融合宇宙射线中子及遥感的大田作物测墒补灌预测方法

本发明涉及农业灌溉，更具体的，涉及融合宇宙射线中子及遥感的大田作物测墒补灌预测方法。

背景技术：

1、大田栽培的农作物，通常包括小麦、玉米、大豆、水稻等主要粮食作物。与小规模家庭式种植相比，大田作物的种植面积广泛、产量大，且具有较高的机械化生产水平，是农业生产的基础。大田作物在粮食产业中起着至关重要的作用，不仅为全球提供了丰富的粮食资源，还在经济和社会发展中占据着重要地位。其生产效益直接关系到国家粮食安全和农民的生计，因此提升大田作物的生产效率和可持续性发展，成为全球农业科技研究的一个重要方向。

2、在大田作物的生产管理中，水分管理是影响作物生长和产量的关键因素之一。土壤水分的不足或过多都会对作物的生长产生不利影响。因此，合理的测墒补灌技术在大田作物的生产中具有重要意义。测墒补灌技术是通过对土壤墒情的监测，结合作物的需水规律，及时调整灌溉措施，从而实现精准高效的水分管理。传统的测墒补灌技术多依赖人工测量或简单的土壤水分感知工具，这种方法不仅工作量大、周期长，而且受人为因素影响较大，无法精确反映大田作物生长过程中水分的变化情况，因此需要一种技术方案来解决上述问题。

技术实现思路

1、本发明的目的在于克服上述现有技术的不足，实现多元数据的有效耦合，实现从静态监测到动态预测、从单一水分信息到水与作物生长协同感知，为实施按需精准灌溉、提高农业水资源利用效率提供可靠的智能化决策工具，提供一种融合宇宙射线中子及遥感的大田作物测墒补灌预测方法。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明公开了一种融合宇宙射线中子及遥感的大田作物测墒补灌预测方法，包括以下步骤：

4、s1、确定目标作物种类及其关键需水生育阶段；

5、s2、利用车载式近地面宇宙射线中子仪获取田间土壤含水量测量值，并融合无人机遥感数据对其进行空间校准与验证，获取土壤含水量实时值；

6、s3、结合当地气象资料、作物生长监测数据及土壤理化性质数据构建作物生长模型，并利用步骤s2中的土壤含水量实时值对模型进行同化与优化，使模型具备输出土壤含水量预测值的能力；

7、s4、通过无人机平台同步获取作物的多元遥感信息，基于机器学习算法构建作物积温反演模型，估算作物积温实时值；

8、s5、将作物积温实时值与气象预报数据相结合，推算作物积温预测值，预测作物生长阶段，结合步骤s3中的土壤含水量预测值与各阶段作物需水量预测值进行差值分析，获取后续时段田间补充灌溉量预测值。

9、进一步的，步骤s2中，车载式近地面宇宙射线中子仪以每周一次的频率，沿预设的、覆盖不同土壤质地和长势的样带路线进行移动观测，每次观测获取直径300米范围内、深度约0～30cm的表层土壤体积含水量测量值，在每次车载式近地面宇宙射线中子仪观测的同时，操控多旋翼无人机平台在观测样带上空进行航拍，获取空间分辨率优于5厘米的冠层反射率及冠层温度数据。

10、进一步的，步骤s2中，在地面试验小区同步采用时域反射仪法获取多个定位点的精确土壤含水量，用于验证；将无人机生成的ndwi空间分布图与田间土壤含水量测量值进行空间匹配；利用支持向量机回归算法，建立以归一化差异水分指数ndwi、归一化植被指数ndvi和冠层温度为输入特征，田间土壤含水量测量值为目标值的校准模型。

11、进一步的，通过校准模型，将无人机高分辨率遥感信息作为空间权重，对单点田间土壤含水量测量值进行空间降尺度校准，生成整个田块高空间分辨率的土壤含水量实时分布图，作为土壤含水量实时值。

