基于無人機多光譜遙感估算西北半濕潤區葡萄基礎作物系數研究

徐 燦,胡笑濤,陳滇豫,甄晶博,王文娥,彭雪蓮,汝 晨

(西北農林科技大學旱區農業水土工程教育部重點實驗室,陜西 楊凌 712100)

作物蒸散量主要包括土壤蒸發和植被蒸騰兩部分,是作物與外界進行水分交換的重要途徑[1]。作為全球水循環和地表能量平衡的重要組成部分,蒸散量對作物生長發育和產量形成具有重要影響,是確定合理灌溉制度的依據[2]。我國是世界最大的鮮食葡萄生產國和消費國,葡萄種植面積穩定在66萬 hm2以上[3],且經濟價值可觀。作為我國鮮食葡萄重要產區之一,陜西省近年來葡萄栽培面積和產量均有大幅提升[4]。適當的水分供應是保證葡萄高質高產的基本條件之一,葡萄園水分虧缺或過多不僅影響當季葡萄的產量與品質,還會影響下季葡萄生長發育,甚至會縮短葡萄樹生長年限,這些均増加了葡萄園水分管理的復雜性和特殊性[5]。確定合理的灌溉制度以滿足葡萄生產的必要水分需求具有重要意義,因此準確估算葡萄生育期內蒸散量尤為關鍵。

常用的獲取作物蒸散量的途徑分為測定法、直接估算法和間接估算法3類。測定法主要包括渦度相關法、波文比法、蒸滲儀法、同位素法等,國內外很多學者[6-9]已經驗證了利用以上方法獲取作物實際蒸散量的適用性與準確性;但此類方法大多技術復雜、造價高、維護費用高,且個別方法要求有足夠大及平坦均一的下墊面,否則很難達到一定精度。直接估算法主要包括單源模型及多源模型。單源模型中P-M模型具有較強的理論基礎,但其忽略了冠層和土壤間的水熱特性差異,對稀疏植被的蒸散估算偏差較大;多源模型機理復雜、計算成本高,容易出現“過度擬合”的情況,且參數獲取難度大,在實際應用中會受到一定限制。間接估算法中最常用的為作物系數法,其中FAO-56推薦的雙作物系數法估算方法簡單,得到了廣泛應用[10-12],但其有一定的適用范圍,并非對所有地區、所有作物的蒸散量都能夠進行精準估算。

雙作物系數法中的作物系數必須根據作物自身生長狀況及外部環境(水分脅迫、氣象條件)進行校正才能準確估算實際蒸散量,但隨時進行地面監測并對作物系數曲線做出調整存在較大困難,因此利用遙感技術估算作物系數更為可行。Shao等[13]將無人機多光譜遙感技術與隨機森林算法結合,獲得了不同灌溉條件下玉米作物系數(Kc)的高分辨率空間分布圖。Gautam等[14]利用無人機搭載多光譜傳感器提取赤霞珠葡萄的光譜和結構特征,通過多元線性回歸和機器學習方法對Kc進行建模,結果表明將冠層結構特征和光譜特征相結合,可以提高模型適用性;在所有預測模型中,隨機森林預測的Kc精度最高。近年來,遙感技術在國內快速興起,逐漸應用于不同研究領域并處于較高的發展水平,其在估算作物系數方面的應用有效克服了現有其他研究方法的許多缺陷[15]。遙感應用主要分為衛星遙感和低空機載遙感,衛星遙感發展最早并且已經相當成熟,但其數據的預處理結果易受大氣影響而且經常與試驗時間不相符,獲取較為可靠的數據難度較大。低空無人機遙感不僅克服了衛星遙感受大氣狀況影響大、重訪周期長、時空分辨率不匹配等問題,還規避了地面監測作物生長信息耗時、費力等缺點,具有成本低、機動靈活、能實時采集圖像、高時效性、高時空分辨率等一系列優點[16]。無人機遙感技術可以較好地估算日作物系數,從而滿足農田尺度估算作物日蒸散量的需求[17]。De Jesús Marcial-Pablo等[18]證明了基于無人機光譜遙感剔除地物背景后的圖像可以較高精度地估算玉米Kc,其中Kc與NDVI在80 000株·hm-2時擬合效果最好。張瑜[19]利用無人機多光譜遙感技術協同地面監測建立了作物系數Kc與植被指數的關系模型,并論證了其可行性。韓文霆等[20]利用無人機多光譜遙感技術獲取6種植被指數,分別建立了其與大田玉米作物系數在各生育時期不同水分脅迫條件下的關系模型,結果表明在快速生長期充分灌溉條件和生長后期水分脅迫條件下,植被指數SR與作物系數的相關性最好。

