1、在作物灌溉管理上，水資源是作物生長(zhǎng)的一個(gè)重要限制因子。隨著人口的不斷增加，人們對(duì)生活用水和工業(yè)用水的需求也不斷增加，進(jìn)而導(dǎo)致農(nóng)業(yè)水資源使用的競(jìng)爭(zhēng)不斷加大。在灌溉農(nóng)業(yè)區(qū)域，對(duì)于農(nóng)業(yè)來(lái)說(shuō)，水資源變得越來(lái)越缺乏。水分生產(chǎn)力(WP)或水分利用效率（WUE，它被作為分析水資源利用效率的一個(gè)指標(biāo)）用來(lái)改善灌溉農(nóng)業(yè)地區(qū)的水資源管理。在灌溉農(nóng)業(yè)區(qū)域，通過(guò)改善該地區(qū)作物的WUE，從而解決當(dāng)前該地區(qū)水資源嚴(yán)重短缺和需要更多作物產(chǎn)量的問(wèn)題。合理的田間灌溉管理

2、措施，可以提高作物的WUE和增加作物的產(chǎn)量，進(jìn)而解決灌溉農(nóng)業(yè)地區(qū)水資源嚴(yán)重不足的問(wèn)題。然而，當(dāng)前傳統(tǒng)的WUE測(cè)量方法，需要研究人員花費(fèi)大量的人力物力和時(shí)間。隨著遙感技術(shù)在農(nóng)業(yè)水分管理上的應(yīng)用，使遙感影像數(shù)據(jù)在區(qū)域尺度上估算作物的WUE成為可能。
　　在本研究中，在冬小麥的整個(gè)生長(zhǎng)階段獲得田間的ASD高光譜數(shù)據(jù)、衛(wèi)星影像數(shù)據(jù)（光學(xué)和雷達(dá)影像數(shù)據(jù)）、氣象數(shù)據(jù)、冬小麥的葉面積指數(shù)(LAI)，冠層覆蓋度(CC)、生物量(BY)和產(chǎn)量(GY

3、)等數(shù)據(jù)?；贏quaCrop模型和多源遙感數(shù)據(jù)對(duì)研究區(qū)域的冬小麥WUE進(jìn)行估算研究主要包括五個(gè)方面:1）應(yīng)用全局敏感性分析方法對(duì)AquaCrop模型的產(chǎn)量和相關(guān)的動(dòng)態(tài)輸出變量進(jìn)行敏感性分析;2）在華北平原，應(yīng)用AquaCrop模型對(duì)不同灌溉和不同播種日期的冬小麥CC、BY和GY進(jìn)行模擬分析;3）整合田間ASD高光譜數(shù)據(jù)和AquaCrop模型，對(duì)冬小麥的WUE進(jìn)行了估算;4）使用環(huán)境衛(wèi)星和RADARSAT-2影像數(shù)據(jù)構(gòu)建新的光學(xué)-雷達(dá)整

4、合植被指數(shù)對(duì)冬小麥的CC和生物量進(jìn)行估算;5）基于粒子群優(yōu)化算法，將AquaCrop模型與光學(xué)和雷達(dá)影像數(shù)據(jù)整合，對(duì)陜西楊凌地區(qū)的冬小麥WUE進(jìn)行估算。一些重要的結(jié)論歸結(jié)為:
　　1)作物參數(shù)敏感性隨著作物參數(shù)變化范圍的變化而變化。對(duì)于一階敏感性指數(shù)來(lái)說(shuō)，當(dāng)設(shè)置作物參數(shù)的變化范圍在正常值±10％變化時(shí)，作物參數(shù)對(duì)冬小麥最大干生物量從最高到最低的重要性順序?yàn)閣p、 cc、stbio和mcc，作物參數(shù)對(duì)春小麥最大干生物量從最高到最低的

5、重要性順序?yàn)閟tbio、cc、wp和mcc。與上面的研究結(jié)果類似，當(dāng)設(shè)置作物參數(shù)的變化范圍在正常值±30％變化時(shí)，作物參數(shù)對(duì)冬小麥和春小麥最大干生物量的重要性及選擇的順序是相同的。當(dāng)設(shè)置作物參數(shù)的變化范圍在正常值±50％變化時(shí)，作物參數(shù)對(duì)冬小麥和春小麥最大干生物量的重要性及選擇的順序存在一定的差異。對(duì)于總的敏感性指數(shù)來(lái)說(shuō)，當(dāng)設(shè)置作物參數(shù)的變化范圍在正常值±10％變化時(shí)，作物參數(shù)的重要性和選擇的作物參數(shù)對(duì)冬小麥最大干生物量(wp、cc、s

6、tbio、rootdep、polmn、mcc，和psto)和春小麥最大干生物量（stbio、cc，wp和mcc）之間存在一些差異。然而，當(dāng)設(shè)置作物參數(shù)的變化范圍在正常值±30％變化時(shí)，作物參數(shù)的重要性和選擇的作物參數(shù)對(duì)冬小麥最大干生物量（wp、cc，stbio和mcc）和春小麥最大干生物量（wp、cc，stbio和mcc）之間是相同的。當(dāng)設(shè)置作物參數(shù)的變化范圍在正常值±50％變化時(shí)，作物參數(shù)的重要性和選擇的作物參數(shù)對(duì)冬小麥最大干生物量（

