论文1.

• 研究基本信息：

1. 标题：基于无人机遥感的作物蒸散发估算
2. 作者及单位：孙骏；西北农林科技大学水利与建筑工程学院，农业水土工程专业
3. 指导教师：胡笑涛（教授）
4. 资助项目：国家自然科学基金项目“渭河流域数字孪生灌区构建与智慧调控”（编号：U2243235）
5. 研究目的：利用高分辨率无人机遥感数据结合地表蒸散模型估算冬小麦蒸散量，为监测作物旱情、预测产量、指导科学灌溉提供支持，弥补卫星遥感时空分辨率低的不足。

• 实验设计：

1.研究区概况：陕西省咸阳市武功县海鋈皇家农业示范园（34°21′N，108°2′E，海拔530m）；暖温带半湿润气候，年降雨量596mm；土壤为塿土，0-1m田间持水率23%，凋萎含水率13%；供试冬小麦品种为西农979，播量22.8kg/亩，行距30cm。

2.小区设置：36个9×6m小区；无人机飞行日为2023年3月12日-5月13日，每隔10天在9:00-17:00（间隔2小时）飞行，共28组数据。

三、数据采集：

1.无人机系统：平台：DJI Mavic 3M（多光谱/可见光）、DJI Mavic 3T（热红外）；传感器参数：可见光：2000万像素，分辨率0.01m；多光谱：绿（560nm）、红（650nm）、红边（730nm）、近红外（860nm），分辨率0.015m；热红外：测温范围-20~150℃，精度±2℃，分辨率0.03m；飞行参数：高度30m（Mavic 3M）、20m（Mavic 3T），航向/旁向重叠率85%/75%

2.地面数据：气象数据：波文比系统监测风速、湿度、气温、饱和水汽压差（VPD）等，步长10min；通量数据：波文比系统获取净辐射（Rn）、土壤热通量（G）、潜热通量（LE）、显热通量（H）；长势参数：每个小区5次重复测量株高（卷尺）、叶面积指数（LAI-2200C），取均值。

四、数据处理与模型：

1.长势参数反演模型：

（1）株高：数字表面模型（DSM）：通过作物表面高程与初始土壤高程差提取，全生育期精度最高（R²=0.922，RMSE=5.339cm）；岭回归模型：基于植被指数，精度低于DSM；

（2）叶面积指数（LAI）：支持向量机（SVM）：全生育期精度最高（R²=0.875，RMSE=0.488）；岭回归模型：精度低于SVM；

（3）覆盖度（FVC）：监督分类降尺度法：高分辨率可见光图像分类（植被/土壤），降尺度至0.03m，计算植被像元比例。

2.蒸散量估算模型：

（1）模型改进：土壤热通量（G）：建立G/Rn与时间的三次多项式方程（R²=0.990），适用于日内不同时刻；改进METRIC（单源）和TSEB（双源）模型，输入无人机反演的株高、LAI、FVC、地表温度等；

（2）模型精度：TSEB模型：估算LE的R²=0.823，优于METRIC（R²=0.774）；时空分布：LE日内呈单峰趋势（峰值11:00-13:00），空间上高FVC区域LE更高。

3.时间尺度扩展方法：

（1）方法对比：正弦曲线法：基于太阳辐射正弦规律，15:00扩展效果最优（R²=0.904，RMSE=0.299mm/day）；蒸发比法：存在低估，精度较差；

（2）最优选择：正弦曲线法（15:00瞬时数据扩展至日尺度）。

五、主要结果：

1.长势参数反演结果：株高、LAI、FVC均随生育期先升后稳，全生育期DSM提取株高、SVM反演LAI精度最高；覆盖度制图法可直接基于分类结果生成，减少模型误差。

2.蒸散量估算结果：地表温度（Ts）日内呈单峰趋势（峰值13:00-15:00），与气温趋势一致；TSEB模型估算各通量（Rn、G、H、LE）精度均高于METRIC，能反映蒸散量时空差异。

3.影响因子分析：显著正相关因子（p<0.05）：TVI（0.907）、株高（0.903）、LAI（0.900）、气温（0.893）、SAVI（0.870）等；多元线性回归：综合长势参数、气象因子、植被指数的模型解释率最高（94.5%）。

六、结论与展望：

主要结论：

1.无人机遥感可高效反演冬小麦长势参数（株高、LAI、FVC），DSM和SVM模型表现最优；

2.改进的TSEB模型结合无人机数据可准确估算蒸散量（LE的R²=0.823），优于METRIC；

3.正弦曲线法（15:00）是最优时间尺度扩展方法，蒸散量受多因子综合影响。

创新点：

1.耦合无人机长势参数模型与地表能量平衡模型，提升农田尺度蒸散量估算精度；

2.建立日内不同时刻土壤热通量计算方法，实现多时相蒸散量估算；

3.提出基于监督分类降尺度的覆盖度制图法。

展望：

1.提升热红外图像分辨率及温度校正方法；

2.扩展至多种作物和环境，增强模型适用性；

3.结合机器学习实现更长时间尺度蒸散量预测。

论文2.

一、研究基本信息：

1. 标题：Estimating water use efficiency in maize: a UAV-based approach integrating multisensory data with SEBAL evapotranspiration modeling
2. 作者及单位：Wushuai Chang等；单位包括北京农林科学院信息技术研究中心、河北农业大学农学院、内蒙古农业大学等。
3. 研究目的：开发基于无人机多传感器遥感数据的田间尺度玉米水分利用效率（WUE）高通量估算方法，实现快速、准确、非破坏性的WUE监测，为筛选高效节水品种和优化灌溉方案提供支持。

二、实验设计：

1. 地点与时间：内蒙古农业大学职业技术学院科技园（40°33′N，110°31′E）；2023年玉米生长季。
2. 实验1（水分梯度实验）：3个玉米品种（DK159高耐旱、JK968中耐旱、MC121弱耐旱）；6个灌溉梯度：W0（0 m³/ha）、W1（600 m³/ha）、W2（1200 m³/ha）、W3（1800 m³/ha）、W4（2400 m³/ha）、W5（3000 m³/ha）；小区大小18 m×5.4 m（9行）；种植密度67500株/公顷；浅埋滴灌，分6次等量施用。
3. 实验2（品种筛选实验）：24个玉米品种；2个灌溉处理：W180（正常灌溉，2700 m³/ha）、W90（半量灌溉，1350 m³/ha）；小区大小5×5.4 m（9行）；共66个实验小区

三、数据采集：

1. 无人机系统：平台：DJI Matrice300 RTK四旋翼无人机（厘米级实时定位）；传感器：CropLidar（集成LiDAR和多光谱相机MicaSense Altum）、Zenmuse H20T热红外传感器）
2. 飞行参数：5次飞行，时间为当地12:00-14:00；多光谱（MS）和热成像（TIR）数据：高度35 m，前向重叠85%，侧向重叠80%，飞行速度1 m/s；LiDAR数据：与MS/TIR相同飞行参数；每次飞行约35分钟。
3. 传感器参数：多光谱（MicaSense Altum）：像素大小45μm，分辨率2064×1544，焦距8 mm，FOV 48°×36.8°，数据量30.18 Gb/ha； 热红外（Zenmuse H20T）：非制冷热辐射计，分辨率640×512，像素间距12μm，波长8-14μm，FOV 40.6°，数据量5.82 Gb/ha； LiDAR（Livox Avia）：等效64线，测距190 m（10%反射率），精度1°@20m、2cm，点速率720,000点/sec，FOV 70°，数据量21 Gb/ha。
4. 地面测量数据：AGB：每个小区选3株代表性植株，破坏性采样后80℃烘干至恒重，按种植密度计算小区AGB；土壤水分：10/30/50 cm深度安装传感器，监测0-60 cm根区volumetric含水量，计算每日土壤水分变化（ΔSWCdaily）。

四、数据处理：

1. 多光谱与热成像处理：MS数据：Agisoft PhotoScan进行反射率校准、几何校正、镶嵌；TIR数据：用手持测温枪（Raytek ST60+）校准，与MS数据一起在ArcGIS重采样至2.5 cm分辨率，ENVI提取ROI并去除地面背景；提取22种植被指数（如NDVI、EVI等）、植被覆盖度、冠层温度。
2. LiDAR数据处理：gAirHawk软件处理，生成三维点云并结合GNSS定位；Python环境下自动去噪、下采样，结合布料模拟滤波分类地面与植被；提取18个结构参数（如株高百分位数、覆盖度等）。

五、模型方法：

1. AGB估算模型：输入：多光谱植被指数（VIs）、热成像数据（TIR）、LiDAR结构参数（SPs）；模型：基于H2O平台的AutoML（自动优化算法和超参数），对比多元线性回归（MLR）；每日AGB（AGBdaily）：用beta函数拟合全生育期AGB曲线，计算曲线斜率得到日积累量。
2. ET估算模型：模型：SEBAL（地表能量平衡算法）；输入：MS/TIR数据、气象数据（气温、湿度等）；步骤：计算NDVI、发射率、反照率、地表温度→估算净辐射（Rn）、土壤热通量（G）、感热通量（H）→通过能量平衡方程（λET=Rn-G-H）计算瞬时ET→用蒸发分数（Λ）时间尺度扩展为每日ET（ETdaily）。
3. WUE计算：每日WUE（WUEdaily）=AGBdaily/ETdaily

六、模型验证指标：

决定系数（R²）、均方根误差（RMSE）、相对均方根误差（rRMSE）、Akaike信息准则（AIC）。

七、主要结果：

1.AGB估算结果：AutoML结合TIR+VIs+SPs效果最优：训练集R²=0.99，RMSE=0.11 kg/m²，rRMSE=6.32%；测试集R²=0.91，RMSE=0.31 kg/m²，rRMSE=16.54%；AGBdaily与实测值R²=0.71，RMSE=10.53 g/day

2.ET估算结果：SEBAL模型表现优异：ETdaily与实测值R²=0.93，RMSE=0.71 L/day；ET在生育期内先升后降，R2期达峰值（3-9 mm/d），低灌溉处理（W0-W2）在VT和R4期ET显著降低。

3.WUE估算结果：WUEdaily与实测值R²=0.79，RMSE=10.11 g/L；不同耐旱品种WUE时间模式差异显著，VT和R3期WUE较高，适当减少灌溉（如W90）可提高WUE；24个品种中C20在各生育期WUE最高。

八、结论与局限性：

结论：1.无人机多传感器融合结合SEBAL模型可高效估算玉米WUE（R²=0.79）；

2.SEBAL估算ET精度高（R²=0.93），AutoML+beta函数估算AGBdaily可靠（R²=0.71）；

3.该方法可用于筛选节水品种和优化灌溉。

局限性：1.AGBdaily基于beta曲线拟合，缺乏实际日测量验证；

2.AGB估算存在时间延迟，难以满足实时动态监测需求；

3.高温低灌溉下ETdaily下降但AGBdaily未同比例减少，可能导致WUE高估。

论文2的复现过程：