農業灌溉約占人類總淡水用量的 70%，其中 57% 的淡水是不可再生的，不可再生淡水中又有 70% 用于棉花、小麥和玉米等灌溉作物的生產中。中國農業用水量占全國總用水量的 61.5%，但灌溉效率遠低于國際領先水平，有效利用系數僅為 0.568。氣候變化、人口壓力、傳統的灌溉方法都在加劇水資源配置的矛盾，在維持糧食生產、節約用水等方面面臨著重大挑戰。提高農業用水效率是確保全球糧食安全、保持水資源質量和數量的迫切要求。

　　遙感技術的發展，可以有效克服傳統地面監測存在的效率低、成本高、破壞性大等不足，并能對氣象環境、土壤墑情、作物種類等要素的時空變異特征進行精準分析，為作物水分虧缺的快速監測提供一種新的方法。目前，遙感技術在植被覆蓋度、冠層溫度、作物病蟲害、生物量等農業中的應用已較為成熟，但在灌溉管理和田間水分信息的獲取上仍處于起步階段。

　　文中從作物需水量監測和灌溉面積監測方法兩方面展開，綜述分析國內外遙感技術在田間水分信息獲取方面的研究現狀和進展，旨在明確遙感技術在灌溉管理中的技術思路和發展方向。

　　1 作物需水量監測

　　作物需水量的監測可以更好地管理農田，提高作物的產量。作物需水量的預測減少了灌溉水的浪費，合適的灌溉量可以有效地控制土壤濕度，從而改善作物的生長狀況、提高作物的產量。但是受地形、氣候、植被和其他因素的影響，傳統的小尺度觀測結果在空間表達上存在一定的局限性，很難在區域尺度上準確反映作物需水量。國內外研究人員根據遙感技術的特性，在監測作物水分信息診斷方面進行了大量的研究，按監測對象的不同可以分為基于土壤水分系數的需水量計算方法和基于作物自身參數的需水量計算方法。

　　1.1 基于土壤水分系數的需水量計算方法

　　遙感技術能夠通過多種途徑獲取田間水分信息，最常用的方法是使用可見光和近紅外光譜技術從地表反射的光譜中提取土壤水分系數。由此研究人員建立了一系列土壤水分系數計算模型，例如水云模型、Roo 模型和土壤水分估算模型 SMEM 等。水云模型是一種用于估算地表反射率的模型，通過估算地表反射率，進而獲取所需的土壤系數。根據土壤墑情計算作物需水量的方法主要有 2 種：一種是以土壤含水率為基礎，計算作物需水量;另一種是通過土壤水分系數計算作物需水量，主要方法是聯合國糧農組織 FAO-56 推薦的作物系數法估算作物需水量。

　　ORTIZ 等使用遙感數據和 FAO-56 水量平衡法計算了 2 種香菜的需水量，對土壤含水量與作物生長狀態分析后制定出一套合適的灌溉計劃，提高了種子的產量。廖晉一等應用水云模型反演淺層土壤含水量計算出土壤水分修正系數，結合、修正作物系數和預測試驗區作物未來 15d 需水量，預測值與實際需水量相對誤差為 0.18，結果較為可靠。Roo 模型是一種能夠通過植被覆蓋、植被類型等多種因子反演土壤含水量的方法，但目前國內外相關研究還很少。李艷等將植被高度 h 與植被覆蓋度引入經典的水分估算模型，發現優化后的模型反演高秸稈作物的水分狀態估算精度有所提高。孫爽等采用彭曼公式和作物系數法計算了冬小麥各生育階段的需水量和水分虧缺率，研究了作物系數對冬小麥需水耦合特征，并以此定量評價作物需水量。

　　1.2 基于植被指數的需水量計算方法

　　通過作物蒸騰量與作物系數計算作物需水量涉及因素較多，容易產生誤差;通過植被指數確定，再通過計算作物需水量減少了誤差，設計的灌溉方案更加精準。目前已用于計算的植被指數主要有歸一化差異植被指數 NDVI 和土壤可調節植被指數 SAVI。BHADRA 等開發了水庫管理的水平衡模擬模型，用于確定 1a 的灌溉用水量，并提出了一種新的計算方法，即根據裸露土壤和完整冠層反射率之間的比值計算。