迄今為止,我國對作物系數的估算研究主要集中在經濟類作物及大田作物,對于根系發達、稀疏種植的多年生果樹研究較少;葡萄果樹由于株間個體差異大,對水肥管理的要求較高,此類研究更是鮮有報道。不同于密植作物土壤蒸發較小,葡萄果樹蒸散中植被蒸騰與土壤蒸發屬于兩個相對獨立的部分,且各自占據較大比重,因此有必要對其基礎作物系數Kcb進行單獨研究。目前基于無人機遙感技術估算農田尺度稀疏植被基礎作物系數的研究明顯不足。針對以上問題,本文以2021年西北半濕潤區葡萄園為研究區域,以波文比系統實測蒸散量ETc為準,基于彭曼公式法計算參考作物蒸散量ETo,得到葡萄作物系數Kc后,采用FAO-56雙作物系數法計算土壤蒸發系數Ke與水分脅迫系數Ks,獲得基礎作物系數Kcb,利用無人機多光譜遙感影像獲取葡萄光譜數據,提取多個波段反射率計算4種植被指數,建立葡萄基礎作物系數Kcb與植被指數的關系模型,從而估算葡萄園實際蒸散量,驗證無人機多光譜遙感反演葡萄Kcb的精度,以期提高葡萄園蒸散量的估算精度,為該地區精準灌溉提供理論指導及技術支撐。

1 材料與方法

1.1 研究區概況及葡萄物候期

試驗于2021年4—8月在陜西省咸陽市楊陵區崔西溝村君度唯爾葡萄莊園進行,該地區位于陜西關中平原中部(108°08′E,34°31′N,海拔524.7 m),屬于暖溫帶半濕潤氣候區,四季分明,冬季寒冷干燥,夏季高溫多雨,多年平均氣溫12.9℃,年日照時數2 163.8 h,無霜期210 d,多年平均降水量580 mm且主要集中在7、8月份,年平均蒸發量1 500 mm。試驗區葡萄齡期大約5 a,品種為‘黑色甜菜’。葡萄的種植行由南向北,行距約為3 m,每行葡萄藤之間的間距為0.8 m左右,葡萄架式為單籬架,架高1.5 m左右,沿葡萄種植方向每隔3～4 m設立水泥柱,并在上中下拉3道鋼絲。葡萄園灌溉方式以滴灌為主,灌水、施肥等田間管理措施均與當地葡萄生產一致,不進行特殊水肥調控。根據葡萄生長特性,將其全生育期劃分為4個生育階段,分別為新梢生長期(4月12日—5月15日),開花期(5月16日—5月30日),果實膨大期(5月31日—7月6日),著色成熟期(7月7日—8月18日)。

1.2 多光譜影像采集與預處理

研究采用深圳市大疆創新科技有限公司的四旋翼精靈Phantom 4無人機為數據采集平臺,該無人機為一體式的多光譜成像系統,多光譜相機有6個影像傳感器,其中1個彩色傳感器用于可見光(RGB)成像,5個單色傳感器用于包含藍(B, 450 nm±16 nm)、綠(G, 560 nm±16 nm)、紅(R, 650 nm±16 nm)、紅邊(RE, 730 nm±16 nm)和近紅外(NIR, 840 nm±26 nm)波段的多光譜成像。試驗設置無人機航線條,相對航高30 m,航向重疊率80%,旁向重疊率70%,地面分辨率為1.6 cm,作業過程中可同步獲取研究區RGB和多光譜影像。無人機多光譜遙感影像數據采集選擇晴朗無風無云、太陽光照穩定的天氣進行,整個生育期共獲得60組數據。獲取的多光譜影像檢查無誤后導入DJITerra軟件中,選擇農田場景進行二維重建,得到基于單個波段的正射影像。將拼接完成的單個波段影像導入ENVI 5.3軟件中,進行波段合并,最后得到多個波段融合后的葡萄園多光譜影像。利用Matlab對多光譜影像進行背景剔除后,提取不同波段反射率計算多種植被指數。

