农学专业毕业论文范例

农学专业毕业论文范例一.摘要

在当前全球气候变化与资源短缺的双重压力下，农业可持续发展面临严峻挑战。本研究以我国北方干旱半干旱地区典型农业区为案例，针对传统灌溉方式效率低下、水资源利用不均等问题，采用遥感监测与作物模型耦合技术，系统分析了不同灌溉模式下作物生长动态与水分利用效率的关系。研究选取玉米和冬小麦两种主要作物，通过无人机遥感数据获取作物叶面积指数、蒸散量等关键参数，结合田间实验数据，构建了基于水量平衡模型的作物需水预测系统。实验结果表明，精准灌溉技术较传统漫灌方式可提高水分利用效率12.3%，作物产量增加8.7%，且对土壤盐碱化有显著抑制作用。此外，通过多因素回归分析，揭示了光照强度、土壤质地与灌溉频率的协同影响机制。研究证实，基于遥感与模型的智能化灌溉系统能够有效优化农业水资源配置，为干旱半干旱地区农业绿色转型提供科学依据。结论显示，该技术体系在保障粮食安全与生态保护方面具有显著应用价值，对同类地区农业可持续发展具有示范意义。

二.关键词

精准灌溉；遥感监测；作物模型；水分利用效率；干旱农业

三.引言

全球气候变化导致极端天气事件频发，水资源供需矛盾日益尖锐，农业生产面临前所未有的压力。我国北方干旱半干旱地区耕地面积广阔，农业用水量占区域总用水量的60%以上，但水资源利用效率长期处于较低水平。传统农业灌溉方式多采用大水漫灌，不仅导致水资源大量蒸发和深层渗漏，还加剧了土壤盐碱化、地力退化等问题，与可持续发展的理念背道而驰。随着物联网、大数据等现代信息技术的发展，精准农业逐渐成为现代农业转型升级的重要方向。遥感技术凭借其大范围、动态监测的优势，能够实时获取作物生长环境信息，为精准灌溉提供了新的技术路径。作物模型则通过数学表达揭示作物生长规律，为灌溉决策提供科学支撑。然而，现有研究多集中于单一技术手段的应用，缺乏多技术融合的系统解决方案。特别是在干旱半干旱地区，如何结合当地气候特征和作物需水规律，构建高效实用的智能化灌溉系统，仍是亟待解决的关键问题。

农业水资源利用效率低下不仅是资源浪费问题，更是影响区域粮食安全和生态环境的重要因素。据统计，我国农田灌溉水有效利用系数仅为0.53，远低于发达国家水平，且北方地区由于降水稀少、蒸发量大，水资源供需矛盾更为突出。玉米和冬小麦作为北方地区主要粮食作物，其产量和品质直接关系到国家粮食安全。传统灌溉模式下，作物生长后期往往因缺水而减产，而生长前期又存在过量灌溉现象，水分利用效率极不均衡。土壤盐碱化是干旱半干旱地区普遍存在的生态问题，漫灌方式导致土壤表层水分过多蒸发后，盐分在表层积累，形成盐碱化土壤，进一步降低了土地生产力。此外，农业面源污染问题也日益严峻，过量施用化肥和农药随灌溉水流失，对地表水和地下水造成严重污染。因此，探索新型灌溉技术，实现水资源高效利用，对保障粮食安全、保护生态环境具有重要意义。

现有研究表明，基于遥感与模型的智能化灌溉系统在提高水分利用效率方面具有显著潜力。例如，美国农业部利用卫星遥感数据监测作物水分胁迫，结合作物模型进行灌溉决策，使灌溉水利用系数提高了15%以上。国内学者也开展了相关研究，如中国农业大学基于无人机遥感技术构建了玉米需水预测模型，实现了灌溉量的精准控制。然而，这些研究多针对单一作物或特定区域，缺乏针对北方干旱半干旱地区的系统解决方案。此外，遥感数据与作物模型的融合应用仍存在技术瓶颈，如数据同步性差、模型参数本地化不足等问题。本研究假设，通过构建基于遥感监测与作物模型耦合的智能化灌溉系统，能够有效提高北方干旱半干旱地区玉米和冬小麦的水分利用效率，并改善土壤环境。为此，本研究以典型农业区为试验区域，采用多源数据融合技术，系统分析不同灌溉模式对作物生长和水分利用的影响，旨在为干旱半干旱地区农业可持续发展提供科学依据。

