河套灌區玉米和向日葵ET的S-I估算模型關鍵參數分析

蔡甲冰，張寶忠，魏 征，黃凌旭，陳 鶴，彭致功

?

河套灌區玉米和向日葵ET的S-I估算模型關鍵參數分析

蔡甲冰1,2，張寶忠1,2，魏 征1,2，黃凌旭3，陳 鶴1,2，彭致功1,2

（1. 中國水利水電科學研究院流域水循環模擬與調控國家重點實驗室，北京 100038； 2. 國家節水灌溉北京工程技術研究中心，北京 100048；3. 中國電建北京勘測設計研究院，北京 100024）

農田作物蒸散的快速評估對于灌區水資源最優調配和灌溉實時管理至關重要。簡化S-I模型綜合考慮作物冠層溫度、田間氣象參數和作物特征參數，可以進行實時農田作物ET的精確估算。該文利用河套灌區解放閘灌域2015—2016年2 a田間試驗觀測資料，對主要農作物玉米和向日葵的S-I模型中2個特征參數分別進行了率定和驗證，并分析了模型蒸散估算的相關影響因素。結果表明：1）利用S-I簡化模型可以對玉米和向日葵田間進行作物日蒸散量（daily evapotranspiration, ETd）的估算，在該地區以13:00時率定和驗證結果最優。在玉米主要生育期（6—8月），利用S-I模型估算ETd可以達到較高的精度；而在7—8月，采用模型估算向日葵地ETd也可以達到很高的精度；2）S-I模型中特征參數值受風速、地表覆蓋度、表面粗糙度等因素的影響，不同作物其值不同。13:00時玉米S-I模型中特征參數值皆為負值，而向日葵中特征參數值為1正1負，進而影響模型估算精度。葉面積指數變化對特征參數值大小的影響在玉米和向日葵田塊呈相反的趨勢，而風速的影響則為一致。推薦13:00時率定的參數值可以在河套灌區玉米和向日葵作物需水量估算時直接應用。

蒸散；風速；溫度；玉米；向日葵；S-I模型；河套灌區

0 引 言

農田作物蒸散量（evapotranspiration, ET）的準確估算，對灌區水資源規劃和灌溉用水管理至關重要。在經濟形勢變化和土地流轉的背景下，中國的農業灌溉逐步從單一、分片小塊農田轉向連片、大農場，對灌區農田灌溉管理也提出了更加實時、精量、準確的要求。作物冠層溫度是一個很好的干旱監測和灌溉決策指標，有堅實的理論基礎和廣闊的應用前景，從20世紀六七十年代已經開展了大量的研究[1-5]。常用的作物模型往往用氣溫來表達熱脅迫對作物減產的影響，實際上田間監測結果顯示，冠層溫度比用空氣溫度能夠更好地表征他們的相關關系[6-7]。農田表面溫度是由作物長勢和外界的輻射、土壤水分狀況等因素共同作用確定的，土壤墑情和作物冠層溫度是緊密結合在一起的，因此利用遙感的冠層溫度數據可進行區域上作物的水分脅迫和干旱監測[8-9]。基于紅外溫度的性質和觀測手段，在農田灌溉管理中，作物冠層溫度能夠成為一個良好的尺度聯結和尺度轉換的指標。

根據能量平衡原理，可以利用作物冠層紅外溫度（T）與空氣溫度（T）差值（T-T）指示農田作物干旱情況，并進行灌溉決策與管理。實際上，已有很多模型利用作物冠層溫度或者表面溫度估算ET，如Norman等[10]提出的雙源能量平衡模型，采用了考慮土壤表面和稀疏植被的輻射表面溫度；Qiu等[11-13]構建了三溫模型并在點尺度進行了驗證；Jackson等[3]提出了基于冠氣溫差估算ET的公式；在此基礎上，Seguin等[14]對其進行改進，簡化為S-I模型，從而使其應用更加簡便，歷年來在不同地區進行了率定和驗證[15-18]。S-I模型中的特征參數、與作物有關，因而其數值的確定是模型應用的關鍵因素。黃凌旭等[19]曾根據2015年內蒙古河套灌區玉米和葵花田間試驗觀測，對S-I模型中特征參數、進行了簡單的率定。然而，模型的特征參數在本地區是否適宜，不止是需要年度試驗數據率定，更需要對其進行檢驗和驗證，分析其影響因素，從而得到普適性數據以推廣應用。

