徐 燦,胡笑濤,陳滇豫,甄晶博,王文娥,彭雪蓮,汝 晨

(西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點實驗室,陜西 楊凌 712100)

作物蒸散量主要包括土壤蒸發(fā)和植被蒸騰兩部分,是作物與外界進行水分交換的重要途徑[1]。作為全球水循環(huán)和地表能量平衡的重要組成部分,蒸散量對作物生長發(fā)育和產(chǎn)量形成具有重要影響,是確定合理灌溉制度的依據(jù)[2]。我國是世界最大的鮮食葡萄生產(chǎn)國和消費國,葡萄種植面積穩(wěn)定在66萬 hm2以上[3],且經(jīng)濟價值可觀。作為我國鮮食葡萄重要產(chǎn)區(qū)之一,陜西省近年來葡萄栽培面積和產(chǎn)量均有大幅提升[4]。適當?shù)乃止?yīng)是保證葡萄高質(zhì)高產(chǎn)的基本條件之一,葡萄園水分虧缺或過多不僅影響當季葡萄的產(chǎn)量與品質(zhì),還會影響下季葡萄生長發(fā)育,甚至?xí)s短葡萄樹生長年限,這些均増加了葡萄園水分管理的復(fù)雜性和特殊性[5]。確定合理的灌溉制度以滿足葡萄生產(chǎn)的必要水分需求具有重要意義,因此準確估算葡萄生育期內(nèi)蒸散量尤為關(guān)鍵。

常用的獲取作物蒸散量的途徑分為測定法、直接估算法和間接估算法3類。測定法主要包括渦度相關(guān)法、波文比法、蒸滲儀法、同位素法等,國內(nèi)外很多學(xué)者[6-9]已經(jīng)驗證了利用以上方法獲取作物實際蒸散量的適用性與準確性;但此類方法大多技術(shù)復(fù)雜、造價高、維護費用高,且個別方法要求有足夠大及平坦均一的下墊面,否則很難達到一定精度。直接估算法主要包括單源模型及多源模型。單源模型中P-M模型具有較強的理論基礎(chǔ),但其忽略了冠層和土壤間的水熱特性差異,對稀疏植被的蒸散估算偏差較大;多源模型機理復(fù)雜、計算成本高,容易出現(xiàn)“過度擬合”的情況,且參數(shù)獲取難度大,在實際應(yīng)用中會受到一定限制。間接估算法中最常用的為作物系數(shù)法,其中FAO-56推薦的雙作物系數(shù)法估算方法簡單,得到了廣泛應(yīng)用[10-12],但其有一定的適用范圍,并非對所有地區(qū)、所有作物的蒸散量都能夠進行精準估算。

雙作物系數(shù)法中的作物系數(shù)必須根據(jù)作物自身生長狀況及外部環(huán)境(水分脅迫、氣象條件)進行校正才能準確估算實際蒸散量,但隨時進行地面監(jiān)測并對作物系數(shù)曲線做出調(diào)整存在較大困難,因此利用遙感技術(shù)估算作物系數(shù)更為可行。Shao等[13]將無人機多光譜遙感技術(shù)與隨機森林算法結(jié)合,獲得了不同灌溉條件下玉米作物系數(shù)(Kc)的高分辨率空間分布圖。Gautam等[14]利用無人機搭載多光譜傳感器提取赤霞珠葡萄的光譜和結(jié)構(gòu)特征,通過多元線性回歸和機器學(xué)習(xí)方法對Kc進行建模,結(jié)果表明將冠層結(jié)構(gòu)特征和光譜特征相結(jié)合,可以提高模型適用性;在所有預(yù)測模型中,隨機森林預(yù)測的Kc精度最高。近年來,遙感技術(shù)在國內(nèi)快速興起,逐漸應(yīng)用于不同研究領(lǐng)域并處于較高的發(fā)展水平,其在估算作物系數(shù)方面的應(yīng)用有效克服了現(xiàn)有其他研究方法的許多缺陷[15]。遙感應(yīng)用主要分為衛(wèi)星遙感和低空機載遙感,衛(wèi)星遙感發(fā)展最早并且已經(jīng)相當成熟,但其數(shù)據(jù)的預(yù)處理結(jié)果易受大氣影響而且經(jīng)常與試驗時間不相符,獲取較為可靠的數(shù)據(jù)難度較大。低空無人機遙感不僅克服了衛(wèi)星遙感受大氣狀況影響大、重訪周期長、時空分辨率不匹配等問題,還規(guī)避了地面監(jiān)測作物生長信息耗時、費力等缺點,具有成本低、機動靈活、能實時采集圖像、高時效性、高時空分辨率等一系列優(yōu)點[16]。無人機遙感技術(shù)可以較好地估算日作物系數(shù),從而滿足農(nóng)田尺度估算作物日蒸散量的需求[17]。De Jesús Marcial-Pablo等[18]證明了基于無人機光譜遙感剔除地物背景后的圖像可以較高精度地估算玉米Kc,其中Kc與NDVI在80 000株·hm-2時擬合效果最好。張瑜[19]利用無人機多光譜遙感技術(shù)協(xié)同地面監(jiān)測建立了作物系數(shù)Kc與植被指數(shù)的關(guān)系模型,并論證了其可行性。韓文霆等[20]利用無人機多光譜遙感技術(shù)獲取6種植被指數(shù),分別建立了其與大田玉米作物系數(shù)在各生育時期不同水分脅迫條件下的關(guān)系模型,結(jié)果表明在快速生長期充分灌溉條件和生長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。

