基于MODIS时间序列反射率数据的雷竹林LAI反演

本文以雷竹林为研究对象,基于MODIS地表反射率数据构建了归一化植被指数(NDVI)、比值植被指数(SR)、Gitelson绿色植被指数(GI)、增强型植被指数(EVI)和土壤调整植被指数(SAVI)5种植被指数,并将其与MODIS 7个波段原始反射率数据作为遥感变量,采用逐步回归和相关分析两种方法进行变量筛选,结合LAI实测数据构建了逐步回归和BP神经网络两种模型,对雷竹林生态系统观测站点2014年1月-2017年3月LAI时间系列数据进行反演,并将反演结果与同时期MOD15A2 LAI产品进行对比分析.结果表明: SR为唯一入选逐步回归模型的变量;b₁、b₂、b₃和b₇以及5种植被指数与LAI之间的相关性均达到显著水平,可作为BP神经网络模型的输入变量.使用BP神经网络反演得到的LAI与实测LAI之间的相关性显著,R²为0.71,RMSE为0.34,RMSE_r为13.6%,其R²比逐步回归模型提高了10.9%,RMSE降低了5.6%,RMSE_r降低了12.3%,与MODIS LAI相比,其R²提高了54.5%,RMSE降低了79.3%,RMSE_r降低了79.1%.结合MODIS时间序列反射率和BP神经网络模型能够精确地反演雷竹林LAI,为实现基于遥感技术快速监测区域雷竹林LAI提供可行的方法.     

无人机高光谱联合LiDAR估测林分与单木尺度叶绿素含量

叶绿素是表征植被健康状况的重要指标,它的准确估计对森林碳汇评价研究至关重要。本研究通过无人机高光谱数据联合激光雷达点云估计针叶林、阔叶林和针阔混交林林分与单木水平的叶绿素含量,提升叶绿素无损估测精度,全面分析不同尺度叶绿素含量空间分布规律。在无人机高光谱数据与激光雷达点云融合的基础上,结合地面样地实测数据,通过相关性分析筛选与叶绿素含量相关的36个光谱特征变量,采用统计模型多元逐步回归、BP神经网络、萤火虫算法优化的BP神经网络、随机森林和混合数据驱动的机理模型PROSPECT模型构建多个叶绿素估算模型,选取最优模型估算森林叶绿素含量,分析其在林分和单木尺度上水平方向与垂直方向的空间分布规律。结果表明：在统计模型中,随机森林(R²=0.59～0.64,RMSE=3.79～5.83μg·cm^-2)优于多元逐步回归、BP神经网络和萤火虫算法优化的BP神经网络构建的模型;机理模型验证精度最高(R²=0.97,RMSE=3.40μg·cm^-2)。不同林分类型叶绿素的含量存在较大差异,阔叶林叶绿素含量为25....     

基于高光谱和数字图像特征指数的受渍冬小麦SPAD估算

为了探索基于高光谱和数字图像技术的受渍冬小麦SPAD最优监测方法,本研究基于排灌可控的微区试验,通过分析常用的15个高光谱特征指数和14个数字图像特征指数与受渍冬小麦叶绿素相对含量(SPAD)的相关关系,构建了基于最优监测特征指数的BP神经网络模型,对受渍冬小麦的SPAD进行估算。结果表明: 与正常小麦相比,短期渍水(≤7 d)对冬小麦的SPAD值和高光谱反射率影响不明显,当渍水时间大于12 d时,SPAD值随着渍水时间的增加急剧降低,在生长后期接近于0;基于数字图像特征指数(绿红差值植被指数、超红指数、红光标准化值和超绿指数)的冬小麦SPAD估算结果,与基于相对应的高光谱波段的估算结果基本一致,估算模型实测值与预测值的R²最高达到0.86,均方根误差(RMSE)为3.98;与基于数字图像特征指数相比,基于类胡萝卜素反射指数、黄边幅值、归一化植被指数和结构不敏感指数4个高光谱特征指数的冬小麦SPAD估算模型的实测值与预测值的R²最高达到0.97,RMSE低至1.95。可见,基于高光谱和数字图像技术均可以进行受渍冬小麦SPAD估算,且基于高光谱特征指数的BP神经网络模型的估算结果较好。     