本文以內蒙古河套灌區解放閘灌域2015—2016年的田間試驗觀測數據為例，利用定點連續觀測系統獲取了試驗區域玉米和向日葵作物冠層溫度及田間作物生長環境因子數據，對S-I模型分別進行了參數率定和驗證；在此基礎上對比分析了模型估算ET在不同作物上的差異，并分析了相關影響因素，為進一步的灌區干旱監測研究和區域灌溉管理提供依據。

1 材料與方法

1.1 研究區域

相關研究在河套灌區解放閘灌域（106°43￠～107°27￠E，40°34￠～41°14￠N）展開。解放閘灌域位于內蒙古自治區河套灌區西部，南臨黃河，北靠陰山，西與烏蘭布和沙漠接壤，東與永濟灌域毗鄰。解放閘灌域是河套灌區第二大灌域，總土地面積約為2 157 km2，其中60%以上為耕地。灌域地處干旱半干旱內陸地區，屬中溫帶高原、大陸性氣候特征。日照時間長，年蒸發量大，年平均降水量151.3 mm，年內平均氣溫9 ℃。土壤類型為灌淤土，土質以粉砂壤土為主，有機質含量較低，含鹽量較高，地下水位埋深較淺。田間觀測試驗點位于內蒙古自治區河套灌區解放閘灌域沙壕渠試驗站，地處107°8￠162E，40°55￠82N，海拔高程1 036 m。

研究區內農作物以玉米和向日葵為主，另有一定比例的小麥、瓜果和蔬菜等。根據巴彥淖爾市統計年鑒[20]和遙感反演數據[21]，試驗區內玉米和向日葵種植比例近些年達到了60%以上。本文以玉米和向日葵的作物蒸散量估算開展相關研究，田間試驗觀測和數據采集在2015—2016年度作物主要生育期內（6—8月）進行。

1.2 作物日蒸散量估算模型

1.2.1 基于冠氣溫差估算作物ET的S-I模型

作物日蒸散量與日凈輻射和冠氣溫差有著密切的關系。Seguin和Itier（1983）提出如下計算模型（以下簡稱S-I模型）[14]：

ETd-Rnd=+(T–T) （1）

式中ETd為作物日蒸散量，mm/d；Rnd為日凈輻射，mm/d；T和T分別為接近中午時刻的瞬時冠層溫度和空氣溫度，℃。參數和為與作物有關的經驗系數，需要根據作物和當地的條件進行率定和驗證。S-I模型中Rnd可根據太陽輻射（R）計算得到，其中R、T和T可由CTMS-On line農田多參數觀測系統實時監測[22]。

1.2.2 基于單作物系數法的作物ET估算方法

采用單作物系數法計算ETd，計算公式如下[23]：

ETd=KKET0（2）

式中K為作物系數；K為水分脅迫系數；ET0為參照作物蒸散量，mm/d，計算公式如下[23]：

式中為土壤熱通量，MJ/(m2·d)；為平均氣溫，℃；2為2 m高處的平均風速，m/s；e為飽和水汽壓，kPa；e為實際水汽壓，kPa；Δ為水汽壓曲線斜率，kPa/℃；為濕度計常數，kPa/℃。水分脅迫系數K反映土壤水分脅迫對作物蒸騰的影響；D為作物根區水分損耗量，mm；TAW為根區總水量，mm；RAW為根區可利用水量，mm。當DK=1。值與作物種類和大氣蒸發能力有關；0為當ETd≈5 mm/d時的值，玉米和向日葵分別為0.55和0.45。K的數值大小確定方法及上述各參數的計算方法和參考值，詳見參考文獻FAO-56[23]。閆浩芳[24]通過內蒙古河套灌區解放閘灌域2003—2006年實測的微氣象資料，基于波文比能量平衡法，計算得到春小麥、玉米和向日葵不同生育期的作物系數。本文玉米和向日葵各生育期K值參照上述的試驗結果，各生長階段的天數和K值等總結表格詳見文獻[25]。