　　后來的研究人員大多使用公式對進行計算，ARSHAD 等根據 LANESAT 圖像中的 NDVI 估算了印度主運河灌區的小麥蒸散量，使用灌區的和估算了小麥作物的作物蒸散量 ET。宋戈等利用 NDVI 與建立了一個線性回歸模型，再通過作物需水量平均模比系數計算作物需水量，所得小麥作物系數與資料數據誤差在 0.03 以內，具有很高的精度。湯建棟采用回歸分析的方法對不同植被指數與玉米的相關性進行了研究，結果表明，NDVI、SAVI、RDVI 和 OSAVI 的泊松相關系數均在 0.9 以上。

　　相較于監測土壤水分系數確定作物需水量的方法，基于植被指數監測的方法更為高效，且不受氣象因素、環境溫度和光譜特性的影響。但通過不同的蒸發模型求得的精度會對作物需水量的計算精度產生影響，例如 ADAMALA 等對澳大利亞多種作物進行計算時發現所使用的 PET 產品是模型的敏感輸入，主要由作物類型(矮或高)驅動，使用 FAO-56 的方法，矮作物獲得了更好的結果，而使用 ASCE 方法，高作物獲得了較好的結果，這需要對作物蒸騰模型做進一步的研究。

　　2 灌溉面積監測技術

　　灌區面積的監測是灌溉管理中重要的一環，其面積分布直接影響到灌區內的水資源分配與調控工作的順利進行。目前，有許多方法實現了在地面站點對土壤濕度進行觀測，例如時域反射法、稱重法和電阻率法等。這些方法在點尺度觀測的精度可達左右，并且能夠獲得深層土壤水分信息，被認為是從地面獲取真實數據的有效方法，但傳統監測方法和純數值預測模型在尺度上并不能滿足實際生產的需求。遙感數據提供了一個相對高效精準的技術方法，并且隨著遙感技術的發展，時空和光譜分辨率均得到了大幅的提升，為灌溉面積的提取提供了更為可靠的數據。

　　2.1 光譜特征空間反演法

　　近年來，結合地表溫度、反射率等參數構建特征空間監測土壤濕度的研究不斷增多，主要包括 LST-NDVI 特征空間法、NIR-Red 特征空間法和 NIR-SWIR 特征空間法等。

　　SANDHOLT 等簡化了 PRICE 創建的 LST-NDVI，提出了溫度植被干旱指數 TVDI 的概念，通過遙感數據監測大型灌區中土壤濕度的分布情況。GHULAM 等由 NIR-Red 特征空間中點到土壤線的垂直距離可以描述干旱情況這一原理，提出了垂直干旱指數 PDI。王嘯天等建立了一種基于 PDI 差異閾值的灌溉面積監測模型，確定了寧夏地區的差異閾值，據此估算的灌溉面積精度達到了 75% 以上。王海峰等通過相關系數法篩選出對土壤含水率敏感性最高的波段 NIR-Red，建立 NIR-Red 與土壤含水率的回歸模型，反演出的表層土壤含水量與實際值相關性在 0.92 以上，但由于 NIR-Red 波段對土壤穿透性較差，模型僅能預測 5cm 深度內的土壤含水率。

　　NIR-Red 特征空間法是從光譜特征空間對土壤含水量實施監測，適用于植被覆蓋度低或裸露的土壤環境，無法對植被覆蓋類型差異較大的區域進行監測。針對這一問題，BAO 等基于水云模型和 Landsat-8 圖像，提出了一種在中度植被覆蓋度下反演土壤濕度的方法，精確估計了西班牙植被覆蓋地區的土壤濕度。GHULAM 等引入植被覆蓋度這一指數，減少了特征空間混合像元中植被信息的影響，得到了修正的垂直旱情指數 MPDI，實現了對田間環境下土壤含水量的監測。