12、进一步的，步骤s3包括：

13、s3.1、基础数据与模型准备：收集目标区域过去5年的逐日气象数据和当年实时气象数据；采集典型田块的土壤剖面数据；选用aquacrop作物生长模型作为基础模型，并依据作物品种特性初始化模型作物参数；

14、s3.2、模型初始化与同化：以返青期作为模拟起点，输入土壤参数与逐日气象数据，并设置土壤初始含水量；采用集合卡尔曼滤波数据同化算法，将通过s2获取的土壤含水量实时值作为观测值，同化进入aquacrop模型的土壤水分子模块；

15、s3.3、预测输出：在每次同化完成后，驱动模型向前运行并结合未来7天的气象预报数据输出未来一周逐日土壤含水量预测值。

16、进一步的，土壤含水量预测值的输出层次包括：0～30cm表层体积含水量以及根系层平均体积含水量，并同步输出土壤水分亏缺量或相对田间持水量比值用于水分胁迫识别与灌溉决策阈值判别。

17、进一步的，步骤s4包括：

18、s4.1、数据持续采集：从作物返青期开始，利用无人机多、高光谱和热红外传感器，每7～10天进行一次全覆盖航测，持续获取光化学反射指数pri，反映作物的水分胁迫和光合效率；

19、s4.2、地面积温基准：在田间布设自动气象站，记录逐日气温，计算基于气温的常规有效积温gdd，有效积温gdd可根据如下公式计算：

20、

21、其中：为日最高气温（℃），为日最低气温（℃），为作物基准温度，取10℃；

22、s4.3、模型构建：以无人机获取的时序和光化学反射指数pri为主要特征，以同步计算得到的有效积温gdd为基准标签，采用随机森林回归算法进行训练，构建冠层有效积温反演模型；

23、s4.4、实时积温输出：对于每一次无人机观测，将处理后的冠层温度分布图和pri分布图输入到训练好的冠层有效积温反演模型中，即可反演出整个田块当前时刻的作物积温实时值的空间分布。

24、进一步的，步骤s5包括：

25、s5.1、积温与生育阶段预测：基于s4输出的作物积温实时值，结合未来7天气温预报，推算至未来第7天的作物积温预测值；根据作物的积温与生育期对照表以及作物积温预测值判定未来一周内作物将进入或处于哪个具体生长阶段；

26、s5.2、需水量预测：根据s5.1判定的未来生长阶段，使用彭曼—蒙特斯公式计算未来7天的作物需水量；

27、s5.3、灌溉量决策计算：根据作物需水量预测和土壤含水量预测计算补充灌溉量；

28、s5.4、输出灌溉处方图：根据计算出的补充灌溉量，生成灌溉处方图以指导田间灌溉决策；灌溉处方图将显示每个地块或分区的补充灌溉量，并可根据灌溉量对不同区域的水分需求进行变量化调整。

29、进一步的，步骤s5.3包括：

30、s5.3.1、土壤储水量计算：将步骤s3输出的未来同期土壤含水量预测值转换为根系层的有效土壤储水量，计算公式为：

31、

32、s5.3.2、理论总耗水量计算：根据作物需水量，计算未来一周的理论总耗水量；

33、s5.3.3、灌溉量预测：基于下述公式计算未来一周的补充灌溉量：

34、

35、其中，为未来一周的有效降雨量预测值，为灌溉水利用效率，为未来一周内土壤有效储水量的可消耗量，max()为取较大值。

36、本发明的有益效果是：

37、本发明将车载宇宙射线中子法的大范围土壤水分探测优势、无人机遥感的精细空间信息获取能力与作物生长模型的机理性模拟功能深度融合，通过数据同化与机器学习技术实现了多元数据的有效耦合，实现了从静态监测到动态预测、从单一水分信息到水与作物生长协同感知的跃升，为实施按需精准灌溉、提高农业水资源利用效率提供了先进可靠的智能化决策工具。