Page 135 - 2025年第56卷第7期

2.5 基于植被指数的变量灌溉处方图生成方法 为了减少喷灌机改造成本，推动变量灌溉技术推广应
用，本文提出的基于植被指数的变量灌溉处方图生成方法主要是针对仅通过改变喷灌机行走速度即可
实现动态变量灌溉管理的扇形分区方法。基于 2.4 节的图像处理方法，将 OSAVI 分布图与试验区扇形
分区图叠加，其中扇形分区图是指将喷灌机控制的 60°试验区域沿喷灌机行走方向以 6°为间隔进行等
分后形成的 10 个扇形子区，再利用“以表格显示分统计”功能将每个扇形子区的 OSAVI 平均值导出，
并在植被指数分布图属性中得到不同飞行时间时整个田块内的植被指数平均值和变异系数（CV）。
将每个扇形子区内的 OSAVI 平均值按照式（1）计算得到归一化值 N ，因为 N 与作物水分亏缺
OSAVI OSAVI
呈负相关，因此对 N ，再利用等间隔断点法（0 ~ 0.33，0.34 ~
OSAVI 值按照式（2）进行计算后得到 N OSAVI i
进行分类，共分为 3 类管理区。
0.66，0.67 ~ 1）对 10 个扇形子区的 N OSAVI i
（2）
= 1 - N OSAVI
N OSAVI i
基于变量灌溉管理决策支持系统的构成原理生成变量灌溉处方图，即当土壤含水率到达田间持水
量的 75% 时，先利用 Penman-Monteith 方程 ［29］ 计算灌溉用水需求量 I，然后将 I 与 3 类管理区的上限值
（0.33，0.66，1）分别相乘后得到每类管理区内的实际灌水量，面积加权平均后则可得到整个试验区的
总灌溉水量 ［30］ 。由于大疆智图软件（V4.1.12）拼图过程耗时较长，所以基于植被指数的变量灌溉处方图
生成方法尚未实现实时完成，在进行无人机数据的采集、拼图和计算处理后，变量灌溉处方图的生成
一般需要耗时 0.5 ~ 1 d，变量灌溉管理一般在采集数据后的第二天执行。
基 于 无 人 机 热 成 像 系 统 采 集 数 据 计 算 NRCT 后 生 成 变 量 灌 溉 处 方 图 的 方 法 与 其 相 似 ， 详 见 文
献［20］。

3 结果与分析

3.1 水分亏缺植被指数的筛选 5 种归一化植被指数与 NRCT 的拟合方程及其相关系数检验结果如表 2
所示。N 、N 、N 、N 、N 与 NRCT 的拟合方程均为二次抛物线，拟合方程的相关系数分
OSAVI EVI NDVI NGRDI SAVI
别为-0.8063、-0.7947、-0.6845、-0.7175 和-0.7802，均达到了极显著水平（P<0.01）。因为 N 与
OSAVI
NRCT 的相关系数最大，可推荐为试验区冬小麦的最优水分亏缺植被指标。

表 2 冬小麦植被指数与 NRCT 转化方程及相关系数
植被指数 转化方程 相关系数
N y = -0.98x + 0.0511x + 0.8751 -0.8036 1）
2
OSAVI
2
N y = -0.5007x - 0.4526x + 0.9078 -0.7947 1）
EVI
N y = -0.5007x - 0.4526x + 0.9078 -0.6845 1）
2
NDVI
2
N y = -0.8757x + 0.2597x + 0.8192 -0.7175 1）
NGRDI
2
N y = -0.6126x - 0.3212x + 0.887 -0.7802 1）
SAVI
注：1）表示相关系数在 P<0. 01 水平上显著。
3.2 不同飞行时间的 OSAVI 空间分布 将无人机多光谱系统获取的 2023 年及 2024 年冬小麦生育期内
（以 2023 年 4 月 16 日和 2024 年 4 月 21 日为例）不同起飞时间 OSAVI 值的空间分布图和频率分布直方图
分别绘于图 1 和图 2，并将不同起飞日期和起飞时间的 OSAVI 平均值与变异系数绘于图 3，以分析试验
区 OSAVI 值的时空分布特征。
由图 1 可知，不同起飞时间获取的 OSAVI 值分布范围虽然均为 0 ~ 1，但由最大值和最小值组成的
OSAVI 值变化范围在不同起飞时间时并不相同，例如，最高值在 8：00 起飞时最大，分别为 0.95 和
0.91。另外，由图 1 中的颜色深浅也可以看出，不同起飞时间的 OSAVI 值主要集中区域也不相同，例
如，17：00 起飞时，OSAVI 值的空间分布图颜色较其他起飞时间明显偏浅，说明 OSAVI 值整体偏低。
在 11：00 和 14：00 起飞时，不仅 OSAVI 值的空间分布图颜色相似，二者的 OSAVI 最高值也基本相等。

— 961 —