　　由于作物葉片對紅和藍 2 種波段有較強的吸收反應，因此目前多采用 NIR-SWIR 特征空間法對作物含水量進行監測，從而實現對土壤含水量的反演。沈靜以河套灌區為研究區域并結合渠口開關時刻表建模分析了該地區的指數 PDI、MPDI 和 SPSI，結果發現 SPSI 土壤濕度分區結果明顯優于 PDI。WANG 等將可見光短波紅外干旱指數 VSDI、歸一化差分紅外指數 NDII 和短波紅外水分脅迫指數 SIWSI 在不同植被覆蓋度下監測土壤濕度的能力進行了對比，發現 VSDI 與土壤含水量之間存在著較大的相關性。

　　目前光譜特征空間提取法主要針對地表土壤(0~20cm)，對深層土壤的監測能力較弱，容易受到降雨、灌溉等因素的影響，需要在不同的條件下選擇合適的指數才能達到最佳效果。現有的相關植被指數較多，應用復雜，需要根據實際田間情況分析討論，且通過作物含水量反演土壤濕度有一定的滯后性，還需要進行深入研究。

　　2.2 冠層溫度反演法

　　高效、精準獲取田間土壤溫度對于精準農業有著重要的意義。研究人員發現，冠層溫度可以作為反映土壤濕度的指標之一，且因其易于獲得而受到廣泛關注。何嬌嬌等利用地表溫度反演指數 LST 和植被供水指數 VWSI 對灌溉區域進行了提取，兩者相互檢驗，提取的重疊區超過了 85%，同時對于植被覆蓋率高的地區，其識別的準確率也更高。IRSYAD 等在日本松山對不同生長階段的水稻冠層溫度與土壤濕度的關系進行了研究，發現干旱區的平均冠層溫度比濕潤區的高 0.63℃。這一現象與作物蒸騰密切相關，土壤含水量低，葉面部分氣孔閉合，植被蒸騰作用降低，進而引起冠層升溫和 NDVI 降低，因此常通過設定閾值來提取灌溉區。

　　研究人員發現直接以冠層溫度作為土壤濕度的監測指標穩定性不足，因此考慮使用冠氣溫差、冠層氣溫比等指標來判斷土壤含水量。張立偉等通過對玉米良玉 11 進行不同的水分處理，發現當土壤體積含水量低于時，冠氣溫度比冠氣溫度差達到最大，作物出現萎蔫;當土壤體積含水量在附近時，冠氣溫度比冠氣溫度差最小，作物狀態良好。狄艷等以拔節期小麥為研究對象，選取冠層溫度、冠氣溫差和冠氣溫比對土壤含水量進行診斷，結果表明冠氣溫差與土壤含水量相關性最高，相關系數為 - 0.63，表明冠氣溫差與土壤濕度呈負相關。

　　目前，基于冠層溫度提取灌溉面積的方法需要將水分脅迫指數 CWSI、大氣溫度等參數進行融合，其估算精度受環境因子的影響很大。與 NIR-SWIR 特征空間法相似，冠層溫度對土壤濕度的反演同樣存在滯后性，且對于不同的作物，冠層溫度對土壤濕度響應的滯后性需要結合作物生化特征進行研究。

　　2.3 能量平衡反演法

　　將遙感技術與能量平衡理論相結合，WASTON 首次提出一個適于反演土壤含水量的熱慣量法。地表蒸散發過程是地表水循環和能量循環的關鍵組成部分，除地表蒸散發外，土壤蒸騰、植被蒸騰常一起用于監測田間持水率、植被需水量等。近年來，研究人員結合遙感數據，克服了由不同植被覆蓋類型、土壤高度差異化導致的測量困難的問題，并建立了大區域尺度下的熱慣量模型。地表能量平衡是遙感蒸散發估算的理論基礎，在不考慮水平方向能量輸送情況下有相應的地表能量平衡方程。

