渭-库绿洲耕层土壤水盐空间分异特征研究

探索干旱区绿洲耕层土壤水盐空间分异规律对土壤盐渍化防治具有十分重要的意义。以渭干河-库车河三角洲绿洲为研究区，采用反距离加权、局部多项式、径向基函数和普通克里金插值方法进行土壤水盐含量的空间插值，并利用均方根误差、平均相对误差、平均绝对误差以及决定系数对4种插值结果进行精度验证，并分析不同海拔和土地利用类型下的土壤水盐空间分异特征。结果表明:1）研究区耕层土壤水盐空间变异程度由大到小依次为土壤总盐＞电导率＞含水量＞pH值，pH值属于弱空间变异，电导率和土壤总盐属于强空间变异，土壤含水量为中度空间变异。2）对比4种插值方法的精度，由高到低依次为反距离加权>径向基函数>普通克里金>局部多项式，反距离加权模型的决定系数最高，均方根误差、平均相对误差和平均绝对误差均最小。3）研究区耕层土壤含水量由东向西递增，而pH值、电导率和土壤总盐由东向西递减，均呈现出较为明显的条带状分布规律。在不同海拔高度和土地利用类型下，土壤水盐含量呈现出显著的空间差异（P<0.05）。     

基于MODIS NDVI的海南岛植被覆盖面积的反演技术

为了给合理监测海南岛植被生态环境变化提供理论依据,基于2015、2017年海南岛MODIS NDVI数据、地表覆盖数据,利用一元线性拟合、均方根误差分析、相关系数分析等方法开展了海南岛植被覆盖面积反演技术研究。结果表明:2015年海南岛最主要的地表覆盖类型为森林,主要分布在五指山山脉一带;其次是耕地,主要分布在海口、临高、澄迈、文昌、东方等沿海一带;植被覆盖面积（森林、草地、灌丛、湿地）占总面积的65.67%,2017年地表覆盖状况与2015年类似;海南岛植被覆盖率总体较高,中部山区市县植被覆盖率高于沿海市县,其中,五指山植被覆盖率最高,其次是琼中、白沙;海口植被覆盖率最低,其次是文昌、定安;海南岛NDVI植被覆盖面积反演的最佳阈值为0.70,在此阈值下,NDVI对2015、2017年植被覆盖的空间识别率分别达78.64%、78.74%;海南岛各市县植被覆盖面积与NDVI反演值的最佳拟合模型为:y=0.898 9x+62 708 142.60,拟合值与真实值的相关系数为0.91,均方根误差占平均值的17.50%,较反演值误差减少了7.23%,沿海市县植被覆盖面积拟合偏差率较大、内陆市县拟合偏差率较小。     

基于MODIS和DEM的土壤有机质空间预测研究(英文)

[目的]本研究以湖南省石门县为例,采用普通克里格和基于MODIS和DEM数据的回归克里格方法,结合有限个采样数据对该区有机质进行空间预测,并进行对比分析。[方法]运用由地形参数(由DEM派生得到)、归一化植被指数(NDVI)以及由MODIS派生得到的地表温度(LST)等指标进行空间模拟,然后通过平均误差(ME)和均方根误差(RMSE)验证精度,数据的描述性统计及转换均通过软件实现。[结果]结果表明在有限个采样数据下,结合多元遥感数据的回归克里格方法优于普通克里格法,回归克里格法的平均误差和均方根误差均低于普通克里格法,相对提高值为6.03%。[结论]在低山丘陵区,运用MODIS数据及其他遥感数据对土壤有机质进行空间预测具有较好的效果。     

