作物需水空间分布下农田灌溉分区方法研究

摘 要：为探讨基于遥感数据反演农田作物需水量和灌溉分区的方法，实现对农田的精准、高效灌溉，以甘肃武威地区青贮玉米田为研究对象，通过建立作物系数与多种植被指数（NDVI、EVI、GNDVI、RVI、SAVI）的定量关系模型进行遥感反演；并基于遥感影像和最优模型计算作物需水空间分布，利用K-Means聚类算法对总需水量进行分区。结果表明，在遥感反演模型中，多项式回归模型较线性回归模型具有更高拟合度，能更准确地反映作物系数与植被指数的非线性关系。快速生长期、生长中期和生长后期的最优模型分别基于RVI、RVI和EVI计算得出。作物需水空间分区结果表明，试验地需水量较多区域面积占比较大，需水量较少区域面积占比较小，为遥感数据在农田作物需水管理中的应用提供了行之有效的方法。

关键词：作物；需水量；空间分布；农田灌溉；区分方法

中图分类号：Q948 文献标志码：B 文章编号：2095–3305（2024）10–0-03

科学、合理的灌溉对保障作物生长发育、提高农业生产效率和节约水资源至关重要[1-4]。随着我国农业现代化进程的不断推进，传统的基于经验的定量定额灌溉方式已难以满足精准、高效的管理需求[5]。作物需水量是制定农田灌溉制度的基础，其空间差异性是导致传统灌溉管理低效的重要原因之一[6]。因此，准确估算农田不同区域作物的需水情况、实施差异化精准灌溉具有重要的现实意义。传统的作物需水量测定方法主要依赖于野外实测数据，存在工作量大、代表性差、测定点位局限性等不足。随着3S（RS、GIS、GPS）技术的发展，遥感技术在农业领域的应用越来越广泛[7-10]。

基于高分辨率遥感影像提取的植被指数能较好地反映作物生长发育状况和需水特性，与作物系数存在一定相关性，为遥感估算作物需水量奠定了理论基础。已有研究表明，遥感估算作物需水量的关键是建立作物系数与植被指数之间的定量关系模

型[11-12]。而对不同空间位置作物需水量的分区分析也是差异化精准灌溉的前提条件，需要找到科学、合理的分区方法。

当前，国内外学者已对作物灌溉方法展开了相关研究。例如，李淑娟[13]设计和测试了一个基于物联网技术的农田灌溉系统。该系统包括农田数据收集、数据传输、数据处理、云平台和灌溉装置控制5个模块，系统通过在农田部署传感器实时监测土壤湿度、空气湿度、温度和光照强度等环境因素，并通过NB-IO无线通信网络将数据传输至云平台进行处理和分析。赵广霞[14]从土料防渗漏技术、混凝土板防渗技术、塑料薄膜防渗漏技术、地下管网施工技术等方面介绍了农田灌溉渠道防渗施工技术。还有学者探讨了利用反演分析估计农田蒸散量的方法，并将其与FLUXNET2015数据库中的观测数据进行了比较；研究结果表明，在小时、日、月以及年的时间尺度上，观测到的蒸散量（LEobs）能够通过反演分析得到合理再现。在年时间尺度上，观测值与估计值之间的决定系数（R2）达到0.933，表明具有良好的一致性。但国内外针对作物需水空间分布的差异化灌溉方法研究较少，亟待开展深入探讨。

以甘肃武威地区的青贮玉米田为研究对象，利用无人机高分辨率多光谱遥感影像数据，构建作物系数与多种植被指数之间的定量关系模型，估算不同生育期的作物需水空间分布，并结合聚类分析方法对需水量进行分区，旨在为实施农田精准、高效灌溉提供技术支持和理论参考。

1 材料与方法

1.1 试验地概况与试验材料

试验区位于甘肃省武威市凉州区，属温带大陆性干旱气候，年平均气温7.1 ℃，年平均降水量270 mm左右，降雨主要集中在6—9月，多年无霜期150 d左右。试验材料为青贮玉米（品种为1225），株行距0.25 m

×0.40 m，采用滴灌设备进行灌溉。

1.2 作物需水量的测定

采用联合国粮食和农业组织第56届会议推荐的Penman-Monteith公式（1）估算参考作物日蒸散量ET0，采用通过作物系数法公式（2）将参考作物蒸散量调整为作物需水量（ETc）。用于计算的气象数据来源于国家气象科学数据中心（https：//data.cma.cn/）。

