基于遥感数据反演的灌区稻田智能灌排决策方法和系统与流程

本发明涉及一种基于遥感数据反演的灌区稻田智能灌排决策方法和系统，尤其涉及一种利用遥感数据反演实现灌区稻田水位精准控制以及减少灌区稻田农业面源污染流失的智能灌排决策方法及系统。该方法属于面源污染防控技术领域。

背景技术：

水稻是中国主要的粮食作物之一，占粮食总产量的40％左右。由于水稻的生理特性，整个生长阶段需要大量的灌溉用水。稻田耗水量大，但水分利用率较低。据统计，我国水稻的种植面积约为全国粮食种植总面积的28％，但其耗水量占农业总用水量的65％以上，是全国总用水量的54％左右。而施入稻田的化肥及农药等污染物会随稻田径流或田间排水进入附近水体造成了严重的农业面源污染。稻田的灌排水不及时、水分利用率低以及随田间排水的面源污染流失问题，已经成为限制灌区农业可持续发展的重要因素。因此针对稻田需水特征及面源污染流失特征，开展灌区稻田精准水位控制，这对提高稻田水资源利用率和减少面源污染具有重要的理论和现实意义。

在传统的稻田管理过程中，农民凭经验进行田间灌排作业，使得稻田的灌排水量不精确也不及时，既浪费了地下水又影响了水稻的正常生长。为了更方便和准确进行稻田灌排管理，可以在田间布置各种传感器，通过无线接收方式收集田间土壤墒情，形成稻田的自动灌排水决策支持系统(如专利申请公布号为CN102726273A，一种作物根区土壤水分监测与智能灌溉决策方法；专利申请公布号为CN202722193U，稻田节水灌溉决策支持系统)。虽然这种方法可以较为精确的控制稻田水位，但各种传感器的布置不仅会扰动水稻的生长生态环境，而且还会消耗大量人力和财力，不适合大面积灌区稻田的水位精准控制。

遥感技术是根据电磁波理论，从人造卫星、飞机或其他飞行器上的各种传感器对目标所辐射和反射的电磁波信息进行收集、处理和成像，从而进行探测和识别的一种综合技术。农业遥感技术能够通过快速准确地收集与分析农业生产的相关信息，定时、定量、定位进行科学的农业管理，是实现精准农业的重要手段。在农田土壤水分监测与灌溉预报方面，遥感技术被广泛用来对区域的土壤水分和旱情进行监测，用来形成智能灌溉决策方法，如孟治国等(专利申请公布号CN106018439A)公开了微波遥感土壤水分监测系统及其监测方法，王桥等(专利申请公布号CN102252973A)公开了一种土壤含水量遥感监测方法，蔡甲冰等(专利申请公布号CN104123444A)公开了基于区域墒情监测和遥感数据的实时灌溉预报系统及方法。

不同于其他农田，除了保证稻田的土壤水分充足外，还需在稻田的生长阶段控制田面水位。目前，现有的专利，一方面通过获取遥感数据分析灌区的土壤墒情，进行灌溉决策，但缺乏对稻田田面水位的数据分析；另一方面，通过布置在农田的各种传感器(土壤温湿 传感器、土壤水位传感器等)，进行灌排智能决策分析。本发明将在灌区尺度使用遥感技术，根据农田水分平衡方程，通过分析稻田水位、蒸散发量、稻田土壤湿度及气象信息等，形成灌区尺度的稻田智能灌排决策方法和系统，实现灌区稻田水位的精准控制，同时减少稻田面源污染的排放。

技术实现要素：

本发明的目的在于提供一种基于遥感数据反演的灌区稻田智能灌排决策方法和系统。其能够结合遥感数据计算灌区稻田的灌排水量，旨在解决灌区稻田水资源浪费严重、大面积稻田精准水位控制难及灌排决策智能化水平低的问题。

为实现本发明的目的而提供的一种基于遥感数据反演的灌区稻田智能灌排决策方法，所述方法，包括下列步骤：

步骤一，遥感数据获取，从Terra和Qqua卫星遥感平台上获取MODIS遥感数据产品、从国产气象卫星风云系列平台获取气象数据产品以及利用无人机载红外测距传感器获取稻田水位数据产品；