1.3 氣象數據

試驗區凈輻射、風速、風向、空氣溫度、相對濕度、水汽壓、土壤熱通量等氣象數據由波文比系統全天候每10 min自動觀測記錄。降雨量由楊陵氣象站提供,參考作物蒸散發量利用彭曼公式(式1)計算,具體見圖1。

(1)

式中,ETo為參考作物蒸發蒸騰量(mm·d-1);Rn為作物冠層的凈輻射(MJ·m-1·d-1);G為土壤熱通量(MJ·m-1·d-1),在逐日計算中G=0;T為平均氣溫(℃);u2為2 m高處的平均風速(m·s-1);es為飽和水汽壓(kPa);ea為為實際水汽壓(kPa);Δ為飽和水壓與溫度曲線的斜率(kPa·℃-1);γ為干濕表常數。

圖1 參考作物蒸散發量及降雨數據

1.4 波文比能量平衡法

波文比能量平衡法是應用廣泛的估算農田蒸發蒸騰方法,該方法通過測量溫度和濕度梯度,結合凈輻射以及地面熱通量的測定來估算潛熱通量[21]。其基本原理是能量守恒,優點是所需實測參數少,計算方法簡單,不需要有關蒸發蒸騰面空氣動力學特性方面的資料,并可以估算大面積(約1 000 m2)和小時間尺度(10 min)的潛熱通量。能量平衡方程基于能量守恒原理,表示下墊面所有吸收與釋放能量的總和,其計算方法如式(2)所示:

Rn=λET+H+G+AD+PH+M

(2)

式中,Rn為凈輻射(W·m-2);λET為潛熱通量(W·m-2);λ為汽化潛熱(J·kg-1);ET為蒸發蒸騰量(mm);H為顯熱通量(W·m-2);G為土壤熱通量(W·m-2);AD為能量水平交換量(W·m-2);PH為光合作用能量轉換(W·m-2);M為植物代謝引起的能量轉換以及植物內部與冠層空間的熱量儲存(W·m-2)。

如果下墊面均一且面積較大時,各氣象因素的鉛直梯度遠大于水平梯度,因此,平流作用產生的能量水平交換量AD可忽略不計。而PH和M之和通常比測量主成分時產生的實際誤差還小,一般情況下也可忽略,故式(2)可簡化為:

Rn=λET+H+G

(3)

1.5 雙作物系數法

雙作物系數法僅需要常規氣象要素,因其方法簡單而被廣泛應用于計算1 d或更長時段的蒸散量[22],其計算公式如下:

(4)

Ks為土壤水分脅迫系數,采用FAO-56推薦的計算公式如下:

(5)

TAW=10γZr(θfc-θwp)

(6)

Dr=10γZr(θfc-θ)

(7)

RAW=pTAW

(8)

式中,TAW為作物主要根系層總的土壤有效儲水量(mm);RAW為易被作物根系利用的根區土壤儲水量(mm);Dr為計算時段作物根區土壤水分的平均虧缺量(mm),當計算時段較短時,可用時段初的土壤水分虧缺量來代替;γ為土壤體積密度(g·cm-3);Zr為作物根系主要活動層深度(cm);θ為時段初作物根系層平均土壤含水率(m3·m-3);θfc和θwp分別為根區田間持水量(m3·m-3)和根區凋萎含水量(m3·m-3);p為根區中易被作物根吸收的土壤儲水量與總的有效土壤儲水量的比值,一般介于0～1.0。

Ke為表層土壤蒸發系數,本文采用FAO-56推薦的計算公式如下:

Ke=Kr(Kcmax-Kcb)≤fewKcmax

(9)

式中,Kcmax為降雨或灌溉后作物系數的最大值;Kr為由累積蒸發水深決定的土壤蒸發衰減系數,當土壤表面較為濕潤(降雨1～2 d)時,Kr取值為1;降雨后3～5 d,地表濕潤度降低,Kr取值為 0.7;降雨后6～8 d,地表水分持續減少,Kr取值為 0.2;當地表用以蒸發的水分完全耗盡時,Kr取值為 0;few為發生棵間蒸發的土壤占全部土壤的比例。

Kcb為基礎作物系數,計算公式如下:

(10)