迄今為止,我國對作物系數(shù)的估算研究主要集中在經(jīng)濟類作物及大田作物,對于根系發(fā)達、稀疏種植的多年生果樹研究較少;葡萄果樹由于株間個體差異大,對水肥管理的要求較高,此類研究更是鮮有報道。不同于密植作物土壤蒸發(fā)較小,葡萄果樹蒸散中植被蒸騰與土壤蒸發(fā)屬于兩個相對獨立的部分,且各自占據(jù)較大比重,因此有必要對其基礎(chǔ)作物系數(shù)Kcb進行單獨研究。目前基于無人機遙感技術(shù)估算農(nóng)田尺度稀疏植被基礎(chǔ)作物系數(shù)的研究明顯不足。針對以上問題,本文以2021年西北半濕潤區(qū)葡萄園為研究區(qū)域,以波文比系統(tǒng)實測蒸散量ETc為準,基于彭曼公式法計算參考作物蒸散量ETo,得到葡萄作物系數(shù)Kc后,采用FAO-56雙作物系數(shù)法計算土壤蒸發(fā)系數(shù)Ke與水分脅迫系數(shù)Ks,獲得基礎(chǔ)作物系數(shù)Kcb,利用無人機多光譜遙感影像獲取葡萄光譜數(shù)據(jù),提取多個波段反射率計算4種植被指數(shù),建立葡萄基礎(chǔ)作物系數(shù)Kcb與植被指數(shù)的關(guān)系模型,從而估算葡萄園實際蒸散量,驗證無人機多光譜遙感反演葡萄Kcb的精度,以期提高葡萄園蒸散量的估算精度,為該地區(qū)精準灌溉提供理論指導(dǎo)及技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)概況及葡萄物候期

試驗于2021年4—8月在陜西省咸陽市楊陵區(qū)崔西溝村君度唯爾葡萄莊園進行,該地區(qū)位于陜西關(guān)中平原中部(108°08′E,34°31′N,海拔524.7 m),屬于暖溫帶半濕潤氣候區(qū),四季分明,冬季寒冷干燥,夏季高溫多雨,多年平均氣溫12.9℃,年日照時數(shù)2 163.8 h,無霜期210 d,多年平均降水量580 mm且主要集中在7、8月份,年平均蒸發(fā)量1 500 mm。試驗區(qū)葡萄齡期大約5 a,品種為‘黑色甜菜’。葡萄的種植行由南向北,行距約為3 m,每行葡萄藤之間的間距為0.8 m左右,葡萄架式為單籬架,架高1.5 m左右,沿葡萄種植方向每隔3～4 m設(shè)立水泥柱,并在上中下拉3道鋼絲。葡萄園灌溉方式以滴灌為主,灌水、施肥等田間管理措施均與當?shù)仄咸焉a(chǎn)一致,不進行特殊水肥調(diào)控。根據(jù)葡萄生長特性,將其全生育期劃分為4個生育階段,分別為新梢生長期(4月12日—5月15日),開花期(5月16日—5月30日),果實膨大期(5月31日—7月6日),著色成熟期(7月7日—8月18日)。