1.3 地面數據觀測

1.3.1 農田多參數監測系統

根據當地作物類型和田塊尺度，分別選取玉米和向日葵典型田塊，將2套CTMS-On line型農田多參數觀測系統分別布置在玉米田塊和向日葵田塊的種植區域中間（見圖1）。該系統主要有太陽能電池板、旋轉云臺、高精度紅外冠層溫度傳感器、氣象因子傳感器、數據采集器等組成，利用太陽能供電能夠在野外長期監測作物冠層溫度及氣象參數變化，可實現對試驗點地面數據連續觀測和數據采集[22]。本系統數據采集時間間隔為0.5 h，監測主要同步參數包括：太陽輻射，光合有效輻射，空氣溫度、相對濕度，風速，大氣壓；作物冠層紅外溫度；作物根區土壤水分、溫度（10、20、40 cm）等。

a. 2015玉米田塊a. Maize field in 2015b. 2015向日葵田塊b. Sunflower field in 2015c. 2016年玉米+向日葵田塊1c. Maize &sunflower field 1 in 2016d. 2016年向日葵田塊2d. Sunflower field 2 in 2016

1.3.2 田間試驗觀測項目

1）土壤墑情：除了農田多參數觀測系統所帶有的墑情傳感器實時采集作物根區土壤水分，在玉米田塊和向日葵田塊均勻布設8個位置取土樣，取樣深度分別為10、20、40、60、80和100 cm；每5～7 d監測1次，灌溉前后及降雨后加測。采用烘干法監測土壤含水率，其結果同時也可用于對實時土壤水分傳感器的標定。試驗期內2015—2016年玉米和向日葵田塊土壤水分變化情況見圖2，當地灌水較多、田間土壤水分含量較高。由此可以計算土壤水分脅迫系數K，從而利用單作物系數法計算ETd。

注：Fc為田間持水量，Wp為凋萎點，Dr為為作物根區水分損耗量，RAW為根區可利用水量。

2）地下水位：在玉米田塊和向日葵田塊中心位置設有地下水位觀測井，每2～3 d用卷尺直接測量每塊田塊的地下水位埋深。

3）灌水日期及灌水深度：玉米田塊和向日葵田塊通過渠道引水進行灌溉，利用梯形堰控制和量測田塊的灌水量，每5 min記錄1次梯形堰斷面水位。玉米田塊和向日葵田塊的灌水日期和灌水量見表1。

表1 2015—2016年玉米和向日葵田塊灌水日期與灌水量

4）作物生長指標觀測：①株高和葉面積：在玉米田塊和向日葵田塊分別選取具有代表性的植株3株，掛牌標記。用卷尺直接測量地面以上玉米和向日葵植株的高度及植株葉片的長和寬，每5～7 d測量1次。②生物量：在玉米田塊和向日葵田塊分別選取具有代表性的植株3株，測量其濕質量，放入烘箱中殺青并烘干至恒質量，每15 d測量1次。

1.4 統計參數

為了對模擬數據和觀測數據進行評價，本文選取決定系數2、均方根誤差（root mean square of error，RMSE）、一致性系數來檢驗模型的模擬效果。的值是在0到1之間，其中的值越接近于1，說明模型預測的精度越高[26]。

2 結果與分析

2.1 基于2 a試驗數據的S-I模型參數率定

2.1.1 基于2016年玉米和向日葵數據進行參數率定

利用2016年連續監測的田間實測數據，采用式（1）分別計算玉米、向日葵的日蒸散量（ETd）；由太陽輻射（R）數據計算得到日凈輻射（Rnd）。計算玉米、向日葵生育期10:00—16:00的（T–T）值，分別與（ETd-Rnd）做線性回歸分析推求對應時刻S-I模型中的參數、值。2016年布置在向日葵田塊1的儀器數據采集時間為6—8月，共92 d的數據，而布置在向日葵田塊2的儀器由于出現故障，導致數據缺失，數據的采集時間為7—8月，共62 d的數據。表2總結了玉米和向日葵田塊2在日內10:00—16:00模型的2和參數、率定值，玉米和向日葵在典型時刻10:00、13:00和16:00二者之間線性回歸分析如圖3所示。表2可見，2016年玉米生育期內的（T–T）與（ETd–Rnd）兩者在10:00—16:00時刻2的變化范圍為0.65～0.68，說明兩者之間具有較好的線性關系。隨著時刻的變化，在13:00時2最大為0.68。向日葵也是同樣的變化趨勢，2的變化范圍為0.63～0.75，在13:00時最大為0.75，在12:00和1300時2的值相差較小。因此，13:00時（T–T）與（ETd–Rnd）兩者之間的線性關系最好，模型中參數和采用13:00時刻對應的回歸方程系數，可得到作物日蒸散量估算模型。通過對比發現，此時玉米和向日葵對應的模型參數、分別為–0.251、–0.209和0.316、–0.550，二者存在差別。從圖3看，同一時刻向日葵的（T–T）與（ETd–Rnd）之間2值要高于玉米，關系較好。而實際上因觀測儀器問題，向日葵生育初期的6月份缺少數據，只有7、8月62 d的樣本。玉米冠氣溫差較大值也是發生在植株葉面積較小的生育初期的6月，導致2稍低?？梢娮魑锷诓煌?，植被覆蓋度的大小在很大程度影響了二者之間的線性關系。