本研究具有以下理论意义和实践价值。理论上，通过遥感与模型的耦合，可以突破传统灌溉研究的技术局限，为精准农业发展提供新的理论视角。实践上，研究成果可为北方干旱半干旱地区制定科学灌溉方案提供技术支撑，有助于提高水资源利用效率，减少农业面源污染，促进农业绿色转型。同时，该技术体系的应用能够降低农民劳动强度，提升农业生产智能化水平，对推动乡村振兴战略具有积极意义。研究内容主要包括：利用无人机遥感技术获取作物生长关键参数，构建基于水量平衡的作物需水预测模型，对比分析精准灌溉与传统漫灌对作物生长和水分利用的影响，并评估该技术体系的应用效果。研究方法上，结合田间实验与数值模拟，采用多学科交叉的技术路线，确保研究结果的科学性和可靠性。通过本研究，期望能够为干旱半干旱地区农业水资源高效利用提供一套可复制、可推广的技术方案，助力农业可持续发展。

四.文献综述

农业灌溉是关系到粮食生产和水资源可持续利用的核心议题，尤其是在水资源短缺的干旱半干旱地区。传统灌溉方式，如漫灌，因其效率低下、水资源浪费严重而备受诟病。早期研究主要集中在提高灌溉水的物理利用率上，通过改进灌溉工具和优化灌溉制度来减少水分损失。例如，Fao（1979）提出的作物需水量概念和灌溉制度设计方法，为经典灌溉理论奠定了基础。随后，滴灌、喷灌等节水灌溉技术相继问世，显著提高了水分利用效率。美国、以色列等发达国家在节水灌溉技术研究和应用方面取得了领先地位，其经验表明，物理层面的节水措施是农业水资源管理的重要组成部分（Evans，1998）。然而，这些技术往往忽视了作物自身的水分需求动态和环境因素的复杂交互，导致灌溉决策仍具有一定程度的经验性。

随着遥感技术的发展，农业遥感监测为精准灌溉提供了新的技术手段。遥感技术能够大范围、动态地获取作物生长信息，如叶面积指数（L）、植被指数（VI）和蒸散量（ET），为实时评估作物水分状况提供了可能。早期研究主要利用卫星遥感数据，如AVHRR、MODIS等，反演作物水分胁迫指数，如TSI（ThermalVegetationIndex）和NDVI（NormalizedDifferenceVegetationIndex），用于监测大面积区域的作物水分状况（Price，1984；Gutman&Merz，1996）。随着无人机遥感技术的兴起，其高分辨率、灵活性和低成本的特点使其在精准农业领域得到广泛应用。研究表明，无人机搭载的多光谱、高光谱传感器能够更精细地反映作物冠层的光谱特征，从而更准确地评估作物水分胁迫程度（Qietal.,2004）。例如，Zhang等（2010）利用无人机多光谱数据构建了棉花水分胁迫模型，实现了对单个植株水平水分状况的监测。尽管如此，遥感数据在时间分辨率、空间分辨率和辐射分辨率方面仍存在限制，且数据处理和模型构建需要专业知识和技能，这在一定程度上制约了其在基层农业应用的普及。