步骤二，遥感数据反演，基于获取的多源遥感数据产品对灌区水稻的关键生育时期识别、稻田蒸散发量、植物截留量、稻田土壤湿度、气象信息以及田面水位等要素信息进行反演及提取；

步骤三，灌排决策分析，由遥感数据产品反演获得的水稻关键生育时期、土壤水分及稻田田面水位等信息与设定的稻田需求水位进行比较，低于稻田需求水位时进行灌溉，高于稻田田面水位时进行排水。

所述步骤一中的MODIS遥感数据产品，选取由MODIS陆地工作组提供的经过严格处理的MODIS陆地产品数据，该产品数据可以通过MODIS陆地工作组的产品处理和分发中心(LPDAAC)(http://LPDAAC.usgs.gov)免费获取；

所述步骤一中的通过国产气象卫星风云系列获得的气象数据产品，主要包括日降雨量及预测降雨量等信息；

所述步骤一中的稻田水位数据产品可以通过将红外测距传感器安置在小型无人机上获取；

所述步骤二的遥感数据反演的数据主要有降雨量P、稻田田面水位、水稻关键生育时期、土壤水分RSW、蒸散发量ETa、植被截留量和径流量RQ；

所述步骤二的遥感数据反演的主要内容如下：

A、降雨量及预测降雨量：

日降雨量及预测降雨量可通过国产气象卫星风云系列所形成的日尺度降水产品及预测降雨产品获得；

B、稻田田面水位反演：

稻田田面水位通过将红外测距传感器装载于小型无人机上，基于红外测距技术反演稻田的田面水位，使得田面水位测量分辨率达到5mm；

C、水稻关键生育期反演：

水稻关键生育期反演采用增强植被指数(EVI)法，监测区的EVI值可通过MODIS产品数据获得；通过MODIS数据产品获得监测区的EIV时间序列，并采用傅立叶和小波低通滤波法算法去除噪声，得到较为平滑的EVI时间序列；根据水稻关键生育时期和EVI的关系，反演水稻的关键生育期。

D、土壤水分反演：

土壤水分反演采用温度植被干旱指数法(TVDI)(Sanhot,2002)，其基本原理为研究区域的植被指数(EVI)和地表温度(Ts)可以构成TVDI的三角形特征空间；温度植被干旱指数TVDI和土壤相对含水量RSM的计算公式如下：

RSM＝RSM_W-TVDI*(RSM_W-RSM_D) (2)

式中，Ts为研究区内任一像元的地表温度；Ts_max为研究区内EVI对应的最高地表温度，即干边，在干边上TVDI＝1；Ts_min为研究区内EVI对应的最低地表温度，即湿边，在湿边上TVDI＝0；RSM_W是湿边上最大土壤相对含水量，湿边的土壤相对含水量为田间持水量，为100％(Gillies et al.,1997)；RSM_D为干边最小土壤相对含水量；由公式(2)得到RSM_D的表达式如下所示：

根据野外实测土壤相对含水量RSM和所对应的TVDI值带入公式(3)，求得RSM_D值，通过监测区多点的RSM_D值求得平均RSM_D，然后根据公式(2)求出监测区内每个像元点所对应的土壤相对含水量RSM；

E、蒸散发反演：

蒸散发反演根据遥感数据计算得出瞬时蒸散发量ET，再通过积分运算课得出区域蒸散发量ETa；其中瞬时蒸散发量ET计算公式如下：

式中，Rn为地表净辐射量，G为土壤热通量，H为显热通量，λ为气化潜热；

①地表净辐射量Rn采用下述公式(5)计算：

R_n＝(1-α)*R_S+R_L (5)

其中，α为地表反照率，R_S为短波辐射，R_L为长波辐射，所述的三个值均可以通过MODIS产品数据计算获得；

②土壤热通量G采用下述公式(6)计算：

式中，为植被覆盖比例系数；为裸土比例系数；f_c为植被覆盖度；在地表全部被植被覆盖，(Monteith,1973)，而裸土(Kustas et al.,1989)；式中植被覆盖度f_c由下述公式(7)计算：