基于红边参数的芦苇叶绿素的反演研究

干旱区荒漠植物的叶绿素定量反演是动态监测、快速有效评估植物生物量及长势的有效方法。利用便携式可见-近红外光谱仪FieldSpecPro3测定绿洲、盐碱地及沙漠3种生境内的芦苇高光谱值, 对高光谱数据一阶微分以及红边参数与叶绿素含量进行了相关分析, 选取最佳红边参数建立经验估算模型与神经网络模型, 并评估检验。模型显示, 三种生境下均为二项式回归模型的决定系数最佳, 检验精度的决定系数(R²)分别为0.8466、0.8672和0.7935, 均方根误差 RMSE (root-mean-square error)分别为2.3601、1.4112和2.8002; BP神经网络模型的检验精度的决定系数(R²)分别为0.9147、0.9331和0.8813, RSME分别为1.4010、0.9964和0.5559。结果表明, 利用BP(back propagation)神经网络估算的模型精确度显著提高, 可作为芦苇叶绿素高光谱反演的有效模型而使用, 为荒漠植物叶片叶绿素的光谱特征反演提供了借鉴, 为监测荒漠植物生长、产量估算及动态监测等提供可行的手段。     

基于无人机的冬小麦拔节期表层土壤有机质含量遥感反演

快速监测大面积分布的盐渍化麦田土壤有机质含量,可为推进盐渍土改良和促进碳循环研究提供数据支撑。通过野外采样与获取无人机遥感影像,分别基于裸土和植被情况,采用多元线性回归(MLR)、偏最小二乘回归(PLSR)和支持向量机回归(SVR)3种方法,建立区域有机质含量遥感模型,并进行检验和对比,确定最优的土壤有机质含量反演模型;最后基于最优模型进行研究区表层土壤有机质的反演,并与插值结果进行比较。结果表明: 经5×5的中值滤波处理后的光谱与土壤表层有机质对应最优;3种模型中,SVR模型的预测精度最高,PLSR次之,MLR效果最差。对比两种变量的建模效果,基于植被的SVR建模效果最好,其建模决定系数(R²)、均方根误差(RMSE)分别为0.89、0.20,验证R²、RMSE分别为0.82、0.24;基于裸土的建模效果不理想,最优的也是SVR模型,其建模R²、RMSE分别为0.63、0.26,验证R²、RMSE分别为0.61、0.25。根据最优模型反演得到该区域有机质含量为17.51～22.53 g·kg^-1,平均值为19.51 g·kg^-1,与实地调查结果较为一致;插值结果与反演结果相比,精度受到限制。综上,基于无人机多光谱可以对盐渍土冬小麦拔节期土壤有机质含量进行快速、大范围精准估测。     

基于SVR算法的林地土壤氮含量高光谱测定

提出了一种利用高光谱技术进行杉木林土壤全氮测定的新方法。以FieldSpec®3地物光谱仪采集杉木林土壤148份, 随机分成校正集(100份)和检验集(48份)。以不同方法实现了土壤光谱的预处理, 并采用偏最小二乘回归算法(PLS)建立土壤氮含量估测模型对其进行比较分析, 发现小波除噪结合多元散射校正能最有效地消除原始光谱的噪声与背景信息, 此时PLS模型校正集与预测集R²分别为0.891与0.885。为进一步优化模型, 对经小波除噪结合多元散射校正处理后的光谱采用主成分分析法(PCA)降维, 以前4个主成份为输入变量, 采用小二乘支持向量机回归算法(LS-SVR)建立了土壤氮含量估测模型, 其校正集与预测集R²分别提高至0.921与0.917, 具有比PLS算法更高的精度。结果表明:以高光谱技术进行林地土壤氮含量快速监测是可行的, 其中小波去噪结合多元散射校正系光谱预处理的优选方法, 而LS-SVR则是建模的优选方法。     

基于地面观测光谱数据的冬小麦冠层叶片氮含量反演模型

冬小麦冠层叶片氮含量是反映其产量与品质的重要指标,构建高普适性、高精准性冬小麦冠层叶片氮含量高光谱反演模型对提高其监测效率具有重要意义。以不同地点、品种、年份、施氮水平、生育期的大田试验数据为基础,基于两波段光谱植被指数NDRE和550 nm光谱反射率组合构建一个三波段植被指数NEW-NDRE,并与11个传统冬小麦冠层叶片氮素光谱指数进行比较。结果表明: NEW-NDRE及传统植被指数中NDRE、NDDA、RI-1dB与冬小麦冠层叶片氮含量的相关性较好;其中,灌浆初期NEW-NDRE与冬小麦冠层叶片氮含量相关性最好,决定系数R²为0.9,均方根误差(RMSE)为0.4;经独立数据检验,以NEW-NDRE为变量建立的冬小麦冠层叶片氮含量反演模型的平均相对误差(RE)为9.3%,明显低于以NDRE、NDDA、RI-1dB为变量的模型RE。总体上,新构建的NEW-NDRE对冬小麦冠层叶片氮含量的模拟能力显著优于传统指数,减弱了试验条件的限制性,可为精准施肥提供新的技术支撑。     