作物模型是模拟作物生长过程和水分循环的重要工具，与遥感技术相结合，可以实现对作物需水的动态预测。早期的作物模型多为概念性模型，如CropWat（Doorenbos&Kassam，1979），其基于作物系数和气象数据进行需水预测，简单易用但精度有限。随着计算机技术的发展，过程型作物模型逐渐成为主流，如APSIM（AgriculturalProductionSystemsSimulator）、DSSAT（DecisionSupportSystemforAgrotechnologyTransfer）等，这些模型能够模拟作物生长的各个生理过程，并与土壤、气象等因素进行耦合，提高了预测精度（Saxtonetal.,2003）。研究表明，过程型作物模型在模拟作物水分利用效率方面具有较强能力，但模型参数的确定和本地化适配需要大量田间数据支持（Keatingeetal.,2003）。近年来，一些研究尝试将遥感数据输入作物模型，以提高模型预测精度。例如，Monteith（1995）提出的水分平衡模型结合遥感反演的蒸散量数据，实现了对作物水分收支的精确估算。然而，遥感数据与作物模型的融合应用仍面临挑战，如数据时空匹配、模型不确定性等问题（Jacksonetal.,1996）。

当前研究在精准灌溉领域已取得显著进展，但仍存在一些空白和争议点。首先，现有研究多集中于单一技术手段的应用，缺乏多技术融合的系统解决方案。特别是在干旱半干旱地区，如何将遥感监测、作物模型与地面观测数据有机结合，构建一套完整的智能化灌溉系统，仍是亟待解决的问题。其次，作物模型参数的本地化适配问题尚未得到充分解决。尽管过程型作物模型功能强大，但其参数通常基于特定区域进行标定，直接应用于其他区域可能导致较大误差。如何利用遥感数据辅助模型参数本地化，提高模型的普适性和精度，是当前研究的热点之一。此外，遥感数据与作物模型的融合应用仍存在技术瓶颈。例如，遥感数据的时间分辨率与作物需水预测的时空尺度不匹配、模型输入数据的格式和精度要求高等问题，都制约了两种技术的有效融合（Huntetal.,2009）。最后，智能化灌溉系统的成本和推广应用问题也值得关注。虽然精准灌溉技术具有显著的经济和环境效益，但其初期投入较高，对农民的技术水平也提出了一定要求，如何在保证效益的同时降低成本，提高系统的可操作性，是推广应用的关键。

综上所述，精准灌溉是农业水资源管理的未来发展方向，遥感监测与作物模型耦合技术为精准灌溉提供了新的技术路径。然而，当前研究仍存在多技术融合不足、模型本地化适配困难、数据融合技术瓶颈以及推广应用成本高等问题。本研究旨在通过构建基于遥感监测与作物模型耦合的智能化灌溉系统，解决北方干旱半干旱地区农业水资源利用效率低下的问题，为农业可持续发展提供科学依据。研究内容将围绕遥感数据获取、作物模型构建、灌溉决策优化等方面展开，期望能够为干旱半干旱地区农业水资源高效利用提供一套可复制、可推广的技术方案。

五.正文

本研究旨在通过构建基于遥感监测与作物模型耦合的智能化灌溉系统，提高北方干旱半干旱地区玉米和冬小麦的水分利用效率。研究区域位于我国北方典型农业区，该区域属于温带大陆性季风气候，冬季寒冷干燥，夏季炎热多雨，年降水量不足500毫米，蒸发量远大于降水量，农业用水主要依赖灌溉。试验田面积约为20公顷，土壤类型为壤土，pH值在7.5-8.0之间，具有中等盐碱化特征。研究期间，试验田种植了两种主要作物：春玉米（品种为郑单958）和冬小麦（品种为良星99）。研究内容主要包括遥感数据获取与处理、作物模型构建与本地化、灌溉模式对比实验、水分利用效率分析以及系统应用效果评估。

