奥加拉拉含水层地下水位下降，增加了提高美国大平原灌溉作物系统水分生产率的紧迫性。考虑可持续用水的精准灌溉策略可以提高田间尺度水分利用效率（WUEf = 谷物产量/实际蒸散发）。本研究评估了一种新型灌溉系统（AI-Radar；田块A）与一个地下滴灌系统（SDI；田块B）在农场田间试验中的表现（两个田块位置相近），通过量化大豆（Glycine max L.）生产的WUEf。WUEf被计算为作物产量与季节蒸散发（seasonal ETa）的函数。季节ETa使用基于无人机的表面能量平衡模型（HRMET）和每日OpenET集合卫星估计作为补充工具进行量化。这用于计算WUEf，即作物产量除以季节ETa。结果显示，田块A的WUEf显著（p值 < 0.05）高于田块B（无人机：7.17 ± 2.41 kg ha⁻¹ mm⁻¹；OpenET：6.66 ± 2.24 kg ha⁻¹ mm⁻¹），田块B为（无人机：5.70 ± 2.13 kg ha⁻¹ mm⁻¹；OpenET：5.06 ± 1.89 kg ha⁻¹ mm⁻¹），同时估计季节灌溉深度比SDI低15%至27%（根据种植者记录）。AI-Radar下的平均产量（3189 kg/ha）比SDI（2208 kg/ha）高30.8%（p < 0.05），变异系数较低（9.96%），表明田块A具有更高的产量潜力。比较UAV和OpenET的季节ETa估计显示中等到强一致性（R2 = 0.65至0.69，RMSE = 0.77至0.90 mm day⁻¹；NRMSE = 21.8至23.4%；MBE = -0.28至-0.42 mm day⁻¹）。两种方法（UAV和OpenET）都支持灌溉性能评估的结果。具体来说，OpenET是一个开源、易于访问的工具，为种植者提供了可扩展的田间尺度ETa监测方法。通过使用UAV和OpenET衍生的ETa估计比较AI驱动的雷达灌溉与SDI系统，本研究为评估田间尺度灌溉性能提供了一个实用框架。
在堪萨斯州奥加拉拉含水层支持的灌溉农业中，地下水位因开采速率超过自然补给而持续下降，导致水资源日益稀缺。传统均匀灌溉实践往往导致水分布不均和过度或不足灌溉，降低了作物产量并加剧了地下水枯竭。因此，亟需发展精准灌溉策略以提高田间尺度水分利用效率（WUEf），在减少水消耗的同时提升作物生产力。AI-Radar灌溉系统作为一种新型技术，结合了探地雷达（GPR）传感器和人工智能（AI）驱动的成像单元，能够根据土壤水分和作物状况进行自适应灌溉调度。然而，其性能尚未与已建立的精准灌溉系统如地下滴灌（SDI）进行比较评估。本研究旨在通过量化大豆生产的WUEf和蒸散发（ETa），在农场条件下比较AI-Radar与SDI系统的表现。研究人员开展了田间试验，在堪萨斯州Flickner Innovation Farm的两个相邻田块（田块A采用AI-Radar灌溉，田块B采用SDI灌溉）上种植大豆（品种：PIONEER 42A84ENLIST），使用无人机（UAV）搭载多光谱和热红外传感器获取高分辨率影像，通过HRMET模型估计ETa，同时利用OpenET卫星平台获取每日ETa数据。研究得出结论：AI-Radar系统实现了更高的WUEf、更大的季节ETa和更高的产量，同时灌溉用水量减少15%至27%。这一发现具有重要意义，表明AI驱动的自适应灌溉系统在水资源稀缺地区能更高效地分配水，提高水分生产率，为精准灌溉管理提供了新思路。论文发表在《Smart Agricultural Technology》期刊。
