编辑推荐：
为解决传统无人机遥感监测作物水分胁迫（CWS）局限于经验模型和特定生长阶段的问题，研究人员结合多光谱无人机观测与 SAFYE 作物模型，通过集合卡尔曼滤波（EnKF）数据同化，显著提升玉米生长模拟精度，实现全生育期 CWS 动态监测，为精准灌溉提供支撑。
全球人口预计到 2080 年将达到 103 亿，粮食需求激增的同时，灌溉农业水资源短缺问题愈发严峻。作物水分胁迫（CWS，指土壤水分不足导致作物水分供应受限，影响生理生化和形态过程）作为主要非生物胁迫，直接制约作物生长与产量。传统无人机（UAV）遥感监测 CWS 多依赖经验模型，且局限于特定生长阶段，难以实现全生育期动态评估；而作物模型虽能模拟生长过程，但区域尺度上受初始条件、参数等不确定性限制。因此，如何融合两者优势，实现精准、连续的 CWS 监测，成为农业可持续发展的关键课题。
中国内蒙古自治区河套灌区玉米科技园区的研究人员开展了一项创新性研究，通过整合无人机多光谱观测与 SAFYE 作物模型，构建了基于集合卡尔曼滤波（EnKF）的数据同化框架，实现了玉米全生育期 CWS 的动态估算。该研究成果发表在《Agricultural Water Management》，为精准灌溉管理和可持续农业生产提供了重要技术支撑。
研究采用的主要技术方法包括：1. 田间实验：2022-2024 年在河套灌区设置 4 种灌溉处理（严重亏缺 W1、中度亏缺 W2、轻度亏缺 W3、充分灌溉 W4），采集玉米叶面积指数（LAI，单位叶面积与土地面积比）、地上生物量（AGB）等数据；2. 无人机数据获取与处理：使用 Phantom 4 多光谱无人机采集数据，反演 LAI 和 AGB；3. 模型校准与数据同化：采用粒子群优化（PSO）算法校准 SAFYE 模型参数，通过 EnKF 同化无人机反演的 LAI 和 AGB，优化作物生长和实际蒸散量（ETc act）模拟；4. 作物水分胁迫指数（CWSI）计算：基于模拟的 ETc act和参考蒸散量（ET0）估算 CWSI。
4.1 基于无人机影像的作物参数反演
研究利用随机森林回归（RFR）算法，结合三年田间数据（180 个样本）和多光谱指数，构建了 LAI 和 AGB 反演模型。结果显示，LAI 反演模型的决定系数（R2）为 0.837，均方根误差（RMSE）为 0.397；AGB 反演模型 R2 为 0.862，RMSE 为 224 g?m?2，表明无人机遥感可精准获取作物关键参数，为后续数据同化提供可靠输入。
4.2 SAFYE 模型的校准结果
采用 PSO 算法校准 SAFYE 模型的 4 个关键参数（Pl?、Pl?、STT、RS），并利用 2022-2023 年数据验证。校准后模型模拟的 LAI 和 AGB 与实测值趋势一致，但仍存在一定误差（如 2023 年 LAI 模拟 RMSE 为 0.763），需通过数据同化进一步优化。
4.3 作物参数同化评估与实际蒸散量模拟
数据同化显著提升了模型性能：LAI 模拟 RMSE 从 0.29-0.61 降至 0.11-0.36（归一化均方根误差 NRMSE 3.57%-11.56%）；AGB 模拟 RMSE 从 148.2-255.7 g?m?2 降至 49.3-136.8 g?m?2（NRMSE 5.39%-14.27%），一致性指数（d）均超过 0.92。ETc act模拟能准确反映灌溉和降雨响应，充分灌溉处理（W4）的相对误差仅 4.97%。
4.4 全生育期作物水分状况的 CWSI 估算
基于同化后的 ETc act模拟结果计算的 CWSI，呈现典型灌溉响应模式：灌溉或降雨后 CWSI 骤降，随后逐渐上升。不同灌溉处理中，CWSI 下降幅度与灌溉量呈显著负相关，水分亏缺越严重（W1>W2>W3），CWSI 差值峰值出现越早、幅度越大，可有效量化水分胁迫程度。
研究结论与讨论强调，该框架通过融合无人机高时空分辨率观测与作物模型的机理性模拟，突破了传统方法的局限，实现了玉米全生育期 CWS 的动态、精准监测。数据同化显著提升了模型对 LAI、AGB 和 ETc act的模拟精度，基于此构建的 CWSI 能有效反映不同灌溉条件下的水分胁迫差异，为制定精准灌溉策略、提高水资源利用效率、保障粮食安全提供了重要技术手段。未来可整合多模态遥感数据（如热红外、激光雷达）进一步提升模型鲁棒性，拓展其在更大区域和更多作物上的应用。