基于Rapideye影像的林木地上生物量估测

以石台县为研究地,结合Rapideye高分遥感影像和不同森林类型样地林木地上生物量调查数据,采用Pearson双变量相关分析方法筛选模型变量,分别用多元线性回归和随机森林算法建立不同森林类型的遥感地上生物量估测模型,并进行模型估测精度对比分析。结果表明,叶绿素红边模型(CRM)与叶绿素绿波模型(CGM)2个指数与针叶林、阔叶林生物量在0.01水平上的相关性极显著,且在其多元线性回归模型和随机森林模型中两者均被挑选为建模变量。另外,与生物量相关性较强的纹理特征主要集中的红光波段和红边波段,且仅MEAN、VAR、SM3个滤波对生物量估测贡献较大,可作为建模变量。阔叶林、针叶林和针阔混交林3种森林类型的地上生物量模型估测精度均表现为随机森林模型优于多元线性回归模型。随机森林模型生物估测绝对均方误差在12.8760~36.5363之间,相对均方误差在20.20%~45.95%之间;多元线性回归生物量估测绝对均方误差在22.0425~46.4494之间,相对均方误差在34.58%~58.42%之间。     

An integrated method of selecting environmental covariates for predictive soil depth mapping

Environmental covariates are the basis of predictive soil mapping. Their selection determines the performance of soil mapping to a great extent, especially in cases where the number of soil samples is limited but soil spatial heterogeneity is high. In this study, we proposed an integrated method to select environmental covariates for predictive soil depth mapping. First, candidate variables that may influence the development of soil depth were selected based on pedogenetic knowledge. Second, three conventional methods (Pearson correlation analysis (PsCA), generalized additive models (GAMs), and Random Forest (RF)) were used to generate optimal combinations of environmental covariates. Finally, three optimal combinations were integrated to produce a final combination based on the importance and occurrence frequency of each environmental covariate. We tested this method for soil depth mapping in the upper reaches of the Heihe River Basin in Northwest China. A total of 129 soil sampling sites were collected using a representative sampling strategy, and RF and support vector machine (SVM) models were used to map soil depth. The results showed that compared to the set of environmental covariates selected by the three conventional selection methods, the set of environmental covariates selected by the proposed method achieved higher mapping accuracy. The combination from the proposed method obtained a root mean square error (RMSE) of 11.88 cm, which was 2.25–7.64 cm lower than the other methods, and an R² value of 0.76, which was 0.08–0.26 higher than the other methods. The results suggest that our method can be used as an alternative to the conventional methods for soil depth mapping and may also be effective for mapping other soil properties.     

Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data

Fractional vegetation cover (FVC) is an important parameter to measure crop growth. In studies of crop growth monitoring, it is very important to extract FVC quickly and accurately. As the most widely used FVC extraction method, the photographic method has the advantages of simple operation and high extraction accuracy. However, when soil moisture and acquisition times vary, the extraction results are less accurate. To accommodate various conditions of FVC extraction, this study proposes a new FVC extraction method that extracts FVC from a normalized difference vegetation index (NDVI) greyscale image of wheat by using a density peak k-means (DPK-means) algorithm. In this study, Yangfumai 4 (YF4) planted in pots and Yangmai 16 (Y16) planted in the field were used as the research materials. With a hyperspectral imaging camera mounted on a tripod, ground hyperspectral images of winter wheat under different soil conditions (dry and wet) were collected at 1 m above the potted wheat canopy. Unmanned aerial vehicle (UAV) hyperspectral images of winter wheat at various stages were collected at 50 m above the field wheat canopy by a UAV equipped with a hyperspectral camera. The pixel dichotomy method and DPK-means algorithm were used to classify vegetation pixels and non-vegetation pixels in NDVI greyscale images of wheat, and the extraction effects of the two methods were compared and analysed. The results showed that extraction by pixel dichotomy was influenced by the acquisition conditions and its error distribution was relatively scattered, while the extraction effect of the DPK-means algorithm was less affected by the acquisition conditions and its error distribution was concentrated. The absolute values of error were 0.042 and 0.044, the root mean square errors (RMSE) were 0.028 and 0.030, and the fitting accuracy R² of the FVC was 0.87 and 0.93, under dry and wet soil conditions and under various time conditions, respectively. This study found that the DPK-means algorithm was capable of achieving more accurate results than the pixel dichotomy method in various soil and time conditions and was an accurate and robust method for FVC extraction.     