（1）

ETc=∑（KciET0i）（2）

式（1）和式（2）中，ET0为参考作物日蒸散量（单位：mm/d）；△为饱和水汽压—温度曲线的斜率；Rn为净辐射量[单位：MJ/（m2·d）]；G为土壤热通量[单位：MJ/（m2·d）]；γ为湿度计常数（单位：kPa/℃）；T为距地面

2 m处的日平均气温（单位：℃）；u2为距地面2 m处的风速（单位：m/s）；es为饱和水汽压（单位：kPa）；ea为实际水汽压（单位：kPa）；ETc为作物需水量（单位：mm）；Kci为玉米第i个生育阶段的作物系数；ET0i为玉米第i个生育阶段的参考作物需水量（单位：mm）。

1.3 作物系数Kc的确定

作物系数Kc是一个无量纲参数，用于估算作物蒸腾量与参考作物蒸腾量之间的比率。作物系数结合了作物特征、作物发育阶段和管理条件等因素的影响，确定精确的Kc值对农业用水管理、灌溉制度设计等至关重要。国际粮农组织给出了大部分国家和地区多种作物的Kc值日变化曲线，但该值的空间尺度较为宽泛，往往是针对特定地区和作物的经验参数，难以准确反映作物在不同生长阶段和空间位置上的需水差异。而植被指数能够反映作物生长状况和冠层特性，与作物系数存在相关性。因此，可以利用植被指数估算作物系数，从而提高计算作物需水量的精度。

采用无人机多光谱平台于玉米快速生长期、生长中期和生长后期获取多光谱遥感数据，使用ENVI 5.2的波段计算器，根据不同波段计算归一化差异植被指数（NDVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）、比值植被指数（RVI）和土壤调节植被指数（SAVI）。采用线性回归和多项式回归2种方法对作物系数进行反演，根据得出的作物系数与植被指数的关系模型确定不同时间和区域的Kc值，以拟合度（R2）最高的方程作为最终的反演模型。

1.4 作物需水空间分布

根据前文确定的作物系数与植被指数的关系模型，采用ArcGIS的栅格计算器，以作物3个生长阶段的无人机遥感影像计算植被指数和作物需水量，形成作物需水空间分布栅格数据，空间分辨率1 m。

1.5 农田灌溉分区方法

K-Means是一种无监督学习聚类算法，其目的是将n个数据点划分至k个簇中，使得每个数据点都属于离它最近簇的均值。该算法的计算流程如下：首先是初始化，随机选取k个数据点作为初始质心；然后对剩余的每个数据点，计算其与每个质心的距离（多采用欧式距离），将其分配至距离最近的簇；针对每个簇，计算所有分配给该簇数据点的均值，并将质心移动至该均值位置；重复执行聚类分配和质心更新步骤，直到质心不再发生变化或达到最大迭代次数，实现对数据的分类。使用R语言中stats包的kmeans（）函数进行农田灌溉分区。

2 结果与分析

2.1 作物系数Kc与植被指数的关系模型

通过线性回归和多项式回归2种方法，分别建立了作物系数Kc与5种植被指数（NDVI、EVI、GNDVI、RVI和SAVI）在玉米快速生长期、生长中期和生长后期的关系模型，并计算了相应的决定系数R2值。由表1、表2和表3可知，在3个生育时期，多项式回归模型普遍优于线性回归模型，拟合度较高。具体来看，在快速生长期，以RVI为自变量的多项式回归模型拟合度最高，R2值达0.925；其次是以NDVI为自变量的多项式回归模型，R2值为0.903。

在生长中期，以RVI为自变量的多项式回归模型拟合度最佳，R2值为0.773；其次是以NDVI为自变量的线性回归模型，R2值为0.715。在生长后期，则是以EVI为自变量的多项式回归模型拟合度最高，R2值达0.764；其次是以SAVI为自变量的多项式回归模型，R2值为0.715。

2.2 农田灌溉分区

基于前文得出的最佳方程计算研究区不同生长期作物需水量，以栅格计算器求和计算总需水量，利用K-Means聚类算法分别对作物需水空间分布数据进行了2类、3类和5类的分区。由表4可知，当分为2类时，需水量少的地区占比较小，为39.71%；需水量多的地区占比较多，占比60.29%。由表5可知，需水量多的地区占比最高，为39.64%，需水量中的地区次之，为36.56%；需水量少的地区占比相对较小，占比为23.80%。由表6可知，当分为5类时，各类分区的需水量由大至小排序分别为第Ⅳ类＞第Ⅴ类＞第Ⅲ类＞第Ⅰ类＞第Ⅱ类，占比分别为27.79%、24.28%、18.99%、16.70%、12.24%。