主要关键技术方法包括：研究人员在Flickner Innovation Farm的两个田块（Field A：2.5公顷，采用AI-Radar引导中心枢轴灌溉；Field B：6公顷，采用SDI）进行大豆田间试验。使用DJI Matrice 350 RTK无人机搭载Altum-PT多光谱和热红外传感器，在四个关键生长阶段获取影像数据，分辨率高达3厘米，通过HRMET模型基于表面能量平衡原理估计ETa。同时，利用OpenET平台（空间分辨率30米，每日时间分辨率）整合六个卫星模型集合，提供连续的季节ETa估计。此外，通过地面测量叶面积指数（LAI）并与无人机归一化植被指数（NDVI）建立回归关系，用于模型输入；产量数据使用配备产量监测器的联合收割机收集并空间插值生成产量图。
研究结果包括以下几个小标题：
- **产量和WUEf比较**：通过田间试验数据得出，AI-Radar田块的平均大豆产量为3189.04 kg ha⁻¹，显著高于SDI田块的2207.83 kg ha⁻¹（p < 0.05），变异系数（CV）分别为9.9%和17.8%，表明AI-Radar系统提高了产量一致性。基于无人机ETa的WUEf，AI-Radar为7.17 ± 2.41 kg ha⁻¹ mm⁻¹，SDI为5.70 ± 2.13 kg ha⁻¹ mm⁻¹（p < 0.05）；基于OpenET ETa的WUEf，AI-Radar为6.66 ± 2.24 kg ha⁻¹ mm⁻¹，SDI为5.06 ± 1.89 kg ha⁻¹ mm⁻¹，均显示AI-Radar系统具有更高的水分利用效率。
- **季节和生长阶段特定ETa比较**：基于无人机HRMET模型，AI-Radar田块的平均季节ETa为444.44 mm，SDI田块为386.66 mm（p < 0.05）。在生长阶段分析中，AI-Radar田块在营养生长阶段（V2-V3和V6-R1）和生殖生长阶段（R2-R3和R4-R5）的每日ETa均显著高于SDI田块，特别是在R2-R3阶段（AI-Radar：5.17 ± 0.55 mm day⁻¹，SDI：4.21 ± 1.31 mm day⁻¹），表明AI-Radar系统在关键生殖期维持了更高的作物水分吸收。
- **UAV和OpenET估计的ETa一致性**：比较两种ETa估计方法，AI-Radar田块的季节ETa（无人机：444.44 mm，OpenET：478.88 mm）和SDI田块的季节ETa（无人机：386.66 mm，OpenET：436.22 mm）显示中等到强一致性，R2为0.65至0.69，RMSE为0.77至0.90 mm day⁻¹，NRMSE为21.8%至23.4%，MBE为-0.28至-0.42 mm day⁻¹，支持两种方法在田间尺度ETa监测中的互补性。
讨论部分总结了AI-Radar系统如何通过结合GPR土壤湿度数据和AI成像的作物状况评估，自适应调整灌溉量以应对田间空间异质性，从而在生殖生长阶段维持更高的土壤-植物水分状态，减少水分胁迫，提高产量和WUEf。同时，OpenET作为开源工具，提供了可扩展的季节ETa估计，与无人机方法一致性高，为农民提供了实用的WUEf监测手段。
研究结论部分翻译如下：本研究在田间尺度上对AI-Radar灌溉系统进行了基于传感器和蒸散发（ETa）的评估，使用产量、季节ETa和田间尺度水分利用效率（WUEf）作为性能指标。结果表明，在堪萨斯州中部的大豆生产中，AI-Radar系统在田块A中实现了更高的WUEf和更大的季节ETa，相比田块B的SDI系统，产量提高了30.8%，灌溉用水量减少了15%至27%。这些优势在关键生殖生长阶段尤为明显，其中优化的土壤-植物水分状态影响了豆荚形成、种子发育和最终大豆产量。OpenET与无人机估计的ETa一致性（MBE：-0.28至-0.42 mm day⁻¹；RMSE：0.77至0.90 mm day⁻¹；NRMSE：21.8%至23.4%；R2：0.65至0.69）表明，OpenET可作为农民在田间条件下推导WUEf的有用工具。总体而言，这些结果突出了AI-Radar系统在分配水资源方面的能力，特别是在美国南部大平原地下水位下降和水资源稀缺的地区，为推进灌溉农业中的水分高效管理提供了重要见解。
打赏