夏玉米叶片形状系数的时间和空间变异

【目的】叶片形状系数(α)为测量作物的叶面积和叶面积指数提供了简单快捷的方法。然而,以往研究表明对作物叶片形状系数的选取存在很大的随意性,缺乏统一标准,且通常将其视为常数,不考虑它的时间和空间变异性。为解决这一问题,文章对陕西关中地区夏玉米不同生长阶段和不同叶位叶片形状系数的时间和空间变异性进行了深入研究。【方法】选取2015年6—10月生长季6个夏玉米品种,将玉米生育期划分为三叶、拔节、抽雄、开花、吐丝、成熟等6个不同生长阶段,每6天采样一次,测量叶片面积(LA)、叶片长度(L)和宽度(W),计算各个阶段的α值,同时对比α值在单个玉米植株不同叶位之间的差异。然后分别建立线性、二次、对数等3类共5个叶面积估算模型,以RMSE、RRMSE和ARE 3个统计量作为评价指标,对各叶片面积估算模型的精度进行评价。【结果】对全生育期6个夏玉米品种的760个叶片的面积和长宽乘积进行线性回归分析,夏玉米叶片形状系数均值约为0.78;在被验证的5种叶面积估算模型中,叶面积模型LA=α×L×W,其中α=0.78时精度最高,其相对均方根误差(RRMSE)约为9.50%,绝对相对误差(ARE)约为6.96%。α值范围为0.72—0.87,并随玉米生育期的变化而变化,自三叶期到开花期逐渐增大到全生育期最大值0.87,开花后缓慢下降至0.78,其中开花期叶片的α值与开花前各阶段的α值存在显著差异,而与开花后各阶段的α值不存在显著差异。不同熟性的夏玉米品种之间叶片α值也只在开花、吐丝期表现显著差异。不同叶型叶片α值表现出不同的变化规律,三叶期到拔节前,短宽型叶片的α值大于细长型叶片,此后一直到成熟期,细长型叶片的α值则大于短宽型叶片。在单个植株不同叶位叶片之间,α值变异性明显,开花期、吐丝期、成熟期均呈现出两头大中间小的规律,其中植株中部棒三叶位置α均值最为稳定,为0.78,对应的标准差在0.05以内,而植株上部和下部α均值约为0.84,对应的标准差在0.03—0.10。其中拔节、抽雄期不同叶位叶片的α值不存在显著差异,而在开花、吐丝、成熟期则表现出显著差异。【结论】叶面积模型LA=0.78×L×W更适于估算田间夏玉米叶片面积,较一般采用叶片性状系数0.75时提高模拟精度(ARE)3.86%。应在不同的生长阶段和不同叶位分别采用不同的叶片形状系数,这样才能进一步提高玉米叶面积估算的精度。     

基于根重的作物根系吸水模型初步研究

作物根系吸水受多种吲素影响,笔者在前人研究的基础上,从根系自身生物量变化的角度,依据土壤水动力学原理．构建以根重为因变量的根系吸水模型。采用均方根洪差（RMsE）和平均绝对百分误差（MAPE）2个评价指标对模型进行检验和评价。结果表明．RMSE全年统计的变化范嗣O．477～1．231．MAPE全年统计的变化范同1．082％～4,052％．平均RMSE为O．810,平均MAPE为2．520％．模拟精度基本满足要求。说叫建立的根系吸水数值模型及编写的程序具有较高的模拟精度,能够较好地模拟自然条件下作物生长期间的土壤水分动态变化,．     