式中，NDVI为归一化植被指数；NDVImin对应裸土，取值0.2；NDVImax对应全覆盖植被，取值0.86；NDVI由MODIS产品获得；

③显热通量H采用下述公式(8)计算：

式中：ρ为空气密度，标准状态下为1.29kg m^-3；C_P为正常压力值下的空气热容，为1.004Jkg^-1K^-1；T_s为地表温度，可由MODIS数据产品获得；T_a为参考高度处的空气温度，可通过在监测区实际测定获得；r_a为空气动力学阻抗，依赖于监测区表面的粗糙度，根据监测区的实际情况设定；

④气化潜热λ采用下述公式(9)计算：

λ＝2.5–0.0022T_a (9)

式中，T_a为参考高度处的空气温度，可通过在监测区实际测定获得；

F、植被截留量反演：

植被截留量反演通过卫星遥感产品获得的植被覆盖度和LAI数据，以及通过国产气象卫星风云系类获得的日尺度降雨量计算获得；采用下述公式(10)计算植被截留量S_v：

式中，f_c为植被覆盖度；S_max为植被最大截留量；η为校正系数；p为累积降雨量；植被覆盖度f_c可由公式(7)计算获得；植被最大截留量S_max和校正系数η值取决于叶面指数LAI，分别由下述公式(11)和(12)计算：

S_max＝0.935+0.498*LAI-0.00575*LAI² (11)

η＝0.046*LAI (12)

式中，LAI可以由MODIS遥感产品获得；

G、径流反演：

径流主要地表径流SRQ、壤中流SFQ和地下径流URQ组成，分别由下述公式(13)、(14)和(15)计算：

SFQ＝RSM_L*δ*Thick_L (14)

URQ＝RSM_U*ε*Thick_U (15)

式中，RSMs为表层土壤含水量；RSMso为表层土壤饱和含水量；P-Sv为有效降雨量(降雨量-植被截留量)；RSM_L为深层土壤含水量和地下层含水量；Ψ为覆盖影响参数；β为土壤饱和后径流系数；γ为土壤水影响系数；δ和ε为壤中流和地下径流的出流系数，Thick为土壤厚度；除Ψ、β、γ、δ、ε和Thick六个数据需根据监测区的实际情况设定外，其他数据均可由遥感反演获得。

所述步骤三的灌排决策分析，将利用遥感数据反演获得的水稻关键生育时期、土壤水分及稻田田面水位等信息与设定的水稻需求水位进行比较，形成灌排决策；其中稻田需求水位需要根据监测区具体的水稻关键生育期生长水分需求进行设定；当稻田田面水位H₀低于稻田需求水位H时，形成灌溉决策；当稻田田面水位H₀高于稻田需求水位H时，形成排水决策；具体灌溉量I和排水量D分别采用下述公式(16)和(17)计算：

I＝ETa+Sv+RQ+ΔRSM-H₀-P (16)

D＝H₀-P-ETa-Sv-RQ-ΔRSM (17)

式中，ΔRSM为初始土壤含水量RSM₀与测定时的土壤含水量RSM的差值；蒸发量ETa、截留量Sv、径流量RQ、土壤含水量RSM、降雨量P和稻田田面水位H₀均可由步骤二的遥感数据反演获得。

为实现本发明的目的还提供一种基于遥感数据反演的灌区稻田智能灌排决策系统，所述系统，包括：

遥感数据获取模块，用于获取多源遥感数据产品，并传输给遥感数据反演模块；

遥感数据反演模块，用于反演灌排决策分析模块所需的水稻关键生育时期、稻田蒸散发量、植物截留量、稻田土壤湿度、气象信息以及田面水位等要素信息，并将要素信息传输给灌排决策分析模块；