表4" 分2类时作物需水空间分区结果

类别 分区需水量/mm 像元数/个 分区占比/%

第Ⅰ类（少） 0～3.149 6 531 39.71

第Ⅱ类（多） 3.150～7.913 9 917 60.29

表5" 分3类时作物需水空间分区结果

类别 分区需水量/mm 像元数/个 分区占比/%

第Ⅰ类（少） 0～1.819 3 915 23.80

第Ⅱ类（中） 1.820～4.531 6 013 36.56

第Ⅲ类（多） 4.532～7.913 6 520 39.64

表6" 分5类时作物需水空间分区结果

类别 分区需水量/mm 像元数/个 分区占比/%

第Ⅰ类（少） 0～1.353 2 746 16.70

第Ⅱ类（较少） 1.354～2.419 2 013 12.24

第Ⅲ类（中） 2.420～3.901 3 124 18.99

第Ⅳ类（较多） 3.902～6.013 4 571 27.79

第Ⅴ类（多） 6.014～7.913 3 994 24.28

3 结论与讨论

针对农田作物需水空间差异较大的问题，探讨了基于遥感数据反演作物需水量和开展农田灌溉分区的方法。建立了作物系数与多种植被指数之间的关系模型。结果表明：多项式回归模型较线性回归模型具有更高的拟合度，可更准确地反映作物系数与植被指数之间的非线性关系。在不同生育期，最优拟合模型如下：快速生长期以RVI为自变量、生长中期以RVI为自变量、生长后期以EVI为自变量的多项式回归模型。基于遥感影像和作物系数——植被指数模型，计算了研究区不同生育期作物需水空间分布栅格数据集，并利用K-Means聚类算法对总需水量进行了分区，分别得到2类、3类和5类的分区结果。结果表明：在3种分区中，均表现为需水量较多的区域面积占比较大，需水量较少的区域面积占比较小。这为制定合理的灌溉制度和优化用水提供了参考。从方法层面探讨了遥感数据在农田作物需水管理中的应用，为高效节水提供了技术支持。但由于复杂的自然环境和农艺操作，作物需水量还会受到地形地貌、土壤理化性质等其他条件的影响，此研究未能全面纳入。因此，在后续研究中，可进一步建立更加完善的作物需水模型，引入上述其他影响因素，使得估算结果更加精准。

参考文献

[1] 姚义鹏.农业水利工程对提高农田灌溉效率的影响[J].中国设备工程，2024（10）：246-248.

[2] 孙建超.农田水利工程中节水灌溉存在的问题及实践应用分析[J].数字农业与智能农机，2024（4）：54-56.

[3] 张宏.农业水利工程中灌溉模式与节水技术应用探究[J].科技创新与生产力，2024，45（3）：61-63.

[4] 王建国.农业水利工程经济效益提升的对策分析[J].农业开发与装备，2024（2）：232-234.

[5] 杨安驰，钱亨，段震华，等.灌溉模式对稻田产量及温室气体排放量影响的定量分析[J].浙江水利水电学院学报， 2024，36（2）：58-62.

[6] 张海军，宗星宇，邓海龙，等.考虑降雨预报的灌溉模式对水稻产量及需水量的影响[J].江西农业学报，2024，36（1）：21-26.

[7] 王丽妍.智能化农业技术在东北地区水稻种植上的应用[J].特种经济动植物，2024，27（5）：173-175.

[8] 庄家煜，包维嘉，苏武峥.农业遥感应用现状与展望[J].农业展望，2024，20（4）：68-74.

[9] 刘忠友.遥感技术在农业领域中的应用分析[J].现代农机，2022（1）：58-59.

[10] 吴保升，李旭，邵倩，等.遥感技术在农业领域的研究探讨[J].南方农业，2021，15（27）：232-233.

[11] 李云飞.遥感技术在山西地区玉米生长监测中的应用策略[J].特种经济动植物，2024，27（5）：196-198.

[12] 马心依，粟晓玲，张更喜.基于归一化植被指数估算黑河中游地区植被生态耗水量[J].西北农林科技大学学报（自然科学版），2018，46（8）：55-62.

[13] 李淑娟.基于物联网技术的农田灌溉系统设计研究[J].水利科学与寒区工程，2024，7（9）：72-76.

[14] 赵广霞.农田灌溉渠道防渗施工技术及其质量控制[J].现代农村科技，2024（10）：124.

收稿日期：2024-07-19

作者简介：李贵山（1976—），男，甘肃武威人，工程师，研究方向为农田水利工程。