7、wp、cc，stbio和mcc）和春小麥最大干生物量(stbio、cc、wp、dcc、rmexup、pstoshp、hilen、anaer、hi、mcc、remd，eme和psto)之間存在較大差異。時(shí)間序列敏感性分析結(jié)果表明，作物參數(shù)ssc、stbio、plomn、wp、cc，mcc和num的時(shí)間序列一階敏感性對(duì)冬小麥或春小麥的冠層覆蓋度和干生物量最敏感。作物參數(shù)總的敏感性指數(shù)和時(shí)間序列總的敏感性指數(shù)比作物參數(shù)一階敏感性指數(shù)和時(shí)間序列

8、一階敏感性指數(shù)更加敏感。北京的冬小麥和加拿大的春小麥之間一階敏感性指數(shù)和時(shí)間序列一階敏感性指數(shù)具有較好的一致性。然而，冬小麥和春小麥之間總的敏感性指數(shù)和時(shí)間序列總的敏感性指數(shù)存在較大差異。
　　2)本研究證明AquaCrop模型可以較好的模擬不同播種日期和不同灌溉策略的冬小麥冠層覆蓋度(CC)，生物量(BY)，產(chǎn)量(GY)。通過(guò)4年的研究表明AquaCrop模型模擬的CC與實(shí)測(cè)的CC具有較好的一致性。冬小麥模擬的CC與實(shí)測(cè)的CC的

9、R2，RMSE和E值變化范圍分別為0.89到0.98，3.18％到7.19％和0.90到0.96。模擬的BY與實(shí)測(cè)的BY具有較好的關(guān)系。實(shí)測(cè)的BY用來(lái)校正AquaCrop模型，它的預(yù)測(cè)統(tǒng)計(jì)誤差為0.92＜R2＜0.98，1.12＜ RMSE＜1.84 ton ha-1和0.92＜ E＜0.96。模擬的GY也與實(shí)測(cè)的GY具有較好的一致性，AquaCrop模型模擬的GY也與實(shí)測(cè)的GY的RE，RMSE和E值分別為0.93，0.52 tonha

10、-1和0.92。同時(shí)研究結(jié)果也證明，在2010/2011年冬小麥，通過(guò)頻繁少量的多次灌溉可以顯著地改善BY，GY，生物量和籽粒的水分利用效率。這些結(jié)果表明AquaCrop模型模擬值和實(shí)際測(cè)量值具有較高的一致性和穩(wěn)定性，它可以用來(lái)模擬華北平原(NCP)不同播種日期和不同灌溉策略的冬小麥CC，BY和GY。因此，我們可以得出這樣的結(jié)論，AquaCrop模型是一個(gè)有用的決策工具，用它可以有效的優(yōu)化冬小麥的播種日期和灌溉策略。
　　3)研究

11、結(jié)果表明，蒸滲儀獲取的ET數(shù)據(jù)與Aquacrop模型模擬的ET數(shù)據(jù)具有較好的一致性（R2=0.96和RMSE=0.47 mm）。植被指數(shù)NDMI與冬小麥生物量存在較好的關(guān)系，對(duì)應(yīng)的R2和RMSE值分別為0.84 and1.43 ton/ha。所有的植被指數(shù)與水分利用效率(WUE)具有較高的相關(guān)性，我們的研究結(jié)果說(shuō)明植被指數(shù)TBWI為最好的WUE估算回歸方程，對(duì)應(yīng)的R2和RMSE值分別為0.73和0.15 kg/m3。用AquaCrop模

12、型模擬的冬小麥生物量和產(chǎn)量與實(shí)測(cè)的冬小麥生物量和產(chǎn)量存在較好的關(guān)系。本研究結(jié)果說(shuō)明數(shù)據(jù)整合方法(R2=0.79和RMSE=0.12 kg/m3)優(yōu)于經(jīng)驗(yàn)統(tǒng)計(jì)植被指數(shù)方法（R2=0.72和RMSE=0.15 kg/m3）對(duì)冬小麥WUE的估算精度。
　　4) LAI和BY與光學(xué)光譜植被指數(shù)（OSVIs;增強(qiáng)型植被指數(shù)，EVI;改善三角植被指數(shù)2，MTVI2）和雷達(dá)極化植被指數(shù)（RPVIs;雷達(dá)植被指數(shù)，RVI;雙向反射特征值相對(duì)差異，

13、DERD）存在較好的關(guān)系。光學(xué)雷達(dá)植被指數(shù)(ORVIs)[MTVI2×DERD(R2=0.67)和MTVI2×RVI(R2=0.68)]與LAI有較高的相關(guān)性。但是，ORVIs[優(yōu)化土壤調(diào)節(jié)植被指數(shù)(OSAVI)×DERD(R2=0.79)和EVI×RVI(R2=0.80)]與生物量有較高的相關(guān)性。 ORVIs優(yōu)于單獨(dú)用OSVIs和RPVIs對(duì)LAI和BY的估算精度。研究結(jié)果表明，ORVIs對(duì)改善冬小麥LAI和BY的估算精度有很大潛力。

14、
　　5)使用粒子群優(yōu)化算法將光學(xué)和雷達(dá)影像數(shù)據(jù)與AquaCrop模型進(jìn)行整合，用來(lái)估算楊凌的冬小麥產(chǎn)量和WUE。以CC或BY分別作為狀態(tài)變量，預(yù)測(cè)的CC(R2=0.66和RMSE=10.45％)和BY(R2=0.79和RMSE=1.53 ton/ha)與實(shí)測(cè)的CC和BY之間有很好的一致性。當(dāng)以CC作為狀態(tài)變量時(shí)，預(yù)測(cè)的GY（R2=0.31和RMSE=0.94 ton/ha）和WUE（R2=0.34和RMSE=0.29 kg/m3