2.1.2 以2015年玉米和向日葵數據進行參數率定

與2016年數據處理類似，在玉米和向日葵3個月主要生育期內，10:00—16:00各時刻的（T–T）與（ETd–Rnd）進行線性回歸分析，限于篇幅圖片略（詳細內容可見文獻[25]），相關統計參數見表2。2015年2種作物都有6—8月的完整數據92個樣本。結果與2016年數據類似，13:00時（T–T）與（ETd–Rnd）兩者之間的線性相關性最好，玉米2為0.689，向日葵為0.884。玉米和向日葵S-I模型中率定參數和，在13:00時分別為–0.738、–0.124，和0.655、–0.358。

表2 利用不同年玉米和向日葵觀測數據標定的不同時刻S-I模型參數a、b

注：2016年玉米樣本數92、向日葵田2樣本數62； 2015年玉米和向日葵樣本數分別為92。所有模型值均小于0.05。下同。

Note: Sample number in maize is 92 and that in sunflower field 2 is 62 in 2016. Sample numbers in maize and sunflower field in 2015 are 92, respectively.value of all models are smaller than 0.05. Same as below.

圖3 2016年典型時刻玉米和向日葵田塊2冠層溫度和空氣溫度差（Tc–Ta）與日蒸散量和日凈輻射差（ETd–Rnd）的關系

2.2 S-I模型參數驗證

2.2.1 采用2015年試驗數據驗證基于2016年數據率定的S-I參數

據2016年模型率定參數，結合2015年田間數據（冠氣溫差和凈輻射），用式（1）估算作物ET（稱為模型計算ETd），據式（2）計算得到作物蒸散量稱為實測ETd。因2016年率定參數是向日葵田塊2的7、8月數據，因此僅計算了2015年對應時間段向日葵的ETd值，共62 d數據。圖4展示了2015年玉米、向日葵主要生育期內10:00—16:00 ETd模型計算值和實測值擬合關系。二者擬合度在玉米地很高，數據分布在1∶1線兩邊，10:00—16:002在0.81以上，13:002最高，16:00時次之。ETd模型計算和實測值的RMSE和的變化范圍分別為0.53～0.67 mm/d和0.92～0.94，RMSE值小于1 mm/d，而值>0.92接近1，說明S-I模型能夠較準確地估算玉米日蒸散量。

與玉米相比，向日葵地ETd模型計算值和實測值的擬合度稍弱。從圖4可知，二者擬合散點大多數位于1∶1線下部，說明模型估值與實測值相比偏小。ETd模型計算值和實測值之間的2為0.59～0.82，13:00和16:00的2在0.81以上。向日葵ETd模型計算值和實測值擬合效果在13:00時最好，2（約0.82）和值（約0.81）最大，RMSE值最?。s1.07 mm/d）。

注：玉米樣本數92、向日葵樣本數62。

2.2.2 采用2016年試驗數據驗證基于2015年數據率定的S-I參數

根據表2中給出的2015年10:00—16:00率定參數和的值，利用S-I模型分別估算2016年玉米地、向日葵田塊1和田塊2的ETd。表3總結了模型計算ETd和實測ETd的統計分析結果?？梢?，玉米田2和分別在0.788～0.857、0.932～0.946之間，RMSE的值小于0.75 mm/d；各時段中以13:00擬合結果最優，說明S-I模型能夠較準確地估算玉米地日蒸散量。向日葵田塊2估算模型的2值都在0.89以上，但要小于玉米地計算結果，13:00時估算結果最優。向日葵地1估算效果稍差，模型計算ETd和實測ETd兩者的擬合效果在13:00時最好，2和的值最大（2=0.868和=0.833），RMSE的值最小（1.353 mm/d）。然而與2015年不同的是，向日葵田塊二者擬合散點大多數位于1∶1線上部[25]，說明模型估值與實測值相比偏大。后面將做進一步分析。

表3 2016年ETd的S-I模型計算值（基于2015年率定參數）和實測值比較

注：玉米地樣本數為92，向日葵田塊1樣本數為92；向日葵田塊2樣本數為62。值是檢驗結果。

Note: Sample number in maize is 92 and sample number in sunflower 1 is 92；Sample number in sunflower 2 is 62.value is based ontest.

