作物需水空間分布下農(nóng)田灌溉分區(qū)方法研究

摘 要：為探討基于遙感數(shù)據(jù)反演農(nóng)田作物需水量和灌溉分區(qū)的方法，實現(xiàn)對農(nóng)田的精準、高效灌溉，以甘肅武威地區(qū)青貯玉米田為研究對象，通過建立作物系數(shù)與多種植被指數(shù)（NDVI、EVI、GNDVI、RVI、SAVI）的定量關(guān)系模型進行遙感反演；并基于遙感影像和最優(yōu)模型計算作物需水空間分布，利用K-Means聚類算法對總需水量進行分區(qū)。結(jié)果表明，在遙感反演模型中，多項式回歸模型較線性回歸模型具有更高擬合度，能更準確地反映作物系數(shù)與植被指數(shù)的非線性關(guān)系。快速生長期、生長中期和生長后期的最優(yōu)模型分別基于RVI、RVI和EVI計算得出。作物需水空間分區(qū)結(jié)果表明，試驗地需水量較多區(qū)域面積占比較大，需水量較少區(qū)域面積占比較小，為遙感數(shù)據(jù)在農(nóng)田作物需水管理中的應(yīng)用提供了行之有效的方法。

關(guān)鍵詞：作物；需水量；空間分布；農(nóng)田灌溉；區(qū)分方法

中圖分類號：Q948 文獻標志碼：B 文章編號：2095–3305（2024）10–0-03

科學、合理的灌溉對保障作物生長發(fā)育、提高農(nóng)業(yè)生產(chǎn)效率和節(jié)約水資源至關(guān)重要[1-4]。隨著我國農(nóng)業(yè)現(xiàn)代化進程的不斷推進，傳統(tǒng)的基于經(jīng)驗的定量定額灌溉方式已難以滿足精準、高效的管理需求[5]。作物需水量是制定農(nóng)田灌溉制度的基礎(chǔ)，其空間差異性是導致傳統(tǒng)灌溉管理低效的重要原因之一[6]。因此，準確估算農(nóng)田不同區(qū)域作物的需水情況、實施差異化精準灌溉具有重要的現(xiàn)實意義。傳統(tǒng)的作物需水量測定方法主要依賴于野外實測數(shù)據(jù)，存在工作量大、代表性差、測定點位局限性等不足。隨著3S（RS、GIS、GPS）技術(shù)的發(fā)展，遙感技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用越來越廣泛[7-10]。

基于高分辨率遙感影像提取的植被指數(shù)能較好地反映作物生長發(fā)育狀況和需水特性，與作物系數(shù)存在一定相關(guān)性，為遙感估算作物需水量奠定了理論基礎(chǔ)。已有研究表明，遙感估算作物需水量的關(guān)鍵是建立作物系數(shù)與植被指數(shù)之間的定量關(guān)系模

型[11-12]。而對不同空間位置作物需水量的分區(qū)分析也是差異化精準灌溉的前提條件，需要找到科學、合理的分區(qū)方法。

當前，國內(nèi)外學者已對作物灌溉方法展開了相關(guān)研究。例如，李淑娟[13]設(shè)計和測試了一個基于物聯(lián)網(wǎng)技術(shù)的農(nóng)田灌溉系統(tǒng)。該系統(tǒng)包括農(nóng)田數(shù)據(jù)收集、數(shù)據(jù)傳輸、數(shù)據(jù)處理、云平臺和灌溉裝置控制5個模塊，系統(tǒng)通過在農(nóng)田部署傳感器實時監(jiān)測土壤濕度、空氣濕度、溫度和光照強度等環(huán)境因素，并通過NB-IO無線通信網(wǎng)絡(luò)將數(shù)據(jù)傳輸至云平臺進行處理和分析。趙廣霞[14]從土料防滲漏技術(shù)、混凝土板防滲技術(shù)、塑料薄膜防滲漏技術(shù)、地下管網(wǎng)施工技術(shù)等方面介紹了農(nóng)田灌溉渠道防滲施工技術(shù)。還有學者探討了利用反演分析估計農(nóng)田蒸散量的方法，并將其與FLUXNET2015數(shù)據(jù)庫中的觀測數(shù)據(jù)進行了比較；研究結(jié)果表明，在小時、日、月以及年的時間尺度上，觀測到的蒸散量（LEobs）能夠通過反演分析得到合理再現(xiàn)。在年時間尺度上，觀測值與估計值之間的決定系數(shù)（R2）達到0.933，表明具有良好的一致性。但國內(nèi)外針對作物需水空間分布的差異化灌溉方法研究較少，亟待開展深入探討。