1.2 多光譜影像采集與預(yù)處理

研究采用深圳市大疆創(chuàng)新科技有限公司的四旋翼精靈Phantom 4無人機為數(shù)據(jù)采集平臺,該無人機為一體式的多光譜成像系統(tǒng),多光譜相機有6個影像傳感器,其中1個彩色傳感器用于可見光(RGB)成像,5個單色傳感器用于包含藍(B, 450 nm±16 nm)、綠(G, 560 nm±16 nm)、紅(R, 650 nm±16 nm)、紅邊(RE, 730 nm±16 nm)和近紅外(NIR, 840 nm±26 nm)波段的多光譜成像。試驗設(shè)置無人機航線條,相對航高30 m,航向重疊率80%,旁向重疊率70%,地面分辨率為1.6 cm,作業(yè)過程中可同步獲取研究區(qū)RGB和多光譜影像。無人機多光譜遙感影像數(shù)據(jù)采集選擇晴朗無風(fēng)無云、太陽光照穩(wěn)定的天氣進行,整個生育期共獲得60組數(shù)據(jù)。獲取的多光譜影像檢查無誤后導(dǎo)入DJITerra軟件中,選擇農(nóng)田場景進行二維重建,得到基于單個波段的正射影像。將拼接完成的單個波段影像導(dǎo)入ENVI 5.3軟件中,進行波段合并,最后得到多個波段融合后的葡萄園多光譜影像。利用Matlab對多光譜影像進行背景剔除后,提取不同波段反射率計算多種植被指數(shù)。

1.3 氣象數(shù)據(jù)

試驗區(qū)凈輻射、風(fēng)速、風(fēng)向、空氣溫度、相對濕度、水汽壓、土壤熱通量等氣象數(shù)據(jù)由波文比系統(tǒng)全天候每10 min自動觀測記錄。降雨量由楊陵氣象站提供,參考作物蒸散發(fā)量利用彭曼公式(式1)計算,具體見圖1。

(1)

式中,ETo為參考作物蒸發(fā)蒸騰量(mm·d-1);Rn為作物冠層的凈輻射(MJ·m-1·d-1);G為土壤熱通量(MJ·m-1·d-1),在逐日計算中G=0;T為平均氣溫(℃);u2為2 m高處的平均風(fēng)速(m·s-1);es為飽和水汽壓(kPa);ea為為實際水汽壓(kPa);Δ為飽和水壓與溫度曲線的斜率(kPa·℃-1);γ為干濕表常數(shù)。

圖1 參考作物蒸散發(fā)量及降雨數(shù)據(jù)

1.4 波文比能量平衡法

波文比能量平衡法是應(yīng)用廣泛的估算農(nóng)田蒸發(fā)蒸騰方法,該方法通過測量溫度和濕度梯度,結(jié)合凈輻射以及地面熱通量的測定來估算潛熱通量[21]。其基本原理是能量守恒,優(yōu)點是所需實測參數(shù)少,計算方法簡單,不需要有關(guān)蒸發(fā)蒸騰面空氣動力學(xué)特性方面的資料,并可以估算大面積(約1 000 m2)和小時間尺度(10 min)的潛熱通量。能量平衡方程基于能量守恒原理,表示下墊面所有吸收與釋放能量的總和,其計算方法如式(2)所示:

Rn=λET+H+G+AD+PH+M

(2)

式中,Rn為凈輻射(W·m-2);λET為潛熱通量(W·m-2);λ為汽化潛熱(J·kg-1);ET為蒸發(fā)蒸騰量(mm);H為顯熱通量(W·m-2);G為土壤熱通量(W·m-2);AD為能量水平交換量(W·m-2);PH為光合作用能量轉(zhuǎn)換(W·m-2);M為植物代謝引起的能量轉(zhuǎn)換以及植物內(nèi)部與冠層空間的熱量儲存(W·m-2)。

如果下墊面均一且面積較大時,各氣象因素的鉛直梯度遠大于水平梯度,因此,平流作用產(chǎn)生的能量水平交換量AD可忽略不計。而PH和M之和通常比測量主成分時產(chǎn)生的實際誤差還小,一般情況下也可忽略,故式(2)可簡化為:

Rn=λET+H+G

(3)