2.3 生育期內ET估算精度對比

從以上2015—2016年分別參數率定和驗證的結果可見，本地區日內13:00時S-I模型估算作物蒸散的統計參數最優。為了進一步探究S-I模型的實用性和不同作物的特征參數、值，分別將2015—2016年率定參數代入式（1），用S-I模型對2016和2015年13:00時玉米、向日葵田蒸散進行估算，并與實測ETd進行對比分析其生育期變化過程，見圖5。

圖5 2015—2016年13:00時模型計算ETd與實測ETd和變化過程

由圖5可知，玉米地2 a中模型估算ETd與實測ETd變化趨勢具有較好的一致性，二者數值很接近（圖5a、5c），因而其RMSE和的值優良。向日葵在5月底6月初播種，此時植被覆蓋小、裸地多，因而向日葵田塊1此時實測ETd與模型估算ETd相差較大（圖5d），因此其總體統計參數相對差一些。2016年8月初，2個向日葵田塊利用S-I模型估算的ETd要高于實測值，此時又出現二者差值較大的時段；總體看，向日葵田塊模型估算值偏高（圖5d、5e）。而2015年情況卻相反，利用S-I模型估算的ETd普遍低于實測值（圖5b）。橫向對比2種作物ET估算值，可見2015年玉米模型計算ETd高估而向日葵低估，2016年玉米低估而向日葵高估。這種差異性進一步說明了S-I模型參數在不同作物田塊使用時，數值是作物特征參數，必須進行率定和驗證。

2.4 玉米和向日葵田塊S-I模型特征參數

從表2中S-I模型作物特征參數率定結果看，2 a中玉米和向日葵在13:00時、值大致處在日內各時刻變幅的中間值；玉米、值皆為負值，而向日葵為正數、為負數。2種作物值的正負性不一樣，也許這是玉米和向日葵同一年份模型低估和高估（圖5）正好相反的原因。同時可見，值大小影響了模型估值的精度：玉米2015年的率定值較小，因而其2016年驗證值就偏低；2016年的率定值稍大，其2015年驗證值就偏大。向日葵2 a的值2 a變化與玉米相反，因而模型計算值變化規律也相反。

Seguin等[14]指出風速較小時，模型中參數的值也較小。Carlson等[27-28]指出S-I模型中的參數受風速和植被覆蓋度的影響較大。因此，風速的大小也可能會影響模型估算ETd的精度。為了進一步分析模型計算ETd差異性的成因，這里列出來了2015年和2016年3個月主要生育期內玉米和向日葵葉面積指數變化、田間風速變化情況，見圖6。在6月份，玉米處于快速生長期而向日葵處于生育初期，向日葵的葉面積指數的值遠小于玉米；隨后向日葵的葉面積指數迅速增加，其數值在7月中旬即大于了玉米田塊，然后在生育后期2種作物的LAI都變小。2 a內作物生育期內玉米和向日葵LAI變化趨勢一致，二者數值相差不大（圖6a、6b）。從田塊風速來看，2016年風速稍大，并且常出現較大的陣風。6月份作物較小時風速也比較大，隨著作物快速生長，田間風速降低（圖6c）。

圖6 2015—2016年玉米和向日葵葉面積指數（LAI）和風速變化

結合圖6和表2結果可知，生育期整體上2016年玉米LAI值要大于2015年的值，其2016年的率定值（-0.209）小于2015年的（-0.124）。向日葵2016年是以田塊2的觀測作為率定數據的，其LAI小于2015年的值，而其2016年的率定值（-0.550）小于2015年的（-0.358），與玉米相反。從2 a風速的變化圖中可知2016年風速稍大且有陣風，但玉米和向日葵2016年的率定值都小于2015年的，可見風速對玉米和向日葵的值大小影響一致，即風速大而值變小。