式中,ET為實際作物蒸發蒸騰量(mm),本文實測值由波文比系統提供;Ks和Ke分別利用公式(5)、(9)求出。

1.6 植被指數計算

本文初步選用4種常用的植被指數進行計算(表1),其中NDVI可以檢測植被生長狀態、植被覆蓋度和消除部分輻射誤差;SAVI增加了土壤調節系數,可降低NDVI對土壤背景的敏感;RVI是綠色植被的靈敏指示參數,對高覆蓋植被區域更為敏感,與生物量的相關性最好;DVI對土壤背景的變化極為敏感。

1.7 模型檢驗方法

選擇均方根誤差(RMSE)和模型性能指數(EF)[27]評價模型模擬值與實測值之間的驗證效果。本文隨機選取樣區50%的樣本數據(30組)作為建模集,基于線性回歸方法構建Kcb的估算模型;利用剩余50%的樣本數據(30組)作為驗證集,評價Kcb估算模型。

(11)

(12)

式中,RMSE為均方根誤差(mm);EF為模型性能指數;Pi為預測值;Oi為真實值;O為真實值的平均值;n為數據樣本數量。RMSE越小,表明模型偏差越小;EF越接近1,表明吻合度越高。

2 結果與分析

2.1 葡萄作物系數與植被指數

葡萄全生育期基礎作物系數Kcb、土壤蒸發系數Ke、水分脅迫系數Ks和作物系數Kc的逐日變化曲線如圖2所示。由圖2可以看出,Kcb隨著生育期呈現先上升后下降趨勢,生育初期、中期、后期分別約為0.13、0.76、0.33。FAO-56中3個生育時期不同階段的推薦值分別為0.15、0.80和0.40。與推薦值相比,實際值偏低,這可能是地區氣候、品種及耕作措施不同造成的差異[28-29]。

表1 植被指數計算公式

Ke在生育期初期基本維持在一個較高值;隨著葡萄的生長發育,冠層覆蓋度逐漸增加,導致Ke逐漸減小;而生育后期由于葡萄保產必要的修枝及葉片逐漸老化凋零,土壤蒸發也逐漸增大。此外生育初期Ke波動較大的原因可能是降雨導致土壤含水率發生了變化。Kc為Kcb與Ke之和,生育前期和后期的Kcb值較小,所以Kc變化趨勢同Ke幾乎一致,而生育中期Kcb對Kc值的影響則較大。Kc在生育初期逐漸增大,生育中期保持相對穩定的較大值,生育后期逐漸減小,此變化規律與FAO-56中的描述基本相符。葡萄整個生育期未產生水分脅迫,故其水分脅迫系數Ks=1保持不變。

葡萄生育期內,4種植被指數(NDVI、SAVI、RVI和DVI)隨生育天數的變化如圖3所示。由圖3可知,4種植被指數均隨生育期推進先緩慢增大,而后逐漸呈降低趨勢,符合葡萄生長規律。生育前期到生育中期,葡萄冠層覆蓋度增加,作物蒸騰作用加強,消耗更多的土壤水分,而土壤蒸發減小,植被指數均增大;生育中期到生育后期,隨著葡萄葉片逐漸枯萎,冠層覆蓋度降低,土壤蒸發量增加,植被指數均降低。其中,生育中后期開始,RVI有較大的下降趨勢,這是因為RVI對作物的覆蓋度變化比較敏感,適用于監測高覆蓋度植物冠層的動態變化[30]。

圖2 葡萄生育期作物系數變化曲線

圖3 葡萄生育期植被指數變化曲線

2.2 葡萄基礎作物系數與植被指數關系模型

本研究選取相關性較高的4種植被指數(NDVI、SAVI、RVI、DVI)來建立植被指數與葡萄基礎作物系數之間的一元線性回歸模型、多項式回歸模型及多元線性回歸模型。把葡萄整個生育階段分為生育前期和生育后期兩個階段,即萌芽開花期(無葡萄果實)為生育前期,果實膨大及著色成熟期為生育后期,對兩個時間段分別建立植被指數與葡萄基礎作物系數Kcb的關系模型。