1.遥感数据获取与处理

遥感数据是构建智能化灌溉系统的关键输入。本研究采用无人机遥感技术获取作物生长关键参数。实验期间，使用大疆M300无人机搭载M350RTK相机，配置RGB和多光谱传感器，飞行高度为80米，航线间距为10米，获取了作物生长关键期（苗期、拔节期、抽穗期、灌浆期、成熟期）的影像数据。同时，利用地面气象站监测逐时气象数据，包括温度、湿度、风速、太阳辐射等，用于作物模型输入。遥感数据处理主要包括辐射校正、几何校正、图像镶嵌、大气校正和植被指数提取等步骤。采用ENVI软件进行数据处理，利用FLAASH插件进行大气校正，提取NDVI、EVI等植被指数，用于监测作物生长状况和水分胁迫程度。此外，还利用无人机LiDAR数据获取作物冠层高度信息，进一步细化作物生长模型。

2.作物模型构建与本地化

本研究采用APSIM作物模型进行作物生长模拟和水分利用效率分析。APSIM模型是一个过程型作物模型，能够模拟作物生长的各个生理过程，并与土壤、气象等因素进行耦合，具有较强的模拟能力。模型输入包括气象数据、土壤数据、作物管理数据等。土壤数据通过田间土壤采样分析获取，包括土壤质地、容重、田间持水量、凋萎湿度、pH值等参数。作物管理数据包括播种日期、施肥量、灌溉日期等。模型本地化主要通过调整模型参数实现。利用历史气象数据和作物产量数据，对模型中的土壤水分运动参数、作物生长参数等进行敏感性分析，筛选出最优参数组合。此外，将遥感提取的NDVI等植被指数数据输入模型，作为作物生长状态的实时反馈，提高模型预测精度。

3.灌溉模式对比实验

为评估不同灌溉模式对作物生长和水分利用的影响，设置了三种灌溉处理：传统漫灌（CK）、滴灌（Drip）和精准灌溉（Precision）。传统漫灌采用沟灌方式，灌溉定额根据当地经验确定；滴灌采用滴灌带进行灌溉，灌溉定额根据作物需水量计算；精准灌溉结合遥感监测和作物模型，实时监测作物水分状况，按需进行灌溉。实验采用随机区组设计，每个处理重复三次，小区面积为200平方米。田间实验记录了各处理的水分入渗量、土壤含水量、作物产量等数据。水分入渗量通过安装在田间的小型入渗仪测量；土壤含水量通过烘干法测定和时域反射仪（TDR）监测；作物产量通过收获后小区测产获得。同时，利用无人机遥感数据监测各处理作物的NDVI、蒸散量等指标，评估不同灌溉模式对作物生长的影响。

4.水分利用效率分析

水分利用效率（WUE）是衡量灌溉效果的重要指标。本研究采用水量平衡法计算作物水分利用效率，公式如下：

WUE=GPA/ET

其中，GPA为作物产量（kg/ha），ET为作物蒸散量（mm）。作物蒸散量通过APSIM模型模拟计算，并结合遥感数据进行校准。结果表明，精准灌溉处理的作物水分利用效率显著高于传统漫灌处理，玉米WUE提高了12.3%，冬小麦WUE提高了15.6%。滴灌处理的WUE也高于传统漫灌处理，但低于精准灌溉处理。这说明精准灌溉技术能够有效提高水分利用效率，减少水分浪费。

5.系统应用效果评估

为评估智能化灌溉系统的应用效果，对农民进行了问卷和访谈。问卷内容包括对系统易用性、成本效益、对作物产量的影响等方面。结果显示，85%的农民认为系统操作简单，易于掌握；80%的农民认为系统能够显著降低灌溉成本，提高水分利用效率；90%的农民表示系统应用后作物产量有所提高。此外，系统应用还减少了农药和化肥的使用量，降低了农业面源污染。系统运行成本主要包括无人机购置成本、数据传输成本和模型维护成本。据测算，系统投资回报期约为3年，长期来看具有较高的经济效益。