灌排决策分析模块，用于形成灌区稻田灌排决策；利用遥感数据反演获得的水稻关键生育时期、土壤水分及稻田田面水位等信息与设定的水稻需求水位进行比较，形成灌排决策；

进一步的，所述的遥感数据获取模块包括MODIS数据获取模块、气象数据获取模块及田面水位数据获取模块；MODIS数据获取模块可以通过MODIS陆地工作组的产品处理和分发中心(LPDAAC)(http://LPDAAC.usgs.gov)免费获取；气象数据获取模块可通过国产气象卫星风云系列免费获取；稻田水位数据产品可以通过将红外测距传感器装载于小型无人机上，基于红外测距技术获取；

所述的遥感数据反演模块，包括：

降雨量模块：用于测定灌区的日降雨量及预测降雨量；降雨量可通过国产气象卫星风 云系列所形成的日尺度降水产品及预测降雨产品获得；

稻田田面水位模块：用于测定灌区稻田田面水位；通过将红外测距传感器装载于小型无人机上，基于红外测距技术反演稻田的田面水位，使得田面水位测量分辨率达到5mm；

水稻关键生育时期反演模块，用于反演监测区的水稻关键生育时期；采用增强植被指数(EVI)法，监测区的EVI值可通过MODIS产品数据获得；通过MODIS数据产品获得监测区的EIV时间序列，并采用傅立叶和小波低通滤波法算法去除噪声，得到较为平滑的EVI时间序列；根据水稻关键生育时期和EVI的关系，反演水稻的关键生育期；

土壤水分反演模块，用于反演监测区的土壤水分状况；采用温度植被干旱指数法(TVDI)(Sanhot,2002)，其基本原理为研究区域的植被指数(EVI)和地表温度(Ts)可以构成三角形特征空间；通过分析温度植被干旱指数(TVDI)和土壤相对含水量(RSM)的关系计算求出研究区上每个像元点所对应的土壤相对含水量RSM；

蒸散发量反演模块，用于反演监测区的蒸散发量；根据遥感数据计算得出瞬时蒸散发量ET，再通过积分运算课得出区域蒸散发量ETa；瞬时蒸散发量ET可以通过计算地表净辐射量Rn，土壤热通量G，显热通量H获得；所述的三个值均可通过MODIS数据产品获得；

植被截留量反演模块，用于反演监测区植被截留量；可以通过卫星遥感产品获得的植被覆盖度和LAI数据，以及通过国产气象卫星风云系列获得的日尺度降雨量计算获得；

径流反演模块，用于反演监测区径流量；径流主要地表径流SRQ、壤中流SFQ和地下径流URQ组成；所述三个值可由MODIS数据产品反演计算获得；

所述灌排决策分析模块，包括灌排决策判断模块、灌溉量计算模块和排水量计算模块；其中，灌排决策判断模块中的稻田需求水位需要根据监测区具体的水稻关键生育期生长水分需求进行设定；当稻田田面水位H₀低于稻田需求水位H时，形成灌溉决策；当稻田田面水位H₀高于稻田需求水位H时，形成排水决策；灌溉量计算模块和排水量计算模块中的灌溉量I和排水量D的计算参数均可由遥感数据反演模块获得。

本发明的有益效果是：

本发明的一种基于遥感数据反演的灌区稻田智能灌排决策方法和系统，是基于农田能量平衡原理，利用MODIS遥感数据、气象卫星数据及机载红外测距传感器数据，反演灌区农田水量平衡参数，计算稻田灌排量；其优点及功效在于能够实现灌区稻田精准水位调控，达到灌排水量精准化以及面源污染流失最小化；其次，将遥感技术应用于稻田节水灌溉领域，通过卫星遥感数据、无人机装载传感器采集的数据，实现灌区稻田节水灌溉精准水位控制；该方法和系统的建立可以解决灌区水资源浪费、灌排水不及时以及灌区农业面源污染流失严重等问题；同时，本发明具有较好扩展性，可以应用于其他农田的精准水资源管理中，具有较高的经济效益和社会效益。