生育前期、后期葡萄植被指數與基礎作物系數Kcb的關系如表2所示。由表2可知,在生育前期和后期4種植被指數與葡萄基礎作物系數Kcb的決定系數較高(R2>0.60),基本上能滿足擬合精度要求(P<0.01)。這是因為植被指數能夠反映植被的覆蓋情況及生長活力,在一定條件下能定量說明植被的生長狀況;而基礎作物系數用來描述作物蒸騰,不考慮土壤蒸發,與作物的生長情況相關,所以兩者有較強的相關性。其中生育前期和后期Kcb與NDVI決定系數分別為0.82和0.71、與SAVI決定系數分別為0.75和0.74、與RVI決定系數分別為0.80和0.75、與DVI決定系數分別為0.65和0.75。對比得知,NDVI和RVI與不同生育階段的Kcb均有較高而且穩定的相關性。這可能是因為NDVI和RVI能充分反映植被在近紅外波段和紅光波段反射率的差異,還可增強植被與土壤背景之間的輻射差異,是植被長勢和豐度估算的主要手段;兩種波段可能對冠層蒸騰有較強的敏感性,因此在葡萄不同生育階段都可以很好反映作物蒸騰能力[31]。

與單項式模型相比,采用多項式回歸建立的植被指數與葡萄基礎作物系數Kcb的模型擬合精度都有所提高,但效果不顯著,這可能是因為單項式植被指數反演葡萄作物系數模型本身就具有較高擬合精度,但單一變量考慮因素有限,無法全面表征不同因素對作物系數的影響程度。

全生育階段4種植被指數與葡萄基礎作物系數Kcb的一元線性回歸模型及多項式回歸模型如圖4所示。由圖4a～d可以看出,4種植被指數擬合Kcb效果較好(R2>0.65),說明用植被指數擬合葡萄作物系數具有一定可行性。Kcb在生育前期逐漸增加,生育中期達到最大值,生育后期逐漸降低;植被指數的變化規律與其基本一致。由于Kcb在葡萄生育過程中存在先上升后下降兩個階段,因此可能出現相同Kcb值對應多個植被指數值的現象。這種現象較易出現在生育中期,即Kcb值較大時。

由圖4e～h可知,與生育前期、后期變化規律一致,全生育階段葡萄4種植被指數與基礎作物系數Kcb的多項式回歸模型精度也均比一元線性回歸模型精度有所提高。而全生育階段Kcb模型精度較生育前期及生育后期有所降低,這是因為不同生育階段植物生長情況不同,用同一關系式進行擬合,便會出現精度不高的問題。圖4數據主要集中在3部分,主要是因為FAO-56列出了葡萄生育初期、生育中期、生育后期的基礎作物系數典型值,而基礎作物系數在生育過程的變化通過線性插值獲得。本研究的Kcb值僅在FAO-56基礎上對氣象影響進行了修正,與典型值的差距不大,未經線性插值,所以存在分布不均衡的情況。

表2 生育前期和后期葡萄植被指數與基礎作物系數Kcb的關系

注:圖a～d為一元線性回歸模型擬合結果,圖e～h為多項式回歸模型擬合結果。

生育前期、生育后期及全生育階段4種葡萄植被指數與基礎作物系數Kcb的多元線性回歸模型如表3所示。由表3可知,生育前期及生育后期Kcb-VIs多元線性回歸模型精度分別為0.86和0.78,全生育期階段Kcb-VIs精度較好(R2=0.71)。生育前期、后期及全生育階段Kcb-VIs多元線性回歸模型精度均高于一元線性回歸模型及多項式回歸模型,這主要是因為多元線性回歸模型不再只考慮單一植被指數對Kcb的影響,而是引入了多種植被指數綜合考慮,提高了自變量與多個因變量的相關性[30]。

2.3 蒸散量估算精度驗證

生育期內利用波文比系統自動監測的葡萄實際日蒸散量及其與FAO-56雙作物系數法估算的蒸散量對比如圖5所示。由圖5a可知,整個生育期內,葡萄實際蒸散量呈現先增大后減小的變化趨勢,生育前期和后期波動較小,生育中期變幅增大,其波峰出現在降水偏少、陽光充足、氣溫較高的6月份,此時葡萄生長最為茂盛,處于果實膨大期,波谷則出現在降雨最為集中的7月份。葡萄實際蒸散量的變化范圍為0.10～6.39 mm·d-1,根據波文比法計算出的全生育期葡萄實際蒸散量為319.88 mm。由圖5b可知,將FAO-56推薦的雙作物系數法估算得到的葡萄實際蒸散量與波文比系統實測值進行對比,精度較好(n=118,EF=0.58)。雙作物系數法估算值普遍偏高,這是因為作物系數受氣候條件、土壤、作物栽培管理方式和作物生長狀況等諸多因素影響,其估算精度不盡相同,存在一定的局限性[32]。