基于作物生长监测诊断仪的双季稻叶片氮含量和氮积累量监测

为了验证作物生长监测诊断仪(CGMD)监测双季稻氮素营养指标的准确性和适用性,构建基于CGMD的双季稻叶片氮含量(LNC)和氮积累量(LNA)的监测模型。选用8个不同早、晚稻品种,设置4个不同施氮水平,利用CGMD采集冠层差值植被指数(DVI)、归一化植被指数(NDVI)和比值植被指数(RVI),同步利用ASD FH2高光谱仪采集冠层光谱反射率,并计算DVI、NDVI和RVI;通过比较CGMD和ASD FH2采集的冠层植被指数变化特征,验证CGMD的测量精度,构建基于CGMD的LNC和LNA监测模型,并利用独立试验数据对模型进行检验。结果表明: 早、晚稻LNC、LNA、DVI、NDVI和RVI随施氮水平的增加而增大,随生育进程的推进呈先升后降的趋势;CGMD与ASD FH2采集的DVI、NDVI和RVI间拟合的决定系数(R²)分别为0.9350、0.9436和0.9433,表明CGMD的测量精度较高,可替代ASD FH2采集冠层植被指数。基于CGMD的3个冠层植被指数相比,NDVI_CGMD与LNC的相关性最高,RVI_CGMD与LNA的相关性最高;基于NDVI_CGMD的指数模型可较准确地预测LNC,模型R²为0.8581～0.9318,模型检验的均方根误差(RMSE)、相对均方根误差(RRMSE)和相关系数(r)分别为0.1%～0.2%、4.0%～8.5%和0.9041～0.9854;基于RVI_CGMD的幂函数模型可较准确地预测LNA,模型R²为0.8684～0.9577,模型检验的RMSE、RRMSE和r分别为0.37～0.89 g·m^-2、6.7%～20.4%和0.9191～0.9851。与化学分析方法相比,利用CGMD可便捷准确地获取早、晚稻的LNC和LNA,在双季稻丰产高效栽培和氮肥精确管理中具有应用价值。     

不同地形条件下植被盖度信息提取技术研究

为系统地研究特定区域的植被盖度信息提取技术, 在不同的地形条件下, 比较了目前流行的多种高光谱遥感植被盖度提取方法。结果表明: 最优高光谱归一化植被指数(NDVI₁)的建模和验证精度均高于其他两种归一化植被指数(NDVI), 直接采用NDVI建立的回归模型对研究区植被盖度的估测能力低于像元二分模型; 阴坡的最佳模型为基于一阶微分的偏最小二乘回归模型(PLSR模型), 其建模决定系数(R²)为0.810, 均方根误差(RMSE)为6.29, 验证R²为0.773, RMSE为8.85; 阳坡的最佳模型为基于二阶微分的PLSR模型, 其建模R²为0.823, RMSE为6.04, 验证R²为0.801, RMSE为7.35; 平原的最佳模型为全受限的线性光谱混合分解模型(FCLS), 其验证R²为0.852, RMSE为5.86。     

不同干旱条件下夏玉米全生育期冠层吸收光合有效辐射比的高光谱遥感反演

冠层吸收光合有效辐射比(fAPAR)是植被生产力遥感模型的重要参数.但关于不同干旱条件下作物全生育期的fAPAR遥感反演研究仍未见报道.本研究利用2015年夏玉米5个灌水处理模拟试验的高光谱反射率和fAPAR观测资料,分析了不同干旱条件下夏玉米关键生育期fAPAR和高光谱反射率变化特征,探讨了fAPAR与反射率、一阶导数光谱反射率和植被指数的关系.结果表明: 轻度水分胁迫和充分供水条件下,fAPAR较高;重度水分胁迫和重度持续干旱条件下,fAPAR较低.冠层可见光、近红外光和短波红外光区的反射率与fAPAR分别呈负相关、正相关和负相关关系.fAPAR与可见光和短波红外光区的383、680和1980 nm附近的反射率的相关性最强,相关系数均达-0.87.一阶导数光谱反射率与fAPAR相关性强且稳定的波段为580、720和1546 nm,相关系数分别为-0.91、0.89和0.88. 9个常用植被指数与fAPAR呈线性或对数关系,其中,增强型植被指数、复归一化植被指数、土壤调节植被指数和修正的土壤调节植被指数与fAPAR的关系模型最好,决定系数(R²)均在0.88以上,平均相对误差分别为16.6%、16.6%、16.7%和16.2%;基于一阶导数光谱反射率与fAPAR的对数关系在(720±5) nm波段处的模拟效果较好,R²达0.86;直接选择反射率数据估算fAPAR的效果较差,R²最高为0.81.研究结果可为fAPAR的准确反演及评估作物干旱状况提供支撑.     