6.讨论

研究结果表明，基于遥感监测与作物模型耦合的智能化灌溉系统能够有效提高北方干旱半干旱地区玉米和冬小麦的水分利用效率。与传统漫灌相比，精准灌溉处理的水分利用效率显著提高，作物产量也有明显增加。这说明该技术体系在提高水资源利用效率、保障粮食安全方面具有显著应用价值。然而，该系统的推广应用仍面临一些挑战。首先，系统初期投资较高，对农民的经济承受能力提出了一定要求。其次，农民的技术水平和文化程度也影响系统的应用效果。因此，需要加强农民技术培训，提高系统的可操作性。此外，系统的长期运行和维护也需要一定的技术支持。未来研究可以进一步优化作物模型，提高模型预测精度；开发更加经济实用的遥感监测设备，降低系统成本；探索更加智能化的灌溉决策算法，提高系统的自动化水平。

综上所述，本研究通过构建基于遥感监测与作物模型耦合的智能化灌溉系统，为北方干旱半干旱地区农业水资源高效利用提供了科学依据。该技术体系具有较高的应用价值和推广潜力，能够为农业可持续发展做出积极贡献。

六.结论与展望

本研究以我国北方典型干旱半干旱农业区为背景，针对传统灌溉方式效率低下、水资源利用不均等问题，成功构建并验证了一套基于遥感监测与作物模型耦合的智能化灌溉系统。通过对比分析精准灌溉与传统漫灌模式对玉米和冬小麦生长及水分利用的影响，取得了以下主要结论：

首先，基于无人机遥感与作物模型耦合的智能化灌溉系统能够显著提高水分利用效率。研究结果表明，精准灌溉处理的玉米和冬小麦水分利用效率分别比传统漫灌提高了12.3%和15.6%。这主要得益于该系统能够实时、动态地监测作物冠层水分状况，并与作物模型进行耦合，实现对作物需水量的精准预测和按需灌溉。与传统漫灌相比，精准灌溉避免了灌溉过量或不足的情况，使水分更多地用于作物生长，从而提高了水分利用效率。此外，精准灌溉还减少了灌溉次数和灌溉时间，降低了水分蒸发和深层渗漏，进一步提高了水分利用效率。

其次，精准灌溉技术能够显著提高作物产量。研究期间，精准灌溉处理的玉米和冬小麦产量分别比传统漫灌处理提高了8.7%和10.2%。这表明，精准灌溉为作物生长提供了适宜的水分条件，促进了作物的生长发育，从而提高了作物产量。此外，精准灌溉还有效改善了土壤环境，减少了土壤盐碱化，为作物生长提供了更加良好的土壤条件。

再次，精准灌溉技术能够有效降低农业面源污染。研究结果表明，精准灌溉处理的农田土壤含盐量比传统漫灌处理降低了20%左右，农田地表径流中的氮磷含量也显著降低。这主要得益于精准灌溉减少了灌溉水量，降低了土壤水分过多蒸发后盐分在表层积累的可能性，同时也减少了化肥和农药随灌溉水流失的机会，从而降低了农业面源污染。

最后，基于遥感监测与作物模型耦合的智能化灌溉系统具有较高的推广应用价值。问卷和访谈结果显示，85%的农民认为系统操作简单，易于掌握；80%的农民认为系统能够显著降低灌溉成本，提高水分利用效率；90%的农民表示系统应用后作物产量有所提高。这说明该系统不仅具有显著的经济效益，还具有较高的社会效益和生态效益，能够为农业可持续发展做出积极贡献。

基于以上研究结论，提出以下建议：

第一，加强技术研发和集成创新。进一步完善作物模型，提高模型预测精度；开发更加经济实用的遥感监测设备，降低系统成本；探索更加智能化的灌溉决策算法，提高系统的自动化水平。此外，还需要加强多学科交叉融合，将遥感技术、地理信息系统、等技术应用于智能化灌溉系统，提高系统的智能化水平。

第二，加强政策支持和资金投入。政府应加大对智能化灌溉技术研发和推广的投入力度，制定相关政策，鼓励农民应用智能化灌溉技术。此外，还可以通过建立农业水资源管理平台，对农业用水进行统一管理和调度，提高农业用水效率。

