基于遥感的山地农业干旱监测方法：按作物类型和产量估算

《Geocarto International》：Remote sensing-based monitoring of agricultural drought in mountainous regions by crop type and yield estimation

　　

农业干旱遥感监测受到粗分辨率降水数据、未考虑的空间异质性和简化干旱指标的阻碍。研究人员应用双重约束聚类进行多级农业-生态网格划分，整合了高时空分辨率降水和30米分辨率土壤水分指数，并构建了考虑作物需水的地块级干旱指数。基于灾害系统理论和水分胁迫产量估算模型，研究人员实现了综合干旱风险识别、定量评估和灌溉方案决策分析。验证结果表明，作物生长阶段特异性土壤水分指数有效支持地块级干旱识别（总体精度=0.911，Kappa=0.704），基于水分胁迫的评估模型实现了高精度（归一化均方根误差（NRMSE）=1.97%），灌溉方案分析提供了实用策略及相应的效果评估。本研究为精准农业干旱监测和针对性抗旱减灾提供了可靠技术途径，对提高农业抗旱能力具有重要意义。

### 论文解读：基于遥感和产量估算的山地农业干旱监测方法

#### 研究背景与问题

农业干旱是全球最昂贵的自然灾害之一，尤其在气候变化背景下，降水变率增大、极端干旱频发，严重威胁粮食安全。传统的农业干旱遥感监测方法存在三大瓶颈：其一，降水数据空间分辨率粗，无法捕捉山区复杂地形的三维气候差异；其二，现有监测指标未充分考虑空间异质性和作物类型差异，导致区域适用性差；其三，干旱风险评估多基于大尺度统计，忽略地块尺度上的作物需水特性和灌溉决策需求。中国西南山区（如云南红河）具有显著的三维气候特征，干湿季分明，降水时空分布极不均匀，传统宏观监测模型难以准确评估该区域农业干旱。为此，研究人员开展本研究，旨在构建一套整合高精度降水、土壤水分、作物需水及水分胁迫产量估算的遥感监测体系，实现作物类型和地块尺度的精准干旱识别、风险评估与灌溉方案优化。

#### 研究内容与意义

研究人员提出并验证了一种多级农业生态网格划分方法，耦合降水估算神经网络模型、土壤水分遥感模型和作物特异性干旱指数，基于水分胁迫产量估算模型（WOFOST、GLOPEM-CEVSA、AquaCrop）实现定量风险评估，并利用灌溉贡献指数进行方案决策。该研究以中国云南红河示范区为案例，验证了方法的高效性和可靠性。论文发表在《Geocarto International》。该研究为山区农业干旱精准监测和针对性抗旱减灾提供了科学、可操作的技术框架，对提升农业抗旱能力具有重要实践意义。

#### 主要关键技术方法（不超过250字）

研究人员采用双重约束空间聚类方法，基于气候、地形、土地覆盖、水源分布和农业活动等指标，进行多级农业生态网格划分，以提升监测指标的时空可比性和区域适应性。降水估算方面，利用MODIS近红外波段反演可降水汽（PWV），结合GPS高精度PWV数据，构建5×25×1 BP神经网络降水估算模型（PENN Model），获得1000 m空间分辨率、1 d时间分辨率的降水数据。土壤水分方面，以标准化加权降水指数（SPIW）、湿度指数（MI）、植被状况指数（VCI）、温度植被干旱指数（TVDI）以及地形与土壤类型为自变量，建立土壤水分遥感监测模型（SM-RS Model），输出30 m分辨率土壤水分指数（SMI）。干旱识别基于改进的作物水分亏缺指数（CWDI），结合作物系数（Kc）和生理胁迫因子，构建作物特异性干旱指标（CSADI）。产量估算采用WOFOST、GLOPEM-CEVSA和AquaCrop模型，经过参数校准和验证后，模拟潜在产量与水分胁迫下产量，评估损失。灌溉方案决策通过设置灌溉量、频次、时间步长生成多场景方案，利用灌溉贡献指数（ICI）优选。数据来源包括红河地区2000-2024年MODIS、GPM、GF系列、Sentinel-2、Landsat等遥感数据，以及32个气象站、77个农业气象站、29个土壤水分传感器和93块烟田等实地观测数据。

#### 研究结果

##### 3.1 多级网格农业生态分区（Multi-level grid-based agroecological zoning）

通过双重约束空间聚类，研究人员将红河地区划分为8种生态网格区域和65个农业生态区。该分区有效优化了植被状况指数（VCI）和温度植被干旱指数（TVDI）的时空可比性，为后续干旱监测指标的区域适应性奠定了基础。

##### 3.2 降水遥感监测结果（Remote sensing monitoring results of precipitation）

基于MODIS数据的PWV反演结果与GPS观测的PWV相关性显著（P<0.001），优化算法使平均PWV误差减小。当PWV>25 mm时，降水频率显著增加；强降水事件中PWV持续升高（>45 mm）。降水估算神经网络模型模拟的降水数据与60个气象站实测降水的R²=0.9791，均方根误差（RMSE）=3.58 mm，归一化均方根误差（NRMSE）=11.67%，纳什效率系数（NSE）=0.9778，实现了高精度降水空间分布反演。

##### 3.3 土壤水分遥感监测结果（Soil moisture and remote sensing monitoring results）

土壤水分遥感监测模型基于18538条有效土壤湿度记录进行训练和测试。10 cm土层模拟R²=0.8907，RMSE=5.62%，NRMSE=9.83%，NSE=0.8768；20 cm土层R²=0.7802，RMSE=8.56%，NRMSE=12.92%，NSE=0.7429。模型可获取30 m分辨率、高精度的土壤水分空间分布数据，显著提升了干旱识别关键因素的时空分辨率。