從圖4和表3驗證結果的統計參數來看，玉米2 a驗證數據統計參數相差不大，以2016年率定參數用2015年實測數據驗證的結果要更優一些，R和值較高，RMSE值在13:00僅為0.533 mm/d。而對于向日葵來說，以2015年率定參數用2016年實測數據驗證的效果更好，從只用7、8月2個月數據（2015向日葵和2016田塊2）進行驗證的結果對比可見，其2016年向日葵田塊2驗證結果R和值都在0.9以上，13:00時RMSE數值也可以下降到0.987 mm/d。因此可以表明S-I模型對于玉米應用效果很好，在向日葵快速發育期后地表覆蓋率增大時，效果較好。

另外，S-I模型中的參數受風速、土壤背景、表面粗糙度等因素的影響，會導致模型估算結果精度降低。同時S-I模型估算結果精度的提高，依賴于試驗數據測量的準確性；但是在實際測量中，可能出現天氣條件的突然變化，或者監測儀器自身的系統誤差，導致作物冠層溫度和農田氣象數據不準確，也會導致模型估算精度降低。玉米和向日葵S-I模型中的參數、的值相差較大，這可能與2種作物的下墊面條件有關。模型在不同地域應用時，需要對模型中的參數進行率定和驗證。

3 結 論

通過內蒙古河套灌區解放閘灌域2015—2016年連續的田間試驗觀測，分別對S-I模型特征參數在玉米和向日葵田間進行了率定和驗證對比分析，并對其影響因素和適用性進行了討論和評價，可得如下結論：

1）利用S-I簡化模型可以對玉米和向日葵田間進行作物ETd的估算，在本地區以13:00時率定和驗證結果最好。玉米作物生育期的6—8月，利用S-I模型對田塊估算ETd可以達到較高的精度；向日葵作物生育期的7、8月，模型估算ETd也可以達到很高的精度。

2）S-I模型中特征參數、值受風速、地表覆蓋度、表面粗糙度等因素的影響，不同作物其值不同；13:00時玉米、值皆為負值，而向日葵為正數、為負數，進而影響模型估算精度。玉米和向日葵田塊葉面積指數LAI對值大小的影響，呈相反的趨勢，而風速的影響則為一致。

3）該文所率定的S-I模型的參數可以在河套灌區玉米和向日葵作物需水量估算時直接應用，其中13:00時玉米的特征參數、分別為–0.251和–0.209，向日葵分別為0.655和–0.358。在其他地區應用時，可以將其作為參考值；為獲得最優結果，建議根據當地田間試驗數據對不同作物進行率定和驗證后再進行應用。

[1] Jackson R D, Idso S B, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1133－1138.

[2] Hiler E A, Howel T A, Lewis R B, et al. Irrigation timing by the stress day index method[J]. Transactions of the ASAE, 1974, 17 (3): 393－398.

[3] Jackson R D, Reginato R J, Idso S B. Wheat canopy temperature: A practical tool for evaluating water requirements[J]. Water Resources Research, 1977, 13(3): 651－656.

[4] Clawson K L, Jackson R D, Pinter P J. Evaluating plant water stress with canopy temperature differences[J]. Agronomy Journal, 1988, 88(6): 858－863.

[5] 楊文攀，李長春，楊浩，等. 基于無人機熱紅外與數碼影像的玉米冠層溫度監測[J]. 農業工程學報，2018，34(17)：68－75. Yang Wenpan, Li Changchun,Yang Hao, et al.Monitoring of canopy temperature of maize based on UAV thermal infrared imagery and digital imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(17): 68－75. (in Chinese with English abstract)

[6] Webber H, Ewert F, Kimball B A, et al．Simulating canopy temperature for modelling heat stress in cereals[J]. Environmental Modelling & Software, 2016, 77: 143－155.

[7] Webber H, Martreb P, Assengc S, et al．Canopy temperature for simulation of heat stress in irrigated wheat in a semi-arid environment: A multi-model comparison[J/OL]. Field Crops Research, 2015, http://dx.doi.org/10.1016/j.fcr.2015.10.009.

[8] “10000個科學難題”農業科學編委會. 10000個科學難題-農業科學卷[M]. 北京：科學出版社，2011. 9.

[9] Kustas W P, Norman J M. Advances in thermal infrared remote sensing for land surface modeling[J]. Agricultural and Forest Meteorology, 2009, 149: 2071－2081.

[10] Norman J M, Kustas W P, Humes K S. Source approach for estimating soil and vegetation energy fluxes in observations of directional radiometric surface temperature[J]. Agricultural and Forest Meteorology, 1995, 77: 263－293.