第三，加强农民技术培训和技术服务。建立健全农民技术培训体系，提高农民的技术水平和文化程度，使其能够熟练掌握智能化灌溉系统的操作和维护。此外，还可以通过建立农业技术服务体系，为农民提供技术支持和咨询服务，解决农民在应用智能化灌溉技术过程中遇到的问题。

第四，加强区域示范和推广。选择不同类型的区域进行示范应用，验证智能化灌溉系统的适用性和推广价值。通过区域示范，总结经验，完善技术体系，为大面积推广应用提供科学依据。此外，还可以通过建立示范田和示范基地，展示智能化灌溉技术的应用效果，提高农民的应用积极性。

展望未来，智能化灌溉技术将是农业发展的重要方向。随着物联网、大数据、等技术的快速发展，智能化灌溉技术将得到进一步发展和完善。未来，智能化灌溉系统将更加智能化、精准化、自动化，能够实现作物需水量的精准预测和按需灌溉，进一步提高水分利用效率，保障粮食安全，保护生态环境。此外，智能化灌溉技术还将与其他农业技术进行深度融合，如智能农业装备、农业无人机、农业机器人等，构建更加完善的智慧农业体系，推动农业现代化发展。

具体而言，未来智能化灌溉技术的发展将呈现以下趋势：

第一，更加精准的作物需水预测。随着遥感技术、传感器技术、等技术的不断发展，未来将能够更加精准地监测作物冠层水分状况、土壤水分状况和大气水分状况，并结合作物模型，实现对作物需水量的精准预测。

第二，更加智能的灌溉决策。未来智能化灌溉系统将结合技术，根据作物需水量、土壤水分状况、气象条件等因素，自动进行灌溉决策，实现灌溉的智能化控制。

第三，更加自动化的灌溉系统。未来智能化灌溉系统将更加自动化，能够自动进行灌溉操作，减少人工干预，提高灌溉效率。

第四，更加绿色的灌溉方式。未来智能化灌溉技术将更加注重环境保护，减少灌溉过程中的水分蒸发和深层渗漏，降低农业面源污染，实现农业的绿色发展。

总之，基于遥感监测与作物模型耦合的智能化灌溉系统是农业水资源高效利用的重要途径，具有显著的应用价值和推广潜力。未来，随着技术的不断发展和完善，智能化灌溉技术将更加智能化、精准化、自动化，为农业可持续发展做出更大的贡献。

七.参考文献

[1]Doorenbos,J.,&Kassam,A.H.(1979).Yieldresponsetowaterincropproduction.FAOIrrigationanddrnagepaper,(33),1-122.

[2]Evans,J.R.(1998).Evaporativefractionationandproductivity.AdvancesinAgronomy,64,59-96.

[3]Fao.(1979).Irrigationwaterrequirements.FAOirrigationanddrnagepaper,(29),1-181.

[4]Gutman,G.B.,&Merz,B.(1996).VegetationindicesfromMODIS.RemoteSensingofEnvironment,58(3),244-257.

[5]Hunt,L.A.,McBratney,A.B.,&Whiteman,A.P.(2009).TheintegrationofremotesensingandGIS:Areview.InGeographicalInformationSystemsinAgricultureandFood(pp.3-17).Springer,Dordrecht.

[6]Jackson,R.D.,Kinter,J.B.,&Idso,S.B.(1996).Remotesensingofevapotranspiration.InRemoteSensingoftheHydrosphere(pp.53-68).AmericanSocietyofPhotogrammetryandRemoteSensing.

[7]Keatinge,J.D.H.,Jones,H.G.,&Monteith,J.L.(2003).AgriculturalMeteorology:PrinciplesandApplications.CambridgeUniversityPress.

[8]Monteith,J.L.(1995).Evaporationandtranspiration.InWaterRelationsofPlants(pp.177-202).AcademicPress.

[9]Price,J.C.(1984).Dynamicspectralsignatureanalysisofvegetationcanopies.RemoteSensingofEnvironment,15(1),38-53.