　　熱慣量模型可分為單層模型和雙層模型。單層模型物理意義明確，但不區分土壤蒸散和植被蒸散，常用的單層模型有模型、SEBS 模型等。由于單層模型并沒有考慮植被 - 土壤間的水熱關系以及表面抗阻，因此可能會高估潛熱通量，導致模型存在一定誤差。為避免這一誤差，研究人員使用余項法計算感熱通量，即用空氣阻抗計算顯熱通量，再將潛熱通量以能量平衡的余項求出，并有其主要公式。

　　馬銘陽以銀衛平原蒸散發的時空分布為研究對象，運用水平衡法對 SEBS 模型、彭曼模型和特征空間法進行了對比，其中 SEBS 模型法的估算結果最理想，將數據誤差帶來的不確定性降到了最低。針對實時氣象因素對土壤濕度變化的影響，田國珍等根據 CWSI 對冠層溫度敏感性高的特點，構建了一種基于 SEBS 模型的 CWSI 干旱指數，缺水區域與實測值的相關程度很高，在枯水季，反演結果比實測值高，而在豐水季，反演結果比實測值低。

　　由于遙感數據具有地面瞬態特征，現有研究多基于瞬態觀測資料進行參數提取，忽略了氣象因素對參數反演的影響。武永利等將 SEBS 模型的時間分量由逐日調整為逐時累計，增強了模型的時效性，估算的蒸散量與實測值相關性系數達到了 0.86，并分析了山西省日均作物需水量變化趨勢。

　　雙層模型相對于單層模型物理機制更為先進。為了能夠區分土壤蒸發和植被蒸散，SHUTTLEWORTH 等提出了一個可以表述地表熱通量和傳輸規律的經典模型 S-W 模型，并有著雙層蒸散發模型表達式。

　　宋小寧等應用雙層蒸散模型計算出地表缺水指數 SWDI，通過 SWDI 反演了 0~20cm 表層土壤和植被冠層水分含量，劃分不同區域的缺水等級。高瑞睿從水量平衡原理出發，通過水量平衡公式推導灌溉量，再根據灌溉量繪制灌溉面積分布圖，精度高達 81.13%，降低了氣象條件和植被覆蓋度的影響。虞文丹等結合土壤水分可供率，改進了雙層模型，計算實際蒸散發量，再應用彭曼模型計算 CWSI，與實測土壤含水量建模分析，提取了土壤含水量分布區域面積，平均相對誤差均在 5% 左右。

　　盡管遙感數據反演區域水熱通量有著很大的不確定性，但仍是蒸散發模型不可替代的數據來源。蒸散發模型本身涉及到空氣動力學、作物生理過程和能量交換等多個學科，目前對這些學科的認識仍有很多不足，蒸散發模型仍需要進一步完善。

　　2.4 植被指數反演法

　　通過遙感數據計算的植被指數可以有效反映作物生長狀態，例如作物水分脅迫狀態、蒸騰蒸散量、土壤水分含量以及植被覆蓋度等。以植被指數反演田間土壤濕度，一般僅適用于植被覆蓋度較高的區域。早期通過植被指數對灌溉面積的提取主要是對 NDVI 寬帶綠度指數進行計算。劉逸竹等采用 Pervez 提出的灌溉面積統計法，以 NDVI 峰值為分類依據，對數據進行空間重建，獲取灌溉面積。