【附图说明】

图1是本发明的基于遥感数据反演的灌区稻田智能灌排决策方法的步骤流程图。

图2是本发明的水稻关键生育时期识别反演的流程图。

图3是本发明的水稻关键生育时期和增强型植被指数EVI构成的空间示意图。

图4是本发明的土壤水分反演的流程图。

图5是本发明的蒸散发量反演的流程图。

图6是本发明的植被截留量反演的流程图。

图7是本发明的径流量反演的流程图。

图8是本发明的基于遥感数据反演的灌区稻田智能灌排决策系统的结构示意图。

【具体实施方式】

下面结合附图和实施例对本发明的基于遥感数据反演的灌区稻田智能灌排决策方法及系统进行进一步详细说明。以下所描述的具体实施例仅仅用以解释本发明，但不用来限制本发明的范围。

图1是本发明的基于遥感数据反演的灌区稻田智能灌排决策方法的步骤流程图，如图1所示，本实施例的基于遥感数据反演的灌区稻田智能灌排决策方法包括下列步骤：

步骤一，遥感数据获取，从Terra和Qqua卫星遥感平台上获取MODIS遥感数据产品、从国产气象卫星风云系列平台上获取气象数据产品以及利用无人机载红外测距传感器获取稻田水位数据产品；

步骤二，遥感数据反演，基于获取的多源遥感数据产品对灌区水稻的关键生育时期识别、稻田蒸散发量、植物截留量、稻田土壤湿度、气象信息以及田面水位等要素信息进行反演及提取；

步骤三，灌排决策分析，由遥感数据产品反演获得的水稻关键生育时期、土壤水分及稻田田面水位等信息与设定的稻田需求水位进行比较，低于稻田需求水位时进行灌溉，高于稻田田面水位时进行排水。

所述步骤一中的卫星遥感数据使用的主要为MODIS产品，所采用的MODIS波段的参数和主要用途如表1所示，可选取由MODIS陆地工作组提供的经过严格处理的MODIS陆地产品数据如表2所示，这些产品数据均可以通过MODIS陆地工作组的产品处理和分发中心(LPDAAC)(http://LPDAAC.usgs.gov)免费获取；

表1具体实例中主要用的MODIS波段的参数和主要用途

表2具体实例中主要用的MODIS产品

所述步骤一中的通过国产气象卫星风云系列获得的气象数据产品，主要包括日降雨量及预测降雨量等信息；

所述步骤一中的稻田水位数据产品可以通过将红外测距传感器安置在小型无人机上获取；

所述步骤二的遥感数据反演的数据主要有降雨量P、稻田田面水位、水稻关键生育时期、土壤水分RSW、蒸散发量ETa、植被截留量和径流量RQ；

所述步骤二的遥感数据反演的主要内容如下：

A、降雨量及预测降雨量：

日降雨量及预测降雨量可通过国产气象卫星风云系列所形成的日尺度降水产品及预测降雨产品获得；

B、稻田田面水位反演：

稻田田面水位通过将红外测距传感器装载于小型无人机上，基于红外测距技术反演稻田的田面水位；参考研究(刘超,2016)，稻田水位传感器可选用GP2Y0A02红外测距传感器，其田面水位测量分辨率达到5mm；

C、水稻关键生育期反演：

图2是发明的水稻关键生育时期识别反演的流程图，如图2所示，水稻关键生育时期反演采用增强植被指数(EVI)法；本实施例中可采用MOD13A1或MOD13Q1产品得到研究区时间序列的EIV，并采用傅立叶和小波低通滤波法算法去除噪声，得到较为平滑的EVI时间序列；参考研究(孙华生,2008)，根据水稻关键生育时期和EVI的关系，形成水稻的关键生育期识别程序；

图3是本发明的水稻关键生育时期和增强型植被指数EVI构成的空间示意图；根据历史遥感数据分析时间序植被指数曲线，结合历史地面的观测信息进行校验，形成水稻的关键生育期识别程序；具体判别方法的建立过程为，利用傅立叶和小波低通滤波平滑后的时间序列植被指数曲线中找出植被指数(EVI)的最大值和最小值，并且计算出最大值和最小值的差值(ΔEVI)。由于水稻在移栽期有大量的田间水，植被指数最小，几乎为0，所以植被指数最小时期为移栽期，当植被指数开始增加到超过ΔEVI的10％时，可以认为是水稻为分蘖初期；抽穗期的营养生长已经达到了顶峰并开始转入生殖生长为主的阶段，所以植被指数值最大时为抽穗期，抽穗期后水稻开始进入乳熟期，当植被指数变化不大接近最小值时，可认定为成熟期；根据此方法对历史的遥感数据分析，判别出的水稻物候期与地面所观测的实测资料进行对比，进行结果矫正，从而形成水稻物候期的判别方法，用以分析实时的遥感数据来确定水稻的具体生长时期。