基于组合模型的玛纳斯河流域农田土壤盐分反演

盐渍化是影响土壤质量和作物生长的重要因素之一，利用遥感技术大面积获取土壤盐分信息具有重大意义。以新疆玛纳斯河流域农田为研究对象，将偏最小二乘回归模型(PLSR)和BP神经网络模型(BPNN)相结合，构建组合模型来反演土壤盐渍化状况。结果表明，与土壤盐分相关性较高且具有代表性的遥感指数为归-化植被指数(NDVI)、比值植被指数(RVI)和土壤调整植被指数(SAVI)，其相关性系数分别为-0.746、-0.663和-0.733。单项预测模型中偏最小二乘回归模型的预测精度最高，其决定系数(R²)为0.759，均方根误差(RMSE)为3.159。组合模型R²为0.797,RMSE为3.611，其验证精度较单项预测模型有所提高，较PLSR模型提高了0.038，较BPNN提高了0.094。组合模型可更准确地预测出玛纳斯河流域农田土壤盐分空间分布状况。玛纳斯河流域农田土壤盐渍化以轻度和中度盐渍化为主，所占比例达到35.34%和25.66%，与实测结果一致。组合模型较单项模型可以获得更准确的土壤盐分空间分布状况，为新疆玛纳斯河流域农田土壤盐渍化治理和土地资源...     

基于深度卷积网络的育肥猪体重估测

为快速、无应激、准确地获取育肥猪体重数据,采用深度卷积网络对育肥猪体重进行了估测。结果表明:1)在改造后的Xception、MobileNetV2、DenseNet201和ResNet152V2 4种模型中,DenseNet201模型体重估测效果最好,在验证集上估测的相关系数为0.993 9,均方根误差为1.85kg,平均绝对误差为1.10kg,平均相对误差1.57%,被选为本研究所用的育肥猪体重估测模型;2)在测试数据上考察了该模型的泛化效果,其估测的相关系数为0.976 7,均方根误差为2.75kg,平均绝对误差为2.10kg,平均相对误差3.03%,效果良好;3)该模型的平均估测时间为0.16s,其处理速度远快于传统方法,更适合用于育肥猪分群系统、母猪饲喂站等对猪只体重获取速度要求严格的场合。综上,深度卷积网络模型可用于快速估测育肥猪体重,为猪场的自动化、智能化和无人化管理提供依据。     

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R~2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R~2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。     

Spatial Interpolation and Sample Size Optimization for Soil Copper （Cu） Investigation in Cropland Soil at County Scale Using Cokriging

Knowledge on spatial distribution and sampling size optimization of soil copper （Cu） could lay solid foundations for environmetal quality survey of agricultural soils at county scale. In this investigation, cokriging method was used to conduct the interpolation of Cu concentraiton in cropland soil in Shuangliu County, Sichuan Province, China. Based on the original 623 physicochmically measured soil samples, 560, 498, and 432 sub-samples were randomly selected as target variable and soil organic matter （SOM） of the whole original samples as auxiliary variable. Interpolation results using Cokriging under different sampling numbers were evaluated for their applicability in estimating the spatial distribution of soil Cu at county sacle. The results showed that the root mean square error （RMSE） produced by Cokriging decreased from 0.9 to 7.77%, correlation coefficient between the predicted values and the measured increased from 1.76 to 9.76% in comparison with the ordinary Kriging under the corresponding sample sizes. The prediction accuracy using Cokriging was still higher than original 623 data using ordinary Kriging even as sample size reduced 10%, and their interpolation maps were highly in agreement. Therefore, Cokriging was proven to be a more accurate and economic method which could provide more information and benefit for the studies on spatial distribution of soil pollutants at county scale.     