以甘肅武威地區(qū)的青貯玉米田為研究對象，利用無人機高分辨率多光譜遙感影像數(shù)據(jù)，構(gòu)建作物系數(shù)與多種植被指數(shù)之間的定量關(guān)系模型，估算不同生育期的作物需水空間分布，并結(jié)合聚類分析方法對需水量進行分區(qū)，旨在為實施農(nóng)田精準、高效灌溉提供技術(shù)支持和理論參考。

1 材料與方法

1.1 試驗地概況與試驗材料

試驗區(qū)位于甘肅省武威市涼州區(qū)，屬溫帶大陸性干旱氣候，年平均氣溫7.1 ℃，年平均降水量270 mm左右，降雨主要集中在6—9月，多年無霜期150 d左右。試驗材料為青貯玉米（品種為1225），株行距0.25 m

×0.40 m，采用滴灌設(shè)備進行灌溉。

1.2 作物需水量的測定

采用聯(lián)合國糧食和農(nóng)業(yè)組織第56屆會議推薦的Penman-Monteith公式（1）估算參考作物日蒸散量ET0，采用通過作物系數(shù)法公式（2）將參考作物蒸散量調(diào)整為作物需水量（ETc）。用于計算的氣象數(shù)據(jù)來源于國家氣象科學數(shù)據(jù)中心（https：//data.cma.cn/）。

（1）

ETc=∑（KciET0i）（2）

式（1）和式（2）中，ET0為參考作物日蒸散量（單位：mm/d）；△為飽和水汽壓—溫度曲線的斜率；Rn為凈輻射量[單位：MJ/（m2·d）]；G為土壤熱通量[單位：MJ/（m2·d）]；γ為濕度計常數(shù)（單位：kPa/℃）；T為距地面

2 m處的日平均氣溫（單位：℃）；u2為距地面2 m處的風速（單位：m/s）；es為飽和水汽壓（單位：kPa）；ea為實際水汽壓（單位：kPa）；ETc為作物需水量（單位：mm）；Kci為玉米第i個生育階段的作物系數(shù)；ET0i為玉米第i個生育階段的參考作物需水量（單位：mm）。

1.3 作物系數(shù)Kc的確定

作物系數(shù)Kc是一個無量綱參數(shù)，用于估算作物蒸騰量與參考作物蒸騰量之間的比率。作物系數(shù)結(jié)合了作物特征、作物發(fā)育階段和管理條件等因素的影響，確定精確的Kc值對農(nóng)業(yè)用水管理、灌溉制度設(shè)計等至關(guān)重要。國際糧農(nóng)組織給出了大部分國家和地區(qū)多種作物的Kc值日變化曲線，但該值的空間尺度較為寬泛，往往是針對特定地區(qū)和作物的經(jīng)驗參數(shù)，難以準確反映作物在不同生長階段和空間位置上的需水差異。而植被指數(shù)能夠反映作物生長狀況和冠層特性，與作物系數(shù)存在相關(guān)性。因此，可以利用植被指數(shù)估算作物系數(shù)，從而提高計算作物需水量的精度。

采用無人機多光譜平臺于玉米快速生長期、生長中期和生長后期獲取多光譜遙感數(shù)據(jù)，使用ENVI 5.2的波段計算器，根據(jù)不同波段計算歸一化差異植被指數(shù)（NDVI）、增強型植被指數(shù)（EVI）、綠度歸一化植被指數(shù)（GNDVI）、比值植被指數(shù)（RVI）和土壤調(diào)節(jié)植被指數(shù)（SAVI）。采用線性回歸和多項式回歸2種方法對作物系數(shù)進行反演，根據(jù)得出的作物系數(shù)與植被指數(shù)的關(guān)系模型確定不同時間和區(qū)域的Kc值，以擬合度（R2）最高的方程作為最終的反演模型。

1.4 作物需水空間分布

根據(jù)前文確定的作物系數(shù)與植被指數(shù)的關(guān)系模型，采用ArcGIS的柵格計算器，以作物3個生長階段的無人機遙感影像計算植被指數(shù)和作物需水量，形成作物需水空間分布柵格數(shù)據(jù)，空間分辨率1 m。