D、土壤水分反演：

图4是本发明的土壤水分反演的流程图，如图4所示，土壤水分反演采用温度植被干旱指数法(TVDI)(Sanhot,2002)，其基本原理为研究区域的植被指数(EVI)和地表温度(Ts)可以构成三角形特征空间；温度植被干旱指数(TVDI)和土壤相对含水量(RSM)的计算公式如下：

RSM＝RSM_W-TVDI*(RSM_W-RSM_D) (2)

式中，Ts为研究区内任一像元的地表温度；Ts_max为研究区内EVI对应的最高地表温度，即干边，在干边上TVDI＝1；Ts_min为研究区内EVI对应的最低地表温度，即湿边，在湿边上TVDI＝0；RSM_W是湿边上最大土壤相对含水量，湿边的土壤相对含水量为田间持水量，为100％(Gillies et al.,1997)；RSM_D为干边最小土壤相对含水量，由公式(2)得到RSM_D的表达式如下所示：

根据野外实测土壤相对含水量RSM和所对应的TVDI值带入公式(3)，求得RSM_D值，通过多点的RSM_D求得平均的RSM_D，然后根据公式(2)求出研究区上每个像元点所对应的土壤相对含水量RSM；本实施例中计算植被指数EVI可以采用的遥感数据为MOD13A1或MOD13Q1产品，计算地表温度Ts可采用MOD11A2产品。

E、蒸散发反演：

图5是本发明的蒸散发量反演的流程图，如图5所示，根据遥感数据计算得出瞬时蒸散发量ET，再通过积分运算课得出区域蒸散发量ETa；其中瞬时蒸散发量ET计算公式如下：

式中，Rn为地表净辐射量，G为土壤热通量，H为显热通量，λ为水的气化潜热；其中，本实施例中计算地表净辐射量Rn可采用的遥感数据为MOD09A1、MOD09GA、MOD09Q1或MOD09GQ产品，计算土壤热通量G可采用MOD13A1或MOD13Q1产品，计算地表温度Ts可采用MOD11A1或MOD11A2产品；

地表净辐射量Rn采用下述公式(5)计算：

Rn＝(1-α)*R_S+R_L (5)

其中，α为地表反照率，R_S为短波辐射，R_L为长波辐射，这三个值均可以通过MODSI产品获得数据。

土壤热通量G采用下述公式(6)计算：

式中：为植被覆盖比例系数；为裸土比例系数；f_c为植被覆盖度；在地表全部被植被覆盖，(Monteith,1973)，而裸土(Kustas et al.,1989)；式中植被覆盖度f_c由下述公式(7)计算：

式中，NDVI为归一化植被指数；NDVImin对应裸土，取值0.2；NDVImax对应全覆盖植被，取值0.86；NDVI由MODIS13A1或MODSI13Q1产品获得；

显热通量H采用下述公式(8)计算：

式中：ρ为空气密度，标准状态下为1.29kg m^-3；C_P为正常压力值下的空气热容，为1.004Jkg^-1K^-1；T_s为地表温度，可由MODIS11A1或MODIS11A2产品获得；T_a为参考高度处的空气温度，可通过在监测区实际测定获得；r_a为空气动力学阻抗，依赖于监测区表面的粗糙度，根据监测区的实际情况设定；

气化潜热λ采用下述公式(9)计算：

λ＝2.5–0.0022T_a (9)

式中，T_a为参考高度处的空气温度，可通过在监测区实际测定获得。

F、植被截留量反演：

图6是本发明的植被截留量反演的流程图，如图6所示，植被截留可通过卫星遥感产品获得的植被覆盖度和LAI数据，以及通过国产气象卫星风云2号获得的日尺度降雨量计算获得。植被截留量S_v的计算公式为：

