摘要
根区土壤水分是田间土壤水分的重要组成部分，对作物的生长发育有着关键的作用，根区土壤水分的准确估算对预测作物产量、田间水分胁迫和作物生长状况具有重要意义。本研究以2020年和2021年不同水分处理田间夏玉米为研究对象，应用无人机搭载多光谱和热红外镜头获取夏玉米三个主要生育期（拔节期、抽穗期、灌浆期）多个时刻（9：00、11：00、13：00、15：00）的光谱信息和红外信息，并辅以植冠表型数据和气象参数，提出了两种提高作物水分胁迫指数（cropwaterstressindex，CWSI）性能的方法；基于TSEB模型计算了日时间尺度上的蒸发比，并改进了αPT的算法；计算了多种植被指数，针对性的进行了不同深度处的土壤含水率监测研究，本研究的主要内容及结论如下： （1）通过改进冠层温度提出了两种提高CWSI性能的方法。一是使用基于正态分布的不同统计分位数分割冠层温度，并计算不同统计分位数上的平均冠层温度以计算CWSI（记为CWSI%Tc）。二是基于冠层温度的方差，将玉米冠层数据分为区间Ⅰ、Ⅱ、Ⅲ、Ⅳ四个部分，并在各自区间上选择最敏感的统计分位数以计算CWSI（记为CWSIn）。研究结果表明：1）虽然CWSI%Tc能提高诊断作物水分胁迫的精度，但最敏感冠层温度区间在年际间相差较大（2020，61.17%；2021，49.38%；两年数据，83.51%）;2）CWSIn与作物生理指标（Gs、Pn、Tr）的相关性和稳定性（nRMSE；2020年16.60%、27.37%、28.49%；2021年21.60%、18.95%、22.64%）更高。因此，相比原始CWSI，CWSIn可以更加稳定地监测作物水分胁迫。 （2）利用TSEB-2T模型计算的日时间尺度上蒸发比构建了不同深度处的土壤水分监测模型，并使用土壤含水率改进了αPT的算法。研究结果表明，基于降尺度方法的Mod2模型的nRMSE更小，预测能力更强。各个生育期土壤水分的最佳监测深度有所差异，拔节期的最佳深度为10~20cm（R2=0.40），抽穗期最佳的土壤水分监测深度为10~30cm（其中10~20cmR2=0.27，20~30cmR2=0.28），灌浆期最佳的土壤水分监测深度为20~40cm（其中20~30cmR2=0.31，30~40cmR2=0.33）。并使用土壤水分改进了αPT的算法，其中基于土壤水分实测值和Mod2模型模拟值改进的αPT-N值反演冠层温度的效果均优于原始αPT模型。 （3）提出了一种使用红外信息和光谱信息协同监测不同深度处土壤含水率的方法，该方法采用变量投影重要性分析法和偏最小二乘回归的耦合模型。研究结果表明，CWSI受到模型自身的限制，监测表层土壤水分（0~10cm）的精度有限。多种植被指数构建的多元线性回归模型的监测精度优于单一植被指数，但基于大量植被指数的方法实用性较差。而耦合模型能够提高土壤水分的监测精度，但各个生育期的最佳监测深度有所差异。拔节期的最佳深度为0~10cm（建模集R2=0.48，验证集R2=0.49），抽穗期的最佳监测深度为20~30cm（建模集R2=0.65，验证集R2=0.65），灌浆期的最佳监测深度为30~40cm（建模集R2=0.30，验证集R2=0.32）。
NETL