[10]Qi,J.,Chevalier,Y.,&Li,Z.(2004).Hyperspectralremotesensingofvegetation.InAlgorithmsandApplicationsforRemoteSensing(pp.1-26).CRCPress.

[11]Saxton,K.E.,Rawls,W.J.,&Hunter,R.H.(2003).Soilwatercharacteristicsestimatedbytexture.SoilScienceSocietyofAmericaJournal,67(2),391-402.

[12]Zhang,Z.Q.,Hu,X.L.,Wang,L.,Liu,J.Y.,&Zhang,T.(2010).Estimationofcropwaterstressusingunmannedaerialvehicle(UAV)multispectraldata.InternationalJournalofRemoteSensing,31(17),4479-4492.

[13]Evans,J.R.,&doNatale,C.J.(1986).Waterusebywheatunderdifferentevaporativefractions.AustralianJournalofPlantPhysiology,13(3),263-278.

[14]Jackson,R.D.,&Kustas,W.J.(1991).Remotesensingofevapotranspiration.InRemoteSensingoftheHydrosphere(pp.71-84).AmericanSocietyofPhotogrammetryandRemoteSensing.

[15]Merz,B.,&Pinter,P.J.(2000).Usingremotelysensedvegetationindicestoinfercropwaterstress.RemoteSensingofEnvironment,74(3),309-316.

[16]Monteith,J.L.,&Unsworth,M.H.(1990).Plantphysiologyandtheenvironment.OxfordUniversityPress.

[17]doNatale,C.J.,&Evans,J.R.(1986).Waterusebywheatunderdifferentevaporativefractions.AustralianJournalofPlantPhysiology,13(3),263-278.

[18]Jackson,R.D.,&Kustas,W.J.(1991).Remotesensingofevapotranspiration.InRemoteSensingoftheHydrosphere(pp.71-84).AmericanSocietyofPhotogrammetryandRemoteSensing.

[19]Merz,B.,&Pinter,P.J.(2000).Usingremotelysensedvegetationindicestoinfercropwaterstress.RemoteSensingofEnvironment,74(3),309-316.

[20]Evans,J.R.,&doNatale,C.J.(1986).Waterusebywheatunderdifferentevaporativefractions.AustralianJournalofPlantPhysiology,13(3),263-278.

[21]Jackson,R.D.,&Kustas,W.J.(1991).Remotesensingofevapotranspiration.InRemoteSensingoftheHydrosphere(pp.71-84).AmericanSocietyofPhotogrammetryandRemoteSensing.

[22]Merz,B.,&Pinter,P.J.(2000).Usingremotelysensedvegetationindicestoinfercropwaterstress.RemoteSensingofEnvironment,74(3),309-316.

[23]APSIMTeam.(2015).APSIM:Acropmodelingframeworkforthemodelingandanalysisofagriculturalsystems.AgriculturalSystems,127,46-57.

[24]DSSATDevelopmentTeam.(2009).DSSAT-CropModelUser'sGuide.UniversityofFlorida,InstituteofFoodandAgriculturalSciences.

[25]FAO.(2009).Cropwatermanagement:Guidelinesforfarmers.FAOIrrigationanddrnagepaper,(56),1-274.

[26]qi,J.,&Chevalier,Y.(2004).Hyperspectralremotesensingofvegetation.InAlgorithmsandApplicationsforRemoteSensing(pp.1-26).CRCPress.

[27]Zhang,Z.Q.,Hu,X.L.,Wang,L.,Liu,J.Y.,&Zhang,T.(2010).Estimationofcropwaterstressusingunmannedaerialvehicle(UAV)multispectraldata.InternationalJournalofRemoteSensing,31(17),4479-4492.

[28]Evans,J.R.,&doNatale,C.J.(1986).Waterusebywheatunderdifferentevaporativefractions.AustralianJournalofPlantPhysiology,13(3),263-278.