1.5 農(nóng)田灌溉分區(qū)方法

K-Means是一種無監(jiān)督學習聚類算法，其目的是將n個數(shù)據(jù)點劃分至k個簇中，使得每個數(shù)據(jù)點都屬于離它最近簇的均值。該算法的計算流程如下：首先是初始化，隨機選取k個數(shù)據(jù)點作為初始質(zhì)心；然后對剩余的每個數(shù)據(jù)點，計算其與每個質(zhì)心的距離（多采用歐式距離），將其分配至距離最近的簇；針對每個簇，計算所有分配給該簇數(shù)據(jù)點的均值，并將質(zhì)心移動至該均值位置；重復執(zhí)行聚類分配和質(zhì)心更新步驟，直到質(zhì)心不再發(fā)生變化或達到最大迭代次數(shù)，實現(xiàn)對數(shù)據(jù)的分類。使用R語言中stats包的kmeans（）函數(shù)進行農(nóng)田灌溉分區(qū)。

2 結(jié)果與分析

2.1 作物系數(shù)Kc與植被指數(shù)的關(guān)系模型

通過線性回歸和多項式回歸2種方法，分別建立了作物系數(shù)Kc與5種植被指數(shù)（NDVI、EVI、GNDVI、RVI和SAVI）在玉米快速生長期、生長中期和生長后期的關(guān)系模型，并計算了相應(yīng)的決定系數(shù)R2值。由表1、表2和表3可知，在3個生育時期，多項式回歸模型普遍優(yōu)于線性回歸模型，擬合度較高。具體來看，在快速生長期，以RVI為自變量的多項式回歸模型擬合度最高，R2值達0.925；其次是以NDVI為自變量的多項式回歸模型，R2值為0.903。

在生長中期，以RVI為自變量的多項式回歸模型擬合度最佳，R2值為0.773；其次是以NDVI為自變量的線性回歸模型，R2值為0.715。在生長后期，則是以EVI為自變量的多項式回歸模型擬合度最高，R2值達0.764；其次是以SAVI為自變量的多項式回歸模型，R2值為0.715。

2.2 農(nóng)田灌溉分區(qū)

基于前文得出的最佳方程計算研究區(qū)不同生長期作物需水量，以柵格計算器求和計算總需水量，利用K-Means聚類算法分別對作物需水空間分布數(shù)據(jù)進行了2類、3類和5類的分區(qū)。由表4可知，當分為2類時，需水量少的地區(qū)占比較小，為39.71%；需水量多的地區(qū)占比較多，占比60.29%。由表5可知，需水量多的地區(qū)占比最高，為39.64%，需水量中的地區(qū)次之，為36.56%；需水量少的地區(qū)占比相對較小，占比為23.80%。由表6可知，當分為5類時，各類分區(qū)的需水量由大至小排序分別為第Ⅳ類＞第Ⅴ類＞第Ⅲ類＞第Ⅰ類＞第Ⅱ類，占比分別為27.79%、24.28%、18.99%、16.70%、12.24%。