式中：C_V为植被覆盖度；S_max为植被最大截留量；η为校正系数；为累积降雨量；植被覆盖度f_c可由公式(7)计算获得；植被最大截留量S_max和校正系数η值取决于叶面指数LAI，分别由下述公式(11)和(12)计算：

S_max＝0.935+0.498*LAI-0.00575*LAI² (11)

η＝0.046*LAI (12)

式中，计算f_c可采用MOD13A1或MOD13Q1产品，计算LAI可采用MOD15A2遥感产 品。

G、径流反演：

图7是本发明的径流量反演的流程图，如图7所示，径流主要地表径流SRQ、壤中流SFQ和地下径流URQ组成，分别由下述公式(13)、(14)和(15)计算：

SFQ＝RSM_L*δ*Thick_L (14)

URQ＝RSM_U*ε*Thick_U (15)

式中，RSMs为表层土壤含水量；RSMso为表层土壤饱和含水量；P-Sv为有效降雨量(降雨量-植被截留量)；RSM_L为深层土壤含水量和地下层含水量；Ψ为覆盖影响参数；β为土壤饱和后径流系数；γ为土壤水影响系数；δ和ε为壤中流和地下径流的出流系数，Thick为土壤厚度；除Ψ、β、γ、δ、ε和Thick六个数据需根据监测区的实际情况设定外，其他数据均可由遥感反演获得；可采用国产气象卫星风云2号获取日降雨量数据，可采用MOD13A1或MOD13Q1获得植被指数EVI，采用MOD11A1或MOD11A2遥感产品获得地表温度Ts。

所述步骤三的灌排决策分析，将利用遥感数据反演获得的水稻关键生育时期、土壤水分及稻田田面水位等信息与设定的水稻需求水位进行比较，形成灌排决策；其中稻田需求水位需要根据监测区具体的水稻关键生育期生长水分需求进行设定；当稻田田面水位H0低于稻田需求水位H时，形成灌溉决策；当稻田田面水位H0高于稻田需求水位H时，形成排水决策；具体灌溉量I和排水量D分别采用下述公式(16)和(17)计算：

I＝ETa+Sv+RQ+ΔRSM-H₀-P (16)

D＝H₀-P-ETa-Sv-RQ-ΔRSM (17)

式中，ΔRSM为初始土壤含水量RSM₀与测定时的土壤含水量RSM的差值；蒸发量ETa、截留量Sv、径流量RQ、土壤含水量RSM、降雨量P和稻田田面水位H₀均可由步骤二的遥感数据反演获得。

相应于本发明的一种基于遥感数据反演的灌区稻田智能灌排决策方法，还提供一种基于遥感数据反演的灌区稻田智能灌排决策系统，图8是本发明的基于遥感数据反演的灌区稻田智能灌排决策系统的结构示意图，如图8所示，所述系统包括：

遥感数据获取模块1，用于获取多源遥感数据产品，并传输给遥感数据反演模块；

遥感数据反演模块2，用于反演灌排决策分析模块所需的水稻关键生育时期、稻田蒸散发量、植物截留量、稻田土壤湿度、气象信息以及田面水位等要素信息，并将要素信息传输给灌排决策分析模块；

灌排决策分析模块3，用于形成灌区稻田灌排决策；利用遥感数据反演获得的水稻关键 生育时期、土壤水分及稻田田面水位等信息与设定的水稻需求水位进行比较，形成灌排决策；

进一步的，所述的遥感数据获取模块1包括MODIS数据获取模块4、气象数据获取模块5及田面水位数据获取模块6；MODIS数据获取模块可以通过MODIS陆地工作组的产品处理和分发中心(LPDAAC)(http://LPDAAC.usgs.gov)免费获取；气象数据获取模块可通过国产气象卫星风云系列免费获取；稻田水位数据产品可以通过将红外测距传感器装载于小型无人机上，基于红外测距技术获取；