1.5 雙作物系數(shù)法

雙作物系數(shù)法僅需要常規(guī)氣象要素,因其方法簡單而被廣泛應(yīng)用于計算1 d或更長時段的蒸散量[22],其計算公式如下:

(4)

Ks為土壤水分脅迫系數(shù),采用FAO-56推薦的計算公式如下:

(5)

TAW=10γZr(θfc-θwp)

(6)

Dr=10γZr(θfc-θ)

(7)

RAW=pTAW

(8)

式中,TAW為作物主要根系層總的土壤有效儲水量(mm);RAW為易被作物根系利用的根區(qū)土壤儲水量(mm);Dr為計算時段作物根區(qū)土壤水分的平均虧缺量(mm),當計算時段較短時,可用時段初的土壤水分虧缺量來代替;γ為土壤體積密度(g·cm-3);Zr為作物根系主要活動層深度(cm);θ為時段初作物根系層平均土壤含水率(m3·m-3);θfc和θwp分別為根區(qū)田間持水量(m3·m-3)和根區(qū)凋萎含水量(m3·m-3);p為根區(qū)中易被作物根吸收的土壤儲水量與總的有效土壤儲水量的比值,一般介于0～1.0。

Ke為表層土壤蒸發(fā)系數(shù),本文采用FAO-56推薦的計算公式如下:

Ke=Kr(Kcmax-Kcb)≤fewKcmax

(9)

式中,Kcmax為降雨或灌溉后作物系數(shù)的最大值;Kr為由累積蒸發(fā)水深決定的土壤蒸發(fā)衰減系數(shù),當土壤表面較為濕潤(降雨1～2 d)時,Kr取值為1;降雨后3～5 d,地表濕潤度降低,Kr取值為 0.7;降雨后6～8 d,地表水分持續(xù)減少,Kr取值為 0.2;當?shù)乇碛靡哉舭l(fā)的水分完全耗盡時,Kr取值為 0;few為發(fā)生棵間蒸發(fā)的土壤占全部土壤的比例。

Kcb為基礎(chǔ)作物系數(shù),計算公式如下:

(10)

式中,ET為實際作物蒸發(fā)蒸騰量(mm),本文實測值由波文比系統(tǒng)提供;Ks和Ke分別利用公式(5)、(9)求出。

1.6 植被指數(shù)計算

本文初步選用4種常用的植被指數(shù)進行計算(表1),其中NDVI可以檢測植被生長狀態(tài)、植被覆蓋度和消除部分輻射誤差;SAVI增加了土壤調(diào)節(jié)系數(shù),可降低NDVI對土壤背景的敏感;RVI是綠色植被的靈敏指示參數(shù),對高覆蓋植被區(qū)域更為敏感,與生物量的相關(guān)性最好;DVI對土壤背景的變化極為敏感。

1.7 模型檢驗方法

選擇均方根誤差(RMSE)和模型性能指數(shù)(EF)[27]評價模型模擬值與實測值之間的驗證效果。本文隨機選取樣區(qū)50%的樣本數(shù)據(jù)(30組)作為建模集,基于線性回歸方法構(gòu)建Kcb的估算模型;利用剩余50%的樣本數(shù)據(jù)(30組)作為驗證集,評價Kcb估算模型。

(11)

(12)

式中,RMSE為均方根誤差(mm);EF為模型性能指數(shù);Pi為預(yù)測值;Oi為真實值;O為真實值的平均值;n為數(shù)據(jù)樣本數(shù)量。RMSE越小,表明模型偏差越小;EF越接近1,表明吻合度越高。

2 結(jié)果與分析

2.1 葡萄作物系數(shù)與植被指數(shù)

葡萄全生育期基礎(chǔ)作物系數(shù)Kcb、土壤蒸發(fā)系數(shù)Ke、水分脅迫系數(shù)Ks和作物系數(shù)Kc的逐日變化曲線如圖2所示。由圖2可以看出,Kcb隨著生育期呈現(xiàn)先上升后下降趨勢,生育初期、中期、后期分別約為0.13、0.76、0.33。FAO-56中3個生育時期不同階段的推薦值分別為0.15、0.80和0.40。與推薦值相比,實際值偏低,這可能是地區(qū)氣候、品種及耕作措施不同造成的差異[28-29]。