表3 不同生育時期4 種葡萄植被指數與基礎作物系數Kcb的多元線性回歸模型

圖5 生育期內波文比葡萄實際蒸散量及FAO-56 雙作物系數法估算值與波文比實測值對比

利用表2得到不同植被指數與Kcb的一元線性表達式后計算不同生育期葡萄實際蒸散量,結果如圖6所示。不同生育階段利用植被指數與Kcb一元線性建模估算葡萄實際蒸散量效果均較好,驗證精度大多在0.65以上,效果均優于FAO-56雙作物系數法(EF=0.58,RMSE=1.14 mm)。

在生育初期,SAVI和DVI散點基本上對稱分布且集中在1∶1線附近,驗證效果較好(EF>0.75);而NDVI和RVI散點基本上也對稱分布且集中在1∶1線附近(圖6a～d)。在生育后期,4種植被指數驗證效果較為穩定(EF=0.64～0.73),實測值均略高于預測值,并且當同一生育階段蒸散量增大時,反演效果有所下降(圖6e～h)。在全生育階段,4種植被指數驗證蒸散量的差異不大,RMSE基本上在0.13 mm左右(圖6i～l)。綜合3個生育階段結果可知,基于植被指數通過一元線性回歸模型反演葡萄基礎作物系數,從而估算不同生育時期葡萄蒸散量,各植被指數表現為:DVI>SAVI>RAVI>NDVI。

利用表2建立不同植被指數與Kcb的多項回歸關系式,計算得到生育前期、后期及全生育階段葡萄實際蒸散量估算值如圖7所示。多項式回歸模型與一元線性回歸模型相比,兩者驗證效果差別不大。在生育后期,多項式回歸模型下4種植被指數的驗證精度基本都有小幅提高,而生育前期和全生育階段選取一元線性回歸模型驗證精度最好,說明采用多項式并不能完全提高驗證效果。可能是因為單項式本身已經達到很高的驗證精度,且采用多項式無法解決同一生育階段蒸散量增大時驗證精度下降的問題,甚至還有進一步增大誤差的趨勢。

利用表3多元線性回歸建模后,計算得到的生育前期、后期及全生育階段葡萄實際蒸散量估算值如表4所示。生育前期(EF=0.75)、后期驗證精度(EF=0.80)高于全生育階段驗證精度(EF=0.73),這可能是由于生育期內無人機飛行次數有限,且葡萄不同生育階段生長規律變化較大,很難獲取可以代表全生育階段的擬合關系式。與一元線性回歸和多項式回歸模型相比,各生育階段多元線性回歸模型的驗證精度并未顯著提高,這可能是因為多元線性回歸模型引入了多種植被指數特征參數,模型復雜度較高[30],無法很好地擬合非線性數據;同時本研究選取的4種植被指數可能適用性不強或它們之間共線性較強[33],對模擬造成了一定影響。

3 結 論

1)一元線性回歸和多項式回歸建模條件下,在葡萄生育前期,NDVI、RVI與Kcb模型擬合精度優于DVI、SAVI,擬合效果最佳;在生育后期及全生育階段,4種植被指數與Kcb模型擬合精度之間差異不大。多元線性回歸建模條件下,生育前期擬合效果最好(R2=0.86),其次是生育后期(R2=0.78)和全生育階段(R2=0.71)。

注:圖a～d為葡萄生育初期驗證結果,圖e～h為生育后期驗證結果,圖i～l為全生育階段驗證結果。下同。

2)不同反演模型對葡萄實際蒸散量的估算精度不同。在生育前期,利用DVI與Kcb建立的多項式回歸模型的驗證精度最高(EF=0.79);在生育后期,多元線回歸模型驗證精度最高(EF=0.80);在全生育階段,利用DVI與Kcb建立的一元線性回歸模型的驗證精度最高(EF=0.73)。

圖7 生育前期、后期及全生育階段多項式回歸模型估算精度驗證

表4 生育前期、后期及全生育階段多元線性回歸模型估算精度驗證

3)根據葡萄生長特性,分生育階段選擇合適的植被指數及建模方法反演Kcb值可較FAO-56雙作物系數法的Kcb推薦值對蒸散量的估算精度提高6%以上。