基于挺水植物高光谱信息的再生水总氮含量估测——以北京市门城湖湿地公园为例

高光谱信息是探测植物体内氮素含量状况的重要手段,而植物体中的氮素与水体含氮量息息相关.本研究区为以再生水为主要补给水水源的北京门城湖湿地公园,通过获取区内典型的再生水氮净化挺水植物芦苇和香蒲叶片的高光谱数据,并在室内测定对应样点的水体总氮含量指标, 探讨基于典型湿地挺水植物高光谱数据对水体总氮进行遥感探测的可行性.采用4种高光谱参数(光谱指数、归一化差值指数、“三边”参数及吸收特征参数)分别建立一元线性模型、逐步多元回归模型和偏最小二乘模型,根据决定系数(R²)和均方根误差(RMSE)进行模型精度检验.结果表明: 逐步多元回归和偏最小二乘模型的预测精度高于一元线性模型. 3种模型对芦苇的拟合效果均优于香蒲.偏最小二乘模型对芦苇的拟合效果最优(R²=0.854,RMSE=0.647).500～700 nm是反映水氮含量的最佳波段范围,绿峰与红谷反射率的比值与水体总氮含量具有较强的相关性,尤其是吸收特征参数能够较好地预测水体总氮含量.     

基于土壤异质背景的玉米秸秆覆盖度遥感反演

玉米秸秆覆盖还田是东北平原当前大力推广的一种保护性耕作方式。区域作物秸秆覆盖度(CRC)的遥感估算可大范围快速获取耕地秸秆覆盖还田信息,对于政府监测和推广秸秆覆盖还田工作有重要作用。本研究以吉林省梨树县为研究区,基于Sentinel-2A卫星影像,选取归一化耕作指数(NDTI)、归一化秸秆指数(NDRI)、简单耕作指数(STI)和归一化差值指数(NDI7)4种光谱指数,建立光谱指数与玉米秸秆覆盖度的线性回归模型,进行秸秆覆盖度反演。结果表明: 研究区土壤背景空间异质性较强,对光谱指数回归模型影响显著,采用土壤质地分类(分区)分别建立回归模型的方法可提高反演精度。土壤背景空间异质性会增大模型估算误差;4种光谱指数与玉米秸秆覆盖度均有较强相关性,其中,NDTI和STI模型表现更好;基于NDTI和STI的分区线性回归模型验证R²为0.84、RMSE为13.3%,优于不分区的模型(R²为0.75,RMSE为16.5%),有效提升了反演精度。     

Forest species diversity mapping based on clustering algorithm

该研究基于机载激光雷达(LiDAR)和高光谱数据, 从森林物种叶片的生理化学源头探寻生化特征与光谱特征的内在关联, 探讨生化多样性、光谱多样性与物种多样性之间的响应机制, 选择最优植被指数并结合最优结构参数, 通过聚类方法构建森林物种多样性遥感估算模型, 在古田山自然保护区开展森林乔木物种多样性监测。研究结果表明: (1)从16种叶片生化组分中, 筛选出叶绿素a、叶绿素b、类胡萝卜素、叶片含水量、比叶面积、纤维素、木质素、氮、磷和碳可通过偏最小二乘法用叶片光谱有效模拟(R² = 0.60-0.79, p < 0.01), 并选择有效的植被指数: 转换型吸收反射指数/优化型土壤调整指数(TCARI/OSAVI)、类胡萝卜素反射指数(CRI)、水波段指数(WBI)、比值植被指数(RVI)、生理反射指数(PRI)和冠层叶绿素浓度指数(CCCI)表征相应的最优生化组分; (2)基于机载LiDAR数据利用结合形态学冠层控制的分水岭算法获得高精度单木分离结果(R ² = 0.77, RMSE = 16.48), 同时采用逐步回归方法从常用的森林结构参数中选取树高和偏度作为最优结构参数(R ² = 0.32, p < 0.01); (3)基于6个最优植被指数和2个最优结构参数, 以20 m × 20 m为窗口通过自适应模糊C均值方法进行聚类, 实现了研究区森林乔木物种丰富度(Richness, R ²= 0.56, RMSE = 1.81)和多样性指数Shannon-Wiener (R ² = 0.83, RMSE = 0.22)与Simpson (R ² = 0.85, RMSE = 0.09)的成图。该研究在冠层尺度上获取了与物种多样性相关的生化、光谱和结构参数, 将单木个体作为最小单元, 利用聚类算法直接估算物种类别差异, 无需判定具体的树种属性, 是利用遥感数据进行区域尺度森林物种多样性监测与成图的实践, 可为亚热带地区常绿阔叶林的物种多样性监测提供借鉴。     

利用聚类算法监测森林乔木物种多样性

该研究基于机载激光雷达(LiDAR)和高光谱数据, 从森林物种叶片的生理化学源头探寻生化特征与光谱特征的内在关联, 探讨生化多样性、光谱多样性与物种多样性之间的响应机制, 选择最优植被指数并结合最优结构参数, 通过聚类方法构建森林物种多样性遥感估算模型, 在古田山自然保护区开展森林乔木物种多样性监测。研究结果表明: (1)从16种叶片生化组分中, 筛选出叶绿素a、叶绿素b、类胡萝卜素、叶片含水量、比叶面积、纤维素、木质素、氮、磷和碳可通过偏最小二乘法用叶片光谱有效模拟(R² = 0.60-0.79, p < 0.01), 并选择有效的植被指数: 转换型吸收反射指数/优化型土壤调整指数(TCARI/OSAVI)、类胡萝卜素反射指数(CRI)、水波段指数(WBI)、比值植被指数(RVI)、生理反射指数(PRI)和冠层叶绿素浓度指数(CCCI)表征相应的最优生化组分; (2)基于机载LiDAR数据利用结合形态学冠层控制的分水岭算法获得高精度单木分离结果(R ² = 0.77, RMSE = 16.48), 同时采用逐步回归方法从常用的森林结构参数中选取树高和偏度作为最优结构参数(R ² = 0.32, p < 0.01); (3)基于6个最优植被指数和2个最优结构参数, 以20 m × 20 m为窗口通过自适应模糊C均值方法进行聚类, 实现了研究区森林乔木物种丰富度(Richness, R ²= 0.56, RMSE = 1.81)和多样性指数Shannon-Wiener (R ² = 0.83, RMSE = 0.22)与Simpson (R ² = 0.85, RMSE = 0.09)的成图。该研究在冠层尺度上获取了与物种多样性相关的生化、光谱和结构参数, 将单木个体作为最小单元, 利用聚类算法直接估算物种类别差异, 无需判定具体的树种属性, 是利用遥感数据进行区域尺度森林物种多样性监测与成图的实践, 可为亚热带地区常绿阔叶林的物种多样性监测提供借鉴。     

不同光谱类型对银川平原土壤含盐量反演精度的影响与校正

土壤盐渍化是导致土壤质量下降、耕地减产的重要因素之一。为准确快速评价银川平原土壤含盐量,本研究对野外高光谱数据和室内高光谱数据进行一阶微分(FDR)变换,逐步回归(SR)筛选特征波段,利用偏最小二乘回归(PLSR)与支持向量机(SVM)进行建模,明确适用于本地区土壤含盐量准确反演的光谱类型,并对较差光谱类型进行分段校正与全局校正,尝试提高土壤含盐量反演精度。结果表明: 基于野外光谱的土壤含盐量反演模型精度比室内光谱平均高58.9%;对室内光谱进行分段校正、全局校正后反演精度均有提高,其中,PLSR以分段校正精度更高,建模决定系数(R_c²)、验证决定系数(R_p²)和相对分析误差(RPD)分别为0.790、0.633和1.64,而SVM以全局校正精度更高,R_c²、R_p²和RPD分别为0.927、0.947和3.87;SVM模型的反演精度高于PLSR,其中,野外光谱建模效果最佳,室内全局校正光谱与室内分段校正光谱次之,室内光谱最差。因此,野外高光谱可实现对银川平原土壤表层含盐量的定量反演,经校正的室内光谱对土壤含盐量反演精度显著提升,均可为粮食安全与生态环境高质量发展提供保障。     

水文气候影响下黄河三角洲土壤盐分时空动态

近年来,黄河三角洲在水文气候和人类活动影响下的土壤盐渍化问题日益突出。本研究以东营市河口区、垦利区、东营区和利津县为研究区,选取1985—2018年间20期Landsat系列影像,利用数值回归校正法进行影像光谱一致性转换,在此基础上运用