表1 植被指數(shù)計算公式

Ke在生育期初期基本維持在一個較高值;隨著葡萄的生長發(fā)育,冠層覆蓋度逐漸增加,導(dǎo)致Ke逐漸減小;而生育后期由于葡萄保產(chǎn)必要的修枝及葉片逐漸老化凋零,土壤蒸發(fā)也逐漸增大。此外生育初期Ke波動較大的原因可能是降雨導(dǎo)致土壤含水率發(fā)生了變化。Kc為Kcb與Ke之和,生育前期和后期的Kcb值較小,所以Kc變化趨勢同Ke幾乎一致,而生育中期Kcb對Kc值的影響則較大。Kc在生育初期逐漸增大,生育中期保持相對穩(wěn)定的較大值,生育后期逐漸減小,此變化規(guī)律與FAO-56中的描述基本相符。葡萄整個生育期未產(chǎn)生水分脅迫,故其水分脅迫系數(shù)Ks=1保持不變。

葡萄生育期內(nèi),4種植被指數(shù)(NDVI、SAVI、RVI和DVI)隨生育天數(shù)的變化如圖3所示。由圖3可知,4種植被指數(shù)均隨生育期推進先緩慢增大,而后逐漸呈降低趨勢,符合葡萄生長規(guī)律。生育前期到生育中期,葡萄冠層覆蓋度增加,作物蒸騰作用加強,消耗更多的土壤水分,而土壤蒸發(fā)減小,植被指數(shù)均增大;生育中期到生育后期,隨著葡萄葉片逐漸枯萎,冠層覆蓋度降低,土壤蒸發(fā)量增加,植被指數(shù)均降低。其中,生育中后期開始,RVI有較大的下降趨勢,這是因為RVI對作物的覆蓋度變化比較敏感,適用于監(jiān)測高覆蓋度植物冠層的動態(tài)變化[30]。

圖2 葡萄生育期作物系數(shù)變化曲線

圖3 葡萄生育期植被指數(shù)變化曲線

2.2 葡萄基礎(chǔ)作物系數(shù)與植被指數(shù)關(guān)系模型

本研究選取相關(guān)性較高的4種植被指數(shù)(NDVI、SAVI、RVI、DVI)來建立植被指數(shù)與葡萄基礎(chǔ)作物系數(shù)之間的一元線性回歸模型、多項式回歸模型及多元線性回歸模型。把葡萄整個生育階段分為生育前期和生育后期兩個階段,即萌芽開花期(無葡萄果實)為生育前期,果實膨大及著色成熟期為生育后期,對兩個時間段分別建立植被指數(shù)與葡萄基礎(chǔ)作物系數(shù)Kcb的關(guān)系模型。

生育前期、后期葡萄植被指數(shù)與基礎(chǔ)作物系數(shù)Kcb的關(guān)系如表2所示。由表2可知,在生育前期和后期4種植被指數(shù)與葡萄基礎(chǔ)作物系數(shù)Kcb的決定系數(shù)較高(R2>0.60),基本上能滿足擬合精度要求(P<0.01)。這是因為植被指數(shù)能夠反映植被的覆蓋情況及生長活力,在一定條件下能定量說明植被的生長狀況;而基礎(chǔ)作物系數(shù)用來描述作物蒸騰,不考慮土壤蒸發(fā),與作物的生長情況相關(guān),所以兩者有較強的相關(guān)性。其中生育前期和后期Kcb與NDVI決定系數(shù)分別為0.82和0.71、與SAVI決定系數(shù)分別為0.75和0.74、與RVI決定系數(shù)分別為0.80和0.75、與DVI決定系數(shù)分別為0.65和0.75。對比得知,NDVI和RVI與不同生育階段的Kcb均有較高而且穩(wěn)定的相關(guān)性。這可能是因為NDVI和RVI能充分反映植被在近紅外波段和紅光波段反射率的差異,還可增強植被與土壤背景之間的輻射差異,是植被長勢和豐度估算的主要手段;兩種波段可能對冠層蒸騰有較強的敏感性,因此在葡萄不同生育階段都可以很好反映作物蒸騰能力[31]。

與單項式模型相比,采用多項式回歸建立的植被指數(shù)與葡萄基礎(chǔ)作物系數(shù)Kcb的模型擬合精度都有所提高,但效果不顯著,這可能是因為單項式植被指數(shù)反演葡萄作物系數(shù)模型本身就具有較高擬合精度,但單一變量考慮因素有限,無法全面表征不同因素對作物系數(shù)的影響程度。