基于缺省因子的BP-ANN土壤墒情预报简化模型

对影响土壤墒情的主要气象要素,平均气温、相对湿度、日照时数、平均风速、蒸降差和前一旬土壤墒情进行分析合并,建立BP-ANN土壤墒情预报6因子模型;通过缺省因子检验法,判断土壤墒情对6个因子敏感程度,简化冗余因子,构建BP-ANN的3因子(相对湿度、日照时数、前一旬土壤相对湿度)墒情预报模型。结果表明:3因子模型均方根误差3.55,具有数据收集和处理量小的优点,基本能够达到所需精度和拟合度。在北京市山区和平原区2个典型站点的模拟检验表明,3因子模型实测值与预测值的拟合关系均达到极显著相关水平,可操作性强的特点。     

Monitoring Perennial Sub-Surface Waterlogged Croplands Based on MODIS in Jianghan Plain,Middle Reaches of the Yangtze River

Perennial waterlogged soil（PWS） is induced by the high level of groundwater, and has a persistent impact on natural ecosystems and agricultural production. Traditionally, distribution information regarding PWS is mainly collected from in situ measurements through groundwater level surveys and physicochemical property analyses. However, in situ measurements of PWS are costly and time-consuming, only rough estimates of PWS areas are available in some regions. In this paper, we developed a method to monitor the perennial waterlogged cropland using time-series moderate resolution imaging spectroradiometer（MODIS） data. The Jianghan Plain, a floodplain located in the middle reaches of the Yangtze River, was selected as the study area. Temporal variations of the enhanced vegetation index（EVI）, night land surface temperature（LST）, diurnal LST differences（ΔLST）, albedo, and the apparent thermal inertia（ATI） were used to analyze the ecological and thermodynamic characteristics of the waterlogged croplands. To obtain pure remote sensing signatures of the waterlogged cropland from mixed pixels, the croplands were classified into different types according to soil and land cover types in this paper, and a linear mixing model was developed by fitting the signatures using the multiple linear regression approach. Afterwards, another linear spectral mixing model was used to get the proportions of waterlogged croplands in each 1 km×1 km pixel. The result showed an acceptable accuracy with a root-mean-square error of 0.093. As a tentative method, the procedure described in this paper works efficiently as a method to monitor the spatial patterns of perennial sub-surface waterlogged croplands at a wide scale.     

基于GA-BP算法的土壤墒情预测

利用遗传算法的全局寻优能力优化BP神经网络连接权值,建立基于GA-BP算法的土壤墒情预测模型具有绝对误差小和收敛速度快的优点,且避免了BP算法易陷入局部极小值的缺点,该模型预测的平均绝对误差为1.11%,具有较好的预测精度。     

基于高光谱特征参数的棉花长势参数监测

通过小区棉花密度和水分对比试验,分析不同密度和水分处理的棉花整个生育期生物量和LAI(叶面积指数)与高光谱特征参数的相关性,建立棉花生物量和LAI光谱估算模型。选取的所有植被指数与棉花LAI和生物量相关性均达到极显著水平,其中光谱参量NDVI(890,670)与LAI的相关性和光谱参量Height(920)与生物量相关性最好,用这2个参量与生物量建立棉花长势估测模型,其决定系数分别为0.804 0和0.760 9,均方根误差分别为0.191 5和0.315 2,利用光谱特征参数可以有效地监测棉花整个生育期的长势变化。     

地表土壤湿度和植被状况的监测及其与沙尘暴发生的关系探讨

利用NOAA/AVHRR数据,采用单时相乘积法计算土壤湿度,采用NDVI指示地表状况,利用地表土壤相对湿度旬平均值、NDIV旬平均值、风速以及三者的综合值与实测的沙尘暴旬数据,定性和定量分析了中国北方地区土壤湿度、植被覆盖、风速与沙尘暴发生的关系,结果表明风速是影响沙尘暴发生的关键因素,与沙尘暴发生成正比;土壤相对湿度与地面植被在一定程度上影响了沙尘暴的发生,与沙尘暴的发生成反比;由平均风速、土壤相对湿度和NDVI组成的综合因子与沙尘暴发生次数及能见度的相关性高于风速与后二者的相关性,因此综合因子具有指示和监测沙尘暴发生的潜力。     