　　隨著研究的深入，各種植被綠度指數和植被水分指數應用得越來越廣泛，例如增強植被指數 EVI，SAVI、植被供水指數 VSWI，TVDI 等。陳陽等基于 NDVI-LST 特征空間計算出植被溫度指數 VTCI，對云南省各時相的 VTCI 影像進行了面積統計，發現 VTCI 與土壤的含水量之間存在一定的滯后性。焦旭對石津研究區的地表溫度 LST、VSWI 和 TVDI 進行了反演，確定灌區閾值和作物矢量邊界，發現灌溉區域分布重合度達到 80% 以上，結果具有較好的一致性?；诖耍秭蔚冉?VSWI 差異模型和 TVDI 差異模型，提取了研究區的灌溉面積，對比發現兩者具有較高的一致性，精度均達到 85% 以上。由溫度指數提取灌溉面積，改善了植被指數僅適用于植被覆蓋度高區域的問題，在植被覆蓋度較低的區域也同樣適用;由溫度指數反演灌溉面積存在明顯的滯后性，同時地表環境的復雜程度也會嚴重影響反演的結果，從而導致更大的誤差。

　　為增強植被指數的可靠性和適用性，研究人員開始通過機器學習、自動訓練、分類器等算法對遙感圖像進行分析研究。TELUGUNTLA 等在 GEE 云平臺上，通過機器學習算法 MLA 和訓練 RE 算法對澳大利亞和中國的 3000 個農田樣本進行訓練，總體精度可達 94%。徐超等應用隨機森林算法，以水調節綠色指數 WGI 為分類參數，提取了 2010 年和 2020 年寶雞峽耕地灌區面積，精度達到 90% 以上。

　　XIE 等設計了一種半自動訓練方法，以現有的灌溉圖、EVI、綠度指數為訓練池，訓練生態區域分層隨機森林分類器進行像素級分類，確定灌溉農田面積及準確度。DEINES 等應用 BULE 更新算法填補遙感圖像空白，結合遙感圖像、環境協變量和地面實況數據集，創建了應用于地區的單一隨機森林的分類器，使總體準確率達到 91.4%。相較于傳統的植被指數反演法，融合了機器學習等算法的模型預測精度提升了 10% 左右。

　　但由于植被指數受蒸騰蒸散量、植被覆蓋度和土壤溫度等方面的影響，植被指數法在中度、重度缺水的田間，灌溉區域的提取效果較差。

　　3 總結與展望

　　文中總結了近 10 年來國內外學者研究遙感技術在灌溉管理方面的應用成果，主要從作物需水量的確定和灌溉面積的提取兩方面展開，深入剖析了遙感在農業灌溉方面的技術原理以及現有模型，得出了以下幾點結論并對未來相關研究進行了展望：

　　遙感技術在灌溉管理中的應用是近些年農業灌溉領域的熱點之一。遙感技術可以克服土壤環境、作物類型等因素對灌溉管理的影響，可在復雜地形上為大區域農田高效獲取作物和土壤含水量提供新的手段，在精量灌溉等技術應用中具有明顯的優勢、廣闊的前景。

　　通過確定蒸散量和基礎作物系數，以計算作物需水量是目前最常用的方法，無論是對土壤還是植被指數的監測都是為了更加精準地獲取相關系數。但由于光譜指數自身的局限性，僅能提取表層土壤水分信息，無法監測深層土壤水分狀態。

　　對灌溉面積的提取方法主要分為 2 種：一種是對比樣本與光譜曲線的差異，通過閾值確定灌溉面積;另一種是對比灌溉前后的指數差異，估算水分狀況。目前缺少對灌溉面積時空演變的研究，通過反演灌溉面積的變化，將其與實際情況結合，分析農業生產變化的原因，可以對農業灌溉做出相應的預測管理。

　　土壤濕度與作物需水量之間是相互影響的，將土壤濕度反演與作物模型結合，即可判斷作物水分狀態與灌溉量;監測作物冠層溫度、植被指數、蒸散發量也可以得到土壤水分狀態，但存在一定的滯后性，需要在反演前進行參數評定。

　　為實現區域化精細化灌溉的需求，綜合考慮氣候環境和多種作物灌溉之間的差異性，將作物模型與遙感數據進行數據同化研究，搭建智能化灌溉設備，組建地空一體的農業水資源管理系統將會是未來的研究重點。

李偉;宋睿;劉明江;李碩,江蘇大學國家水泵及系統工程技術研究中心;江蘇大學鎮江流體工程裝備技術研究院,202411