農(nóng)田作物超高時(shí)空分辨率的可見(jiàn)光、近紅外、熱紅外等遙感圖像，提取和反演土壤參數(shù)、作物形態(tài)參數(shù)、綠度參數(shù)以及冠層溫度，結(jié)合地面數(shù)據(jù)同化技術(shù)，建立基于作物形態(tài)參數(shù)、綠度參數(shù)及溫度參數(shù)的作物缺水診斷模型，依據(jù)作物缺水空間分布和灌溉決策方法，生成變量灌溉處方圖，實(shí)現(xiàn)精準(zhǔn)灌溉。

(5)為滿足不同尺度的高效率監(jiān)測(cè)和實(shí)現(xiàn)農(nóng)業(yè)用水精準(zhǔn)動(dòng)態(tài)管理的需求，今后無(wú)人機(jī)遙感需要結(jié)合衛(wèi)星遙感和地面監(jiān)測(cè)系統(tǒng)。天空地一體化農(nóng)業(yè)水信息監(jiān)測(cè)網(wǎng)絡(luò)優(yōu)化布局方法與智能組網(wǎng)技術(shù)、多源信息時(shí)空融合與同化技術(shù)、農(nóng)業(yè)灌溉大數(shù)據(jù)等將是未來(lái)重點(diǎn)研究?jī)?nèi)容。