卫星遥感评估不同农田管理措施对实际蒸散发的影响——以捷克共和国为例

《Agricultural Water Management》：Evaluating the ability of satellite remote sensing to detect changes in actual evapotranspiration under contrasting field management practices in the Czech Republic

本研究针对农田管理措施对实际蒸散发（ETa）影响的定量评估难题，通过对比METRIC和TSEB两种遥感能量平衡模型在捷克Polkovice试验场的表现，发现卫星遥感能有效捕捉显著差异（如蛞蝓灾害导致ETa降低90mm），但对覆盖作物和浅耕等细微管理变化的敏感性有限。研究揭示了中分辨率卫星数据在精准农业应用中的局限性，为高时空分辨率遥感数据在农田水管理中的优化应用提供了重要依据。

　　

随着全球粮食需求持续增长，农业水资源高效利用已成为保障粮食安全的核心挑战。实际蒸散发（ET_a）作为农田水循环的关键环节，其精确量化对优化灌溉策略至关重要。然而，传统地面监测方法如涡动协方差（EC）虽精度高，但成本昂贵且难以大范围推广，而卫星遥感技术为区域尺度ET_a监测提供了新思路。捷克共和国全球变化研究所的T. Ghisi等人在《Agricultural Water Management》发表的研究，通过对比两种主流遥感模型在差异化农田管理条件下的表现，揭示了卫星遥感技术在精准农业应用中的潜力与局限。

研究团队在捷克Polkovice站点设计了一项独特的对照试验：两个相邻农田（Field 1采用传统浅耕管理，Field 2采用免耕结合残留物覆盖）同时布设涡动协方差系统，并利用Landsat 8/9卫星数据驱动METRIC（Mapping Evapotranspiration at High Resolution with Internalized Calibration）和TSEB（Two-source Energy Balance Model）模型。通过四年（2020-2023年）的连续观测，重点分析了模型在捕捉蛞蝓灾害、覆盖作物、浅耕等管理措施引起的ET_a变化方面的敏感性。

关键技术方法包括：1）利用双源涡动协方差系统获取高精度ET_a场测量值；2）采用Landsat Collection 2 Level-2数据产品（30米分辨率）作为模型输入；3）通过能量平衡闭合校正和足迹分析确保数据可比性；4）结合方向性分析和空间变异性评估模型性能。

3.1. 模型与EC测量值的对比评估

METRIC和TSEB模型与EC测量值的日尺度对比显示，两者均表现出良好一致性。在Field 1中，TSEB与未闭合能量平衡EC数据的均方根误差（RMSE）为0.83 mm d^-1，METRIC为0.87 mm d^-1。能量平衡闭合校正后，模型偏差进一步减小，证明模型输出具有可靠的基准精度。

3.2. 模型对不同管理措施的敏感性

3.2.1. 残留物覆盖效应

春季期间，EC监测到Field 1因残留物翻压导致ET_a高于Field 2（累积差异14.9mm）。METRIC和TSEB均能捕捉这一趋势，但TSEB估算的差异值（14.3mm）更接近EC观测结果。

3.2.3. 覆盖作物效应

2020年9-10月，Field 2因提前播种覆盖作物导致ET_a显著高于Field 1（EC测量差异13.5mm）。但由于卫星影像缺失（仅2个晴空日），模型插值结果严重低估了这一差异（METRIC仅1.3mm），暴露了中低时空分辨率数据的局限性。

3.2.4. 蛞蝓灾害效应

2021年生长季，Field 2遭受蛞蝓侵害导致植被受损，ET_a较Field 1降低87mm。模型在可用卫星影像日均清晰反映出这一显著差异（METRIC估算差异90mm，TSEB为92mm），证明遥感模型对剧烈生物胁迫的监测能力。

3.3. 模型方向性分析

通过威尔逊置信区间分析发现，在蛞蝓灾害场景下，METRIC和TSEB与EC测量方向的一致性分别达84%和73%；但对于浅耕等短暂事件，模型方向一致性降至38%-57%，说明短时管理变化的捕捉需要更高时间分辨率数据支持。

3.4. 空间变异性分析

TSEB模型的空间变异系数（CV）显著高于METRIC（Field 2全田CV达26.5%），反映其双源结构对地表异质性的敏感响应。这种特性使其更适用于识别田间局部水分胁迫，但同时也可能放大模型不确定性。

3.5. 模型参数敏感性

通过调整关键参数（如METRIC的锚像元选择分位数、TSEB的Priestley-Taylor系数），发现模型输出差异幅度变化小于15%，证明两种模型在参数合理范围内具有较强稳定性。

研究结论表明，现有中分辨率遥感模型能有效监测显著ET_a差异（如生物灾害），但对覆盖作物、浅耕等细微管理变化的捕捉能力受限于卫星 revisit cycle 和云覆盖。特别值得注意的是，浅耕操作引起的ET_a短期波动（如2023年8月两次浅耕导致Field 1的ET_a增加22mm）因恰逢雨季缺乏晴空影像，模型完全未能捕捉。这一发现强调了融合多平台数据（如Sentinel-LSTM）提升时间分辨率的重要性。

该研究的创新性在于通过长期原位观测与多模型对比，明确了遥感ET_a产品在精准农业应用中的边界条件。尽管模型在定量精度上存在局限，但其在识别ET_a变化方向上的可靠性（如蛞蝓灾害场识别）已能为农田水分管理提供决策支持。随着新一代热红外卫星（如计划2028年发射的LSTM任务）的发展，更高时空分辨率数据有望突破当前技术瓶颈，为智慧农业水资源管理开辟新途径。