全生育階段4種植被指數(shù)與葡萄基礎(chǔ)作物系數(shù)Kcb的一元線性回歸模型及多項式回歸模型如圖4所示。由圖4a～d可以看出,4種植被指數(shù)擬合Kcb效果較好(R2>0.65),說明用植被指數(shù)擬合葡萄作物系數(shù)具有一定可行性。Kcb在生育前期逐漸增加,生育中期達到最大值,生育后期逐漸降低;植被指數(shù)的變化規(guī)律與其基本一致。由于Kcb在葡萄生育過程中存在先上升后下降兩個階段,因此可能出現(xiàn)相同Kcb值對應(yīng)多個植被指數(shù)值的現(xiàn)象。這種現(xiàn)象較易出現(xiàn)在生育中期,即Kcb值較大時。

由圖4e～h可知,與生育前期、后期變化規(guī)律一致,全生育階段葡萄4種植被指數(shù)與基礎(chǔ)作物系數(shù)Kcb的多項式回歸模型精度也均比一元線性回歸模型精度有所提高。而全生育階段Kcb模型精度較生育前期及生育后期有所降低,這是因為不同生育階段植物生長情況不同,用同一關(guān)系式進行擬合,便會出現(xiàn)精度不高的問題。圖4數(shù)據(jù)主要集中在3部分,主要是因為FAO-56列出了葡萄生育初期、生育中期、生育后期的基礎(chǔ)作物系數(shù)典型值,而基礎(chǔ)作物系數(shù)在生育過程的變化通過線性插值獲得。本研究的Kcb值僅在FAO-56基礎(chǔ)上對氣象影響進行了修正,與典型值的差距不大,未經(jīng)線性插值,所以存在分布不均衡的情況。

表2 生育前期和后期葡萄植被指數(shù)與基礎(chǔ)作物系數(shù)Kcb的關(guān)系

注:圖a～d為一元線性回歸模型擬合結(jié)果,圖e～h為多項式回歸模型擬合結(jié)果。

生育前期、生育后期及全生育階段4種葡萄植被指數(shù)與基礎(chǔ)作物系數(shù)Kcb的多元線性回歸模型如表3所示。由表3可知,生育前期及生育后期Kcb-VIs多元線性回歸模型精度分別為0.86和0.78,全生育期階段Kcb-VIs精度較好(R2=0.71)。生育前期、后期及全生育階段Kcb-VIs多元線性回歸模型精度均高于一元線性回歸模型及多項式回歸模型,這主要是因為多元線性回歸模型不再只考慮單一植被指數(shù)對Kcb的影響,而是引入了多種植被指數(shù)綜合考慮,提高了自變量與多個因變量的相關(guān)性[30]。

2.3 蒸散量估算精度驗證

生育期內(nèi)利用波文比系統(tǒng)自動監(jiān)測的葡萄實際日蒸散量及其與FAO-56雙作物系數(shù)法估算的蒸散量對比如圖5所示。由圖5a可知,整個生育期內(nèi),葡萄實際蒸散量呈現(xiàn)先增大后減小的變化趨勢,生育前期和后期波動較小,生育中期變幅增大,其波峰出現(xiàn)在降水偏少、陽光充足、氣溫較高的6月份,此時葡萄生長最為茂盛,處于果實膨大期,波谷則出現(xiàn)在降雨最為集中的7月份。葡萄實際蒸散量的變化范圍為0.10～6.39 mm·d-1,根據(jù)波文比法計算出的全生育期葡萄實際蒸散量為319.88 mm。由圖5b可知,將FAO-56推薦的雙作物系數(shù)法估算得到的葡萄實際蒸散量與波文比系統(tǒng)實測值進行對比,精度較好(n=118,EF=0.58)。雙作物系數(shù)法估算值普遍偏高,這是因為作物系數(shù)受氣候條件、土壤、作物栽培管理方式和作物生長狀況等諸多因素影響,其估算精度不盡相同,存在一定的局限性[32]。