玉树隆宝湿地土壤水热变化特征及对地表反照率的影响

利用青海玉树隆宝湿地2011年10月～2012年11月的观测资料,分析了该地区土壤湿度、土壤温度、土壤热通量、感热通量和潜热通量的年变化特征,以及地表反照率的日变化特征和地表反照率随土壤湿度的变化关系.结果表明,玉树隆宝湿地土壤湿度和土壤温度均呈夏秋季（融化期）高、冬春季（冻结期）低的特点;土壤热通量在10月～次年2月为负值,3～9月为正值;感热通量的年变化幅度较小,潜热通量的值呈现夏秋季高、冬春季低的特点,地表反照率冬季高夏季低,在春季和秋季土壤冻结和融化期间地表反照率的值上午高下午低,12月份地表反照率日平均值最高,为0.44,6月份地表反照率日平均值最低,为0.24,地表反照率年平均值为0.32;冻结和融化期间,地表反照率随土壤湿度的增大而减小.     

沙棘苗木根系生长发育特征研究

沙棘苗木根系生物量、表面积、体积随着苗木地径和苗高的增加而显著增加,呈抛物线型;根系的数量、生物量、表面积和体积随土壤含水量的降低而逐渐降低,淳化土壤87.14、70.00、52.00和40.00田间持水量苗木根系的数量、生物量、表面积和体积分别为98、38、35、16条,26.26、7.90、8.70、1.32g,1145.72、355.46、290.04、34.54 cm2,87.36、30.66、29.17、2.08 cm3;安塞土壤的情况与淳化的情况类似,但吴旗土壤中等土壤含水量苗木根系发育相对丰     

覆膜条件下对AquaCrop模型冬小麦生长动态和土壤水分模拟效果的评价分析

【目的】通过评价AquaCrop模型对覆膜条件下冬小麦的生长发育、土壤水分、产量以及水分利用效率的模拟效果,为AquaCrop模型在覆膜条件下的校准和应用提供科学的方法和理论依据。【方法】试验设臵不覆盖(CK)和白色地膜覆盖(PM)两个处理,于2013年10月至2016年6月年在陕西杨凌进行田间试验,利用2014—2015年度试验数据对AquaCrop模型进行参数校准,利用2013—2014年度和2015—2016年度的冬小麦观测数据对AquaCrop模型进行验证。【结果】AquaCrop模型较好地模拟了冬小麦冠层覆盖度,冠层覆盖度模拟值和实测值之间的决定系数(R2)为0.86—0.99,均方根误差(RMSE)为2.1%—8.1%。AquaCrop模型也较好地模拟了冬小麦生物量和土壤贮水量,其中地上部生物量的模拟值和实测值之间的R2均大于0.95,RMSE为0.814—1.933 t·hm-2;CK土壤贮水量模拟值和实测值间的相关系数均大于0.85,PM土壤贮水量模拟值和实测值间的相关系数均大于0.75,CK和PM土壤贮水量模拟值和实测值的均方根误差表现为9.2 mmRMSE17.6 mm,标准均方根误差(NRMSE)小于5.5%。冬小麦产量实测值和模拟值相对误差(RE)为-4.4%—9.0%,PM产量实测值和模拟值的平均值较CK分别提高40.5%和40.3%,表现出较好的一致性,处理间成显著性差异。水分利用效率实测值和模拟值RE为-10.4%—-1.5%,PM水分利用效率实测值和模拟值的平均值较CK分别提高54.1%和47.5%,同样表现出较好的一致性,处理间成显著性差异。在冠层覆盖度、地上部生物量、产量和水分利用效率方面,模型模拟值和实测值的变化趋势基本一致,且PM模拟值和实测值间均较CK表现出显著性差异。【结论】AquaCrop模型能够较好地模拟覆膜条件下冬小麦生长发育过程,可以用于覆膜条件下作物生产力的模拟和预测,为AquaCrop模型的推广应用提供了可靠的数据支持。