所述的遥感数据反演模块2，包括：

降雨量模块7：于测定灌区的日降雨量及预测降雨量；降雨量可通过国产气象卫星风云系列所形成的日尺度降水产品及预测降雨产品获得；

稻田田面水位模块8：用于测定灌区稻田田面水位；通将红外测距传感器装载于小型无人机上，基于红外测距技术反演稻田的田面水位；参考研究(刘超,2016)，稻田水位传感器可选用GP2Y0A02红外测距传感器，其田面水位测量分辨率达到5mm；

水稻关键生育时期反演模块9，用于反演监测区的水稻关键生育时期；采用增强植被指数(EVI)法；本实施例中可采用MOD13A1或MOD13Q1产品得到研究区时间序列的EIV，并采用傅立叶和小波低通滤波法算法去除噪声，得到较为平滑的EVI时间序列；参考研究(孙华生,2008)，根据水稻关键生育时期和EVI的关系，反演水稻的关键生育期。

土壤水分反演模块10，用于反演监测区的土壤水分状况；采用温度植被干旱指数法(TVDI)(Sanhot,2002)，其基本原理为研究区域的植被指数(EVI)和地表温度(Ts)可以构成三角形特征空间；通过分析温度植被干旱指数(TVDI)和土壤相对含水量(RSM)的关系计算求出研究区上每个像元点所对应的土壤相对含水量RSM；本实施例中计算植被指数EVI可以采用的遥感数据为MOD13A1或MOD13Q1产品，计算地表温度Ts可采用MOD112A产品。

蒸散发量反演模块11，用于反演监测区的蒸散发量；根据遥感数据计算得出瞬时蒸散发量ET，再通过积分运算课得出区域蒸散发量ETa；瞬时蒸散发量ET可以通过计算地表净辐射量Rn，土壤热通量G，显热通量H获得；本实施例中计算地表净辐射量Rn可采用的遥感数据为MOD09A1、MOD09GA、MOD09Q1或MOD09GQ产品，计算土壤热通量G可采用MOD13A1或MOD13Q1产品，计算显热通量H可采用MOD11A1或MOD11A2产品。

植被截留量反演模块12，用于反演监测区植被截留量；可以通过卫星遥感产品获得的植被覆盖度和LAI数据，以及通过国产气象卫星风云系列获得的日尺度降雨量计算获得；本实施例中采用MOD13A1或MOD13Q1产品计算植被覆盖度，采用MOD15A2遥感产品计算LAI。

径流反演模块13，用于反演监测区径流量；径流主要地表径流SRQ、壤中流SFQ和地下径流URQ组成；所述三个值可由MODIS数据产品反演计算获得；在计算过程中除个别数据需根据监测区的实际情况设定外，其他数据均可由遥感反演获得；可采用国产气象卫星风云系列产品获取日降雨量数据，采用MOD13A1或MOD13Q1获得植被指数EVI，采用MOD11A1或MOD11A2遥感产品获得地表温度Ts。

所述灌排决策分析模块3，包括灌排决策判断模块14、灌溉量计算模块15和排水量计算模块16；其中，灌排决策判断模块中的稻田需求水位需要根据监测区具体的水稻关键生 育期生长水分需求进行设定；当稻田田面水位H₀低于稻田需求水位H时，形成灌溉决策；当稻田田面水位H₀高于稻田需求水位H时，形成排水决策；灌溉量计算模块和排水量计算模块中的灌溉量I和排水量D的计算参数均可由遥感数据反演模块获得。

本发明的一种基于遥感数据反演的灌区稻田智能灌排决策方法及系统运用农田水量平衡原理，利用多源遥感数据获取水稻关键生育时期、土壤水分、稻田田面水位、蒸散发量、植物截留量以及径流量，根据稻田田面水位和设定的水位阈值进行比较，通过灌排决策分析实现稻田田面水位的精准控制，达到灌区稻田灌排水量精准化以及稻田面源污染流失最小化。

以上对本发明的具体实施例进行了描述和说明，具体实施例应被认为其只是示例性的，并不用于对本发明进行限制，本发明应根据所附的权利要求进行解释。