表4" 分2類時作物需水空間分區(qū)結(jié)果

類別 分區(qū)需水量/mm 像元數(shù)/個 分區(qū)占比/%

第Ⅰ類（少） 0～3.149 6 531 39.71

第Ⅱ類（多） 3.150～7.913 9 917 60.29

表5" 分3類時作物需水空間分區(qū)結(jié)果

類別 分區(qū)需水量/mm 像元數(shù)/個 分區(qū)占比/%

第Ⅰ類（少） 0～1.819 3 915 23.80

第Ⅱ類（中） 1.820～4.531 6 013 36.56

第Ⅲ類（多） 4.532～7.913 6 520 39.64

表6" 分5類時作物需水空間分區(qū)結(jié)果

類別 分區(qū)需水量/mm 像元數(shù)/個 分區(qū)占比/%

第Ⅰ類（少） 0～1.353 2 746 16.70

第Ⅱ類（較少） 1.354～2.419 2 013 12.24

第Ⅲ類（中） 2.420～3.901 3 124 18.99

第Ⅳ類（較多） 3.902～6.013 4 571 27.79

第Ⅴ類（多） 6.014～7.913 3 994 24.28

3 結(jié)論與討論

針對農(nóng)田作物需水空間差異較大的問題，探討了基于遙感數(shù)據(jù)反演作物需水量和開展農(nóng)田灌溉分區(qū)的方法。建立了作物系數(shù)與多種植被指數(shù)之間的關(guān)系模型。結(jié)果表明：多項式回歸模型較線性回歸模型具有更高的擬合度，可更準確地反映作物系數(shù)與植被指數(shù)之間的非線性關(guān)系。在不同生育期，最優(yōu)擬合模型如下：快速生長期以RVI為自變量、生長中期以RVI為自變量、生長后期以EVI為自變量的多項式回歸模型?；谶b感影像和作物系數(shù)——植被指數(shù)模型，計算了研究區(qū)不同生育期作物需水空間分布柵格數(shù)據(jù)集，并利用K-Means聚類算法對總需水量進行了分區(qū)，分別得到2類、3類和5類的分區(qū)結(jié)果。結(jié)果表明：在3種分區(qū)中，均表現(xiàn)為需水量較多的區(qū)域面積占比較大，需水量較少的區(qū)域面積占比較小。這為制定合理的灌溉制度和優(yōu)化用水提供了參考。從方法層面探討了遙感數(shù)據(jù)在農(nóng)田作物需水管理中的應(yīng)用，為高效節(jié)水提供了技術(shù)支持。但由于復雜的自然環(huán)境和農(nóng)藝操作，作物需水量還會受到地形地貌、土壤理化性質(zhì)等其他條件的影響，此研究未能全面納入。因此，在后續(xù)研究中，可進一步建立更加完善的作物需水模型，引入上述其他影響因素，使得估算結(jié)果更加精準。

參考文獻

[1] 姚義鵬.農(nóng)業(yè)水利工程對提高農(nóng)田灌溉效率的影響[J].中國設(shè)備工程，2024（10）：246-248.

[2] 孫建超.農(nóng)田水利工程中節(jié)水灌溉存在的問題及實踐應(yīng)用分析[J].數(shù)字農(nóng)業(yè)與智能農(nóng)機，2024（4）：54-56.

[3] 張宏.農(nóng)業(yè)水利工程中灌溉模式與節(jié)水技術(shù)應(yīng)用探究[J].科技創(chuàng)新與生產(chǎn)力，2024，45（3）：61-63.

[4] 王建國.農(nóng)業(yè)水利工程經(jīng)濟效益提升的對策分析[J].農(nóng)業(yè)開發(fā)與裝備，2024（2）：232-234.

[5] 楊安馳，錢亨，段震華，等.灌溉模式對稻田產(chǎn)量及溫室氣體排放量影響的定量分析[J].浙江水利水電學院學報， 2024，36（2）：58-62.

[6] 張海軍，宗星宇，鄧海龍，等.考慮降雨預報的灌溉模式對水稻產(chǎn)量及需水量的影響[J].江西農(nóng)業(yè)學報，2024，36（1）：21-26.

[7] 王麗妍.智能化農(nóng)業(yè)技術(shù)在東北地區(qū)水稻種植上的應(yīng)用[J].特種經(jīng)濟動植物，2024，27（5）：173-175.

[8] 莊家煜，包維嘉，蘇武崢.農(nóng)業(yè)遙感應(yīng)用現(xiàn)狀與展望[J].農(nóng)業(yè)展望，2024，20（4）：68-74.

[9] 劉忠友.遙感技術(shù)在農(nóng)業(yè)領(lǐng)域中的應(yīng)用分析[J].現(xiàn)代農(nóng)機，2022（1）：58-59.

[10] 吳保升，李旭，邵倩，等.遙感技術(shù)在農(nóng)業(yè)領(lǐng)域的研究探討[J].南方農(nóng)業(yè)，2021，15（27）：232-233.

[11] 李云飛.遙感技術(shù)在山西地區(qū)玉米生長監(jiān)測中的應(yīng)用策略[J].特種經(jīng)濟動植物，2024，27（5）：196-198.

[12] 馬心依，粟曉玲，張更喜.基于歸一化植被指數(shù)估算黑河中游地區(qū)植被生態(tài)耗水量[J].西北農(nóng)林科技大學學報（自然科學版），2018，46（8）：55-62.

[13] 李淑娟.基于物聯(lián)網(wǎng)技術(shù)的農(nóng)田灌溉系統(tǒng)設(shè)計研究[J].水利科學與寒區(qū)工程，2024，7（9）：72-76.

[14] 趙廣霞.農(nóng)田灌溉渠道防滲施工技術(shù)及其質(zhì)量控制[J].現(xiàn)代農(nóng)村科技，2024（10）：124.

收稿日期：2024-07-19

作者簡介：李貴山（1976—），男，甘肅武威人，工程師，研究方向為農(nóng)田水利工程。