基于无人机多光谱遥感的农田根区土壤水分精准建模研究——以黄土高原四大作物为例

《Agricultural Water Management》：A UAV-based method for root zone soil moisture modeling of different farmland scale with grain and economic crops

本研究针对干旱半旱区作物根区土壤水分(RZSM)快速精准监测难题，创新性地将无人机(UAV)多光谱遥感与遥感水平衡评估工具(RWBAT)模型相结合，构建了小麦、玉米、油菜和苹果树四种作物的RZSM估算模型。研究通过高分辨率植被指数(VI)反演叶面积指数(LAI)，实现了120-140 cm深层土壤水分的高精度模拟(R2最高达0.91)，为异质农田水分子尺度管理和精准灌溉提供了新技术方案。

　　

在干旱半旱区农业水资源管理中，作物根区土壤水分(Root Zone Soil Moisture, RZSM)的精准监测一直是技术难点。传统卫星遥感受限于空间分辨率(公里级)和探测深度(仅表层5 cm)，难以捕捉农田尺度的水分异质性；而地面测量虽然准确，但成本高、效率低，无法满足大范围动态监测需求。特别是在黄土高原这样的生态脆弱区，不同作物(粮食作物与经济作物)的水分需求差异显著，如何实现多作物、多深度的RZSM精准估算，成为提升农业水资源利用效率的关键科学问题。

针对这一挑战，太原理工大学水资源科学与工程学院王继超团队在《Agricultural Water Management》发表研究，开创性地将无人机(Unmanned Aerial Vehicle, UAV)多光谱遥感技术与遥感水平衡评估工具(Remote Sensing-based Water Balance Assessment Tool, RWBAT)模型相结合，构建了一套适用于不同农田尺度的RZSM建模方法。研究团队在陕西黄土高原区选取0.77 km²实验区，聚焦小麦、玉米、油菜和苹果树四种代表性作物，通过13个时间节点的无人机航拍、同步地面监测和气象数据采集，实现了从冠层到根区的水分动态全过程模拟。

关键技术方法主要包括：(1)利用DJI MATRICE 300 RTK无人机搭载五通道多光谱相机，获取5 m分辨率的多时相植被指数数据；(2)通过相关性分析筛选最优植被指数(NDVI、EVI、SAVI、DVI)，建立作物特异性LAI反演模型；(3)采用蒙特卡洛算法率定RWBAT模型的6个关键参数，以30个采样点的分层土壤水分数据(0-140 cm)进行模型验证；(4)通过敏感性分析量化气象因子对RZSM的影响程度。

3.1.土壤水分变化特征

通过分析不同深度土壤水分的时空演变规律，发现表层(20 cm)与根区(60 cm)、深层(120 cm)水分动态呈现显著差异。作物生育期内土壤水分与降水、气温表现出强相关性，其中小麦抽穗期和油菜花期出现水分峰值，而苹果树和玉米在7-9月深层土壤水分保持较高稳定性。

3.2.LAI反演验证

基于最优植被指数构建的LAI线性回归模型显示：小麦(NDVI)、苹果树(EVI)、油菜(SAVI)和玉米(DVI)的反演精度R2分别为0.67、0.60、0.70和0.87，其中玉米模型精度最高，苹果树因冠层结构复杂导致反演难度较大。

3.3.RWBAT模型验证

模型在120-140 cm深度表现最优，小麦、苹果树、油菜和玉米的R2分别达到0.91、0.76、0.78和0.80。残差分析表明，多数预测误差集中在±0.02 m³/m³范围内，且随深度增加模拟稳定性显著提升。

3.4.高分辨率土壤水分制图

生成的5 m分辨率RZSM时空分布图清晰揭示了作物类型与水分格局的对应关系。4-5月小麦和油菜田块因LAI增加导致根区水分消耗加剧，而6-8月苹果园和玉米地通过降水补给维持较高根区蓄水，植被覆盖区的土壤水分保持能力明显优于裸地。

3.5.输入变量敏感性分析

降水增加10%可使苹果树根区水分提升6.2%，深层土壤对降水的响应比表层更显著。温度每升高1°C则通过增强蒸散导致土壤水分下降2-3%，而相对湿度和风速的影响相对较弱。

研究结论表明，UAV-RWBAT融合方法突破了传统遥感在深层土壤水分监测中的技术瓶颈，首次实现了果树等深根作物的140 cm深度水分验证。相较于机器学习等纯数据驱动方法，过程模型能更清晰地解析作物生理调控对水分循环的影响机制。讨论部分指出，未来需整合土壤水力属性参数以提升模型普适性，同时加强无人机热红外数据与根区水分的耦合分析。该研究为干旱区农田水分智慧管理提供了可推广的技术范式，对实现联合国可持续发展目标中的粮食安全与水资源可持续利用具有重要实践意义。