[11] Qiu G Y, Ben-Asher J, Yano T, et al. Estimation of soil evaporation using the differential temperature method[J]. Soil Science Society of America Journal, 1999, 63: 1608－1614.

[12] Qiu G Y, Momii K, Yano T. Estimation of plant transpiration by imitation leaf temperature. I. Theoretical consideration and field verification[J]. Transactions of the Japanese Society of Irrigation, Drainage and Reclamation Engineering, 1996, 64: 401－410.

[13] Qiu G Y, Yano T, Momii K. An improved methodology to measure evaporation from bare soil based on comparison of surface temperature with a dry soil surface[J]. Journal of Hydrology, 1998, 210: 93－105.

[14] Seguin B, Itier B. Using midday surface temperature to estimate daily evaporation from satellite thermal IR data[J]. International Journal of Remote Sensing, 1983, 4(2): 371－383.

[15] Lagouarde J P. Use of NOAA AVHRR data combined with an agrometeorological model for evaporation mapping[J]. International Journal of Remote Sensing, 1991, 12(9): 1853－1864.

[16] Dunkel Z, Szenyán, I G. Estimation of areal distribution of evapotranspiration using remotely sensed data during vegetation period in Hungary[J]. Advances in Space Research, 2000, 26(7): 1051－1054.

[17] 郭家選，李玉中，嚴昌榮，等. 華北平原冬小麥農田蒸散量[J]. 應用生態學報，2006，17(12)：2357－2362.Guo Jiaxuan, Li Yuzhong, Yan Changrong, et al. Evapotranspiration of winter wheat field in North China Plain [J]. Chinese Journal of Applied Ecology, 2006, 17(12): 2357－2362. (in Chinese with English abstract)

[18] 張建君. 農田日蒸散量估算方法研究[D]. 北京：中國農業科學院，2009.Zhang Jianjun. Estimation of Cropland Daily Evapotranspiration[D]. Beijing: Chinese Academy of Agricultural Science, 2009. (in Chinese with English abstract)

[19] 黃凌旭，蔡甲冰，白亮亮，等. 利用作物冠氣溫差估算農田蒸散量[J]. 中國農村水利水電，2016(8)：76－82. Huang Lingxu, Cai Jiabing, Bai Liangliang, et al. Estimation of cropland daily evapotranspiration [J]. China Rural Water and Hydropower, 2016(8):76－82 (in Chinese with English abstract)

[20] 巴彥淖爾統計局. 巴彥淖爾統計年鑒[M]. 北京：中國統計出版社，2000－2015.

[21] Bai L L, Cai J B, Liu Y, et al. Responses of field evapotranspiration to the changes of cropping pattern and groundwater level in large irrigation district of Yellow River basin[J]. Agricultural Water Management, 2017, 188: 1–11.

[22] 蔡甲冰，許迪，司南，等. 基于冠層溫度和土壤墑情的實時監測與灌溉決策系統[J]. 農業機械學報，2015，46(12)：133－139. Cai Jiabing, Xu Di, Si Nan, et al. Real-time monitoring system of crop canopy temperature and soil moisture for irrigation decision-making[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(12): 133－139. (in Chinese with English abstract)

[23] Allen R G, Pereira L S, Raes D, et al. Crop evapotranspiration: Guidelines for computing crop water requirements[M]// Irrigation and Drainage Paper 56. Rome, Italy: United Nations Food and Agriculture Organization, 1998.

[24] 閆浩芳. 內蒙古河套灌區不同作物騰發量及作物系數的研究[D]. 呼和浩特：內蒙古農業大學，2008. Yan Haofang. The Study of Crop Evapotranspiration and Crop Coefficient in Hetao Irrigation District of Inner Mongolia[D]. Huhhot: Inner Mongolia Agricultural University, 2008. (in Chinese with English abstract)

[25] 黃凌旭. 利用作物冠層溫度估算農田蒸散量[D]. 北京：中國水利水電科學研究院，2018. Huang Lingxu. Estimation of Evapotranspiration Using the Crop Canopy Temperature[D]. Beijing: China Institute of Water Resources and Hydropower Research, 2018. (in Chinese with English abstract)

[26] Willmott C J. Some comments on the evaluation of model performance[J]. Bulletin of American Meteorological Society, 1982, 63(11): 1309－1313.

[27] Carlson T N, Buffum M J. On estimating total daily evapotranspiration from remote surface temperature measurements[J]. Remote Sensing of Environment, 1989, 29(2): 197－207.