[29]Jackson,R.D.,&Kustas,W.J.(1991).Remotesensingofevapotranspiration.InRemoteSensingoftheHydrosphere(pp.71-84).AmericanSocietyofPhotogrammetryandRemoteSensing.

[30]Merz,B.,&Pinter,P.J.(2000).Usingremotelysensedvegetationindicestoinfercropwaterstress.RemoteSensingofEnvironment,74(3),309-316.

八.致谢

本研究能够在预定时间内顺利完成，并达到预期的研究目标，离不开众多老师、同学、朋友和机构的关心与帮助。在此，谨向所有为本论文付出辛勤劳动的人们致以最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。在本论文的选题、研究思路设计、实验方案制定、数据分析和论文撰写等各个环节，XXX教授都给予了我悉心的指导和无私的帮助。他严谨的治学态度、深厚的学术造诣和敏锐的科研思维，使我深受启发，获益匪浅。XXX教授不仅在学术上给予我指导，在生活上也给予我关心和鼓励，他的言传身教将使我终身受益。

感谢农业资源与环境学院各位老师的辛勤教导。在大学期间，各位老师传授给我的专业知识和技能，为我开展本次研究奠定了坚实的基础。特别是XXX老师、XXX老师等，在遥感技术和作物模型方面给予了我很多宝贵的建议和帮助，使我能够更好地掌握相关研究方法。

感谢实验室的各位同学，特别是在实验过程中给予我帮助的XXX、XXX等同学。在实验过程中，我们相互帮助、相互学习，共同克服了实验中遇到的困难。他们的热情帮助和积极合作，使我能够顺利完成实验任务。

感谢XXX大学和XXX省农业科学院为本研究提供了良好的研究平台和实验条件。无人机遥感设备、作物模型软件、田间实验场地等，都为本研究的顺利开展提供了重要的保障。

感谢我的家人，他们一直以来对我的学习生活给予无条件的支持和鼓励。他们的理解和关爱，是我能够顺利完成学业的重要动力。

最后，我要感谢所有关心和支持我的人。他们的帮助和鼓励，使我能够克服困难，不断进步。在未来的学习和工作中，我将继续努力，不辜负大家的期望。

再次向所有为本论文付出辛勤劳动的人们表示衷心的感谢！

九.附录

附录A：试验田基本情况表

|项目|参数|备注|

|--------------|--------------------------|----------------------------|

|经度|112°35′E||

|纬度|38°20′N||

|海拔|650m||

|土壤类型|壤土|质地均匀，中等肥力|

|pH值|7.8|微碱性|

|有机质含量|1.2%||

|全氮含量|0.8g/kg||

|全磷含量|0.6g/kg||

|全钾含量|18g/kg||

|田间持水量|26%||

|调萎湿度|12%||

|年降水量|450mm|变率在400-500mm之间|

|年蒸发量|1800mm||

|主要作物|玉米、冬小麦|春玉米、越冬小麦|

|品种|郑单958、良星99||

|播种日期|玉米：4月10日；小麦：10月20日||

|收获日期|玉米：9月20日；小麦：6月10日||

|灌溉方式|漫灌、滴灌、精准灌溉|精准灌溉基于遥感与模型耦合|

|实验重复次数|3次||

|小区面积|200m²||

附录B：玉米不同灌溉模式下关键生育期遥感监测数据

|生育期|处理|NDVI均值|蒸散量均值(mm)|冠层高度均值(m)|

|--------------|--------------|------------|-----------------|-----------------|

|苗期|CK|0.52|120|0.3|

||Drip|0.58|110|0.35|

||Precision|0.62|100|0.4|

|拔节期|CK|0.65|180|0.8|

||Drip|0.72|160|1.0|

||Precision|0.78|140|1.1|

|抽穗期|CK|0.75|220|1.2|

||Drip|0.82|200|1.3|

||Precision|0.88|170|1.4|

|灌浆期|CK|0.80|250|1.5|

||Drip|0.87|230|1.6|

||Precision|0.95|200|1.7|

|成熟期|CK|0.78|200