表3 不同生育時期4 種葡萄植被指數(shù)與基礎(chǔ)作物系數(shù)Kcb的多元線性回歸模型

圖5 生育期內(nèi)波文比葡萄實際蒸散量及FAO-56 雙作物系數(shù)法估算值與波文比實測值對比

利用表2得到不同植被指數(shù)與Kcb的一元線性表達式后計算不同生育期葡萄實際蒸散量,結(jié)果如圖6所示。不同生育階段利用植被指數(shù)與Kcb一元線性建模估算葡萄實際蒸散量效果均較好,驗證精度大多在0.65以上,效果均優(yōu)于FAO-56雙作物系數(shù)法(EF=0.58,RMSE=1.14 mm)。

在生育初期,SAVI和DVI散點基本上對稱分布且集中在1∶1線附近,驗證效果較好(EF>0.75);而NDVI和RVI散點基本上也對稱分布且集中在1∶1線附近(圖6a～d)。在生育后期,4種植被指數(shù)驗證效果較為穩(wěn)定(EF=0.64～0.73),實測值均略高于預(yù)測值,并且當同一生育階段蒸散量增大時,反演效果有所下降(圖6e～h)。在全生育階段,4種植被指數(shù)驗證蒸散量的差異不大,RMSE基本上在0.13 mm左右(圖6i～l)。綜合3個生育階段結(jié)果可知,基于植被指數(shù)通過一元線性回歸模型反演葡萄基礎(chǔ)作物系數(shù),從而估算不同生育時期葡萄蒸散量,各植被指數(shù)表現(xiàn)為:DVI>SAVI>RAVI>NDVI。

利用表2建立不同植被指數(shù)與Kcb的多項回歸關(guān)系式,計算得到生育前期、后期及全生育階段葡萄實際蒸散量估算值如圖7所示。多項式回歸模型與一元線性回歸模型相比,兩者驗證效果差別不大。在生育后期,多項式回歸模型下4種植被指數(shù)的驗證精度基本都有小幅提高,而生育前期和全生育階段選取一元線性回歸模型驗證精度最好,說明采用多項式并不能完全提高驗證效果?？赡苁且驗閱雾検奖旧硪呀?jīng)達到很高的驗證精度,且采用多項式無法解決同一生育階段蒸散量增大時驗證精度下降的問題,甚至還有進一步增大誤差的趨勢。

利用表3多元線性回歸建模后,計算得到的生育前期、后期及全生育階段葡萄實際蒸散量估算值如表4所示。生育前期(EF=0.75)、后期驗證精度(EF=0.80)高于全生育階段驗證精度(EF=0.73),這可能是由于生育期內(nèi)無人機飛行次數(shù)有限,且葡萄不同生育階段生長規(guī)律變化較大,很難獲取可以代表全生育階段的擬合關(guān)系式。與一元線性回歸和多項式回歸模型相比,各生育階段多元線性回歸模型的驗證精度并未顯著提高,這可能是因為多元線性回歸模型引入了多種植被指數(shù)特征參數(shù),模型復(fù)雜度較高[30],無法很好地擬合非線性數(shù)據(jù);同時本研究選取的4種植被指數(shù)可能適用性不強或它們之間共線性較強[33],對模擬造成了一定影響。

3 結(jié) 論

1)一元線性回歸和多項式回歸建模條件下,在葡萄生育前期,NDVI、RVI與Kcb模型擬合精度優(yōu)于DVI、SAVI,擬合效果最佳;在生育后期及全生育階段,4種植被指數(shù)與Kcb模型擬合精度之間差異不大。多元線性回歸建模條件下,生育前期擬合效果最好(R2=0.86),其次是生育后期(R2=0.78)和全生育階段(R2=0.71)。

注:圖a～d為葡萄生育初期驗證結(jié)果,圖e～h為生育后期驗證結(jié)果,圖i～l為全生育階段驗證結(jié)果。下同。

2)不同反演模型對葡萄實際蒸散量的估算精度不同。在生育前期,利用DVI與Kcb建立的多項式回歸模型的驗證精度最高(EF=0.79);在生育后期,多元線回歸模型驗證精度最高(EF=0.80);在全生育階段,利用DVI與Kcb建立的一元線性回歸模型的驗證精度最高(EF=0.73)。

圖7 生育前期、后期及全生育階段多項式回歸模型估算精度驗證

表4 生育前期、后期及全生育階段多元線性回歸模型估算精度驗證

3)根據(jù)葡萄生長特性,分生育階段選擇合適的植被指數(shù)及建模方法反演Kcb值可較FAO-56雙作物系數(shù)法的Kcb推薦值對蒸散量的估算精度提高6%以上。