##### 3.4 面向作物类型的干旱识别指标与干旱灾害识别（Drought identification indicators and drought disaster recognition tailored for crop types）

研究人员通过文献综述、农学专家打分和盆栽实验，确定了玉米、小麦、烟草、水稻、蔬菜、甘蔗、豆类、马铃薯和葡萄等主要作物不同生长阶段的适宜土壤水分阈值，构建了作物特异性干旱指标（CSADI）。以烟草为例，干旱识别总体精度为0.911，Kappa系数为0.704，显著优于传统指标（SPI、SPEI、NDWI、TVDI等，平均精度60%-75%）。该指标实现了从县域尺度到地块尺度（30 m×30 m）的精度提升。

##### 3.5 干旱风险评估（Drought risk assessment）

以烟草农业为例，研究人员利用WOFOST、GLOPEM-CEVSA和AquaCrop模型进行参数校准和验证。GLOPEM-CEVSA模型表现最优，烟叶干重（DWTL）拟合R²=0.9467，RMSE=147.03 kg/ha，NRMSE=5.69%；地上生物量（AGB）R²=0.9456，RMSE=230.07 kg/ha，NRMSE=4.87%。基于此模型，研究人员定量评估了干旱导致的产量损失，NRMSE为4.16%，可在地块尺度可视化描述不同作物的干旱严重程度。

##### 3.6 灌溉方案决策分析（Decision analysis of the irrigation scheme）

以红河弥阳镇烟草为例，研究人员生成单次、二次和三次灌溉方案，利用灌溉贡献指数（ICI）优选。最佳三次灌溉方案（移栽-伸根期130 d、旺长期170 d、打顶-成熟初期190 d各灌50 mm）使烟叶产量达2097.0 kg/ha，干旱减产仅187.5 kg/ha，相比传统二次灌溉方案减产减少397.0 kg/ha（减产率降低18.9%）。模型验证RMSE=50.20 kg/ha，NRMSE=1.97%，NSE=0.8606，表明该方法可精准评估地块尺度干旱风险。

#### 讨论总结与结论翻译

在讨论部分，研究人员指出：（1）基于PWV和MODIS数据的降水估算方法显著提高了山区降水空间精度（R²=0.98），PWV峰值/谷值与降水事件密切相关，为定量模拟提供了依据。（2）双重约束空间聚类和多变量土壤水分模型有效提升了遥感干旱指标的空间分辨率（30 m）和区域适用性，传统指标（如TVDI）与本研究的SMI相比精度更高（10 cm RMSE 5.62% vs 文献中0.463-0.618）。（3）作物特异性干旱指标（CSADI）在烟草地块的识别精度达0.911，优于传统宏观监测方法，实现了精准监测。（4）基于GLOPEM-CEVSA的产量估算模型在烟草干旱损失评估中NRMSE为4.16%，相比其他模型（WOFOST、AquaCrop）综合性能最优。（5）灌溉方案决策模型通过ICI选优，最佳三次灌溉方案可减少18.9%的干旱损失，与已有研究（Fan等、Guo等）结果高度一致。

**研究结论翻译**：本研究提出了一种耦合降水监测、土壤水分、作物需水模式及水分胁迫产量估算的山地农业干旱遥感监测方法，用于农业干旱风险识别、灾害风险评估和抗旱灌溉方案决策分析。主要结论如下：（1）采用双重约束空间聚类方法构建多级农业生态网格，可显著增强农业干旱监测指标和模型的区域适应性，为山区精准干旱监测奠定基础。（2）提出降水遥感监测神经网络模型，整合GPS点尺度降水和MODIS像元气象信息，模拟降水与实测数据R2=0.98，RMSE=3.6 mm，有效实现了山区空间降水的高精度反演。综合考虑降水、植被、温度、坡向、坡度、地形起伏、高程和土壤类型构建的土壤水分遥感监测模型，可模拟30 m分辨率土壤水分空间分布，10 cm和20 cm土层模拟R2分别为0.89和0.78，RMSE分别为5.6%和8.6%。这些改进将关键干旱识别因素的时空分辨率提升至1 d（时间）和30 m（空间），为精细干旱监测提供了高质量数据支持。（3）定量确定了玉米、小麦、烟草、水稻、蔬菜、甘蔗、豆类、马铃薯和葡萄等主要作物不同生长阶段的适宜土壤水分含量，并以此为检测指标，将干旱识别空间分辨率从县域尺度提升至地块尺度（30 m×30 m）。验证结果表明该方法的干旱识别精度为0.911，Kappa系数为0.704，烟草农业干旱风险评估NRMSE为1.97%，显著优于传统监测方法（平均精度60%-75%），可有效提高干旱预警指标精度并在地块尺度精准评估对应作物干旱风险。（4）提出灌溉方案决策分析模式，可模拟灌溉效果，并根据当地自然条件和作物生长需求优化灌溉方案。通过灌溉贡献指数（ICI）优选，以研究区烟草为例，最佳方案相比传统经验灌溉可减少18.9%的干旱损失率，具有显著经济与生态效益。总之，本方法有效解决了山区农业干旱监测精度低、区域适应性差、缺乏针对性灌溉决策支持等关键技术难题，为红河山区及全国类似地区的农业干旱监测、风险评估和灌溉决策提供了科学可操作的技术框架。未来工作将整合更多多源遥感数据（如Sentinel-2和无人机数据），并加强与气候变化模型的耦合，以更好地适应全球变暖下的农业干旱变化特征。