[28] Carlson T N, Capehart W J, Gillies R R. A new look at the simplified method for remote sensing of daily evapotranspiration[J]. Remote Sensing of Environment, 1995, 54(2): 161－167.

Key parameter analysis of ET estimating for maize and sunflower in Hetao Irrigation District based on S-I model

Cai Jiabing1,2, Zhang Baozhong1,2, Wei Zheng1,2, Huang Lingxu3, Chen He1,2, Peng Zhigong1,2

(1.100038,; 2100048,; 3.100024,)

It is very important to estimate field crop evapotranspiration rapidly when water resources distribution and irrigation management would be implemented well-off in irrigation district. The simplified S-I model takes into consideration of crop canopy temperature and field micro-meteorology factors and it has been widely used for evapotranspiration estimation. In this study, 2 key crop parameters in S-I model were calibrated for the use of Hetao Irrigation District situated along the Yellow River in Inner Mongolia, the second-largest irrigation project in China. Two-year field experiments were carried out in Jiefangzha irrigation area of Hetao Irrigation District in 2015—2016 in maize and sunflowers fields (the major crop in Hetao Irrigation District). Measurements and system tests were conducted in an experimental field located at the Shahaoqu Experimental Station in the middle of the Jiefangzha Irrigation Area (40°55￠82N, 107°8￠162E, 1 036 m elevation). Continuous field measurements were taken from mid-May to September in 2015 and 2016 when the maize and sunflowers were in their primary growing periods. The experimental sites were equipped with a Canopy Temperature and Meteorology Monitoring System (CTMS) mounted on a stainless steel stand column. The slope and intercept of the S-I model related the difference of canopy temperature and air temperature and the difference of daily evapotranspiration (ETd) and solar net radiation represented two characteristic parameters of model. The parameters were calibrated based on the 2 year experimental results and then validated by using the other year results, respectively. And the related influencing factors of the parameters were also analyzed. The results showed that: 1) The S-I model could be utilized to estimate ETdin maize and sunflower field, and the best calibration and validation was at 13:00 in Hetao Irrigation District based on 2-year results. High accuracy of the S-I model occurred in crop vigorous growth period, for maize in June, July and August, for sunflower in July and August, respectively. 2) The characteristic parameters of S-I model were impacted by wind speed, surface coverage, and surface roughness, but the impacts varied for different crops. At the best performance time of daily 13:00, the characteristic parameters of S-I model were both negative for maize field, but one was positive and the other was negative for sunflower. These could affect the estimating values and its accuracy. Leaf area index (LAI) impacted the model slope of maize in a different way with that on sunflower, but wind speed had the similar influence on these 2 crops. 3) The calibrated values of characteristic parameters of S-I model could be utilized to estimate crop daily evapotranspiration in maize and sunflower fields in Hetao Irrigation District. The estimation based on data at 13:00 was the best for both sunflower and maize. The recommended values of intercept and slope of the S-I model were-0.251 and-0.209 for maize, and 0.655 and-0.358 for sunflower, respectively. These parameters values could be used as a recommendation to ETdestimation in the other areas when the experimental data were lack. However, if the high accuracy of evapotranspiration estimation are required, we suggested to calibrate the parameters based on local field experiments and measurements.

evapotranspiration; wind speed; temperature; maize; sunflower; S-I model; Hetao irrigation district

2018-11-13

2019-03-10

國家重點研發計劃項目（2016YFC0400101）；國家自然科學基金項目（51679254）；水利部技術示范項目（SF201802）

蔡甲冰，教授級高級工程師，博士，從事精量灌溉決策與農業水管理的研究。Email：caijb@iwhr.com

10.11975/j.issn.1002-6819.2019.08.017

S274.1

A

1002-6819(2019)-08-0140-09

蔡甲冰，張寶忠，魏 征，黃凌旭，陳 鶴，彭致功. 河套灌區玉米和向日葵ET的S-I估算模型關鍵參數分析[J]. 農業工程學報，2019，35(8)：140－148. doi：10.11975/j.issn.1002-6819.2019.08.017 http://www.tcsae.org

Cai Jiabing, Zhang Baozhong, Wei Zheng, Huang Lingxu, Chen He, Peng Zhigong. Key parameter analysis of ET estimating for maize and sunflower in Hetao Irrigation District based on S-I model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(8): 140－148. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.08.017 http://www.tcsae.org