农业机械学报

作者：胡笑涛，刘畅，王亚昆，李高良，代秦，陈洪

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,

关键词：蒸散发;无人机;卫星遥感;尺度转换;协同校正模型;贝叶斯模型平均

基金：国家自然科学基金项目(U2243235)和陕西省科协青年人才托举计划项目（20240439）

蒸散发（Evapotranspiration, ET）是作物需水量的核心组分，也是区域水资源优化配置的关键依据。本文以陕西关中宝鸡峡灌区夏玉米为研究对象，采用BP神经网络（Back propagation neural network，BPNN）、支持向量机（Support vector machine, SVM）、极限学习机（Extreme learning machine, ELM）和极致梯度提升树（eXtreme gradient boosting, XGBoost）4种机器学习算法构建无人机-卫星多源遥感数据协同校正模型，并以最优算法建立的模型校正卫星多光谱数据，实现无人机和卫星数据的尺度转换。利用校正后高精度卫星数据反演夏玉米叶面积指数（Leaf area index, LAI）与株高（Crop height, hc）为蒸散发模型提供数据输入。分别采用双作物系数法、METRIC模型及Penman-Monteith（P-M）冠层阻力模型进行夏玉米蒸散发估算，引入贝叶斯模型平均（Bayesian model averaging, BMA）实现不同生育阶段各方法/模型权重的动态分配，最终得到玉米拔节-完熟期性能稳健的蒸散发BMA融合模型。结果表明：XGBoost算法在夏玉米拔节-完熟期的B/G/R/NIR波段建模精度均为最高，四波段建模结果决定系数（Coefficient of determination, R2）较算法ELM高出8.43%、8.67%、6.79%和10.41%；校正后的卫星多光谱数据LAI与hc反演结果R2较原始卫星数据分别平均提高97%和67.5%；BMA融合模型在夏玉米拔节-抽雄期和蜡熟-完熟期较单一最优方法/模型（METRIC模型）均方根误差（Root mean squared error, RMSE）降低39.3%~58.5%。本研究利用“协同校正-动态融合”显著提升了蒸散发遥感监测精度，可为水资源精细化管理提供理论支撑。

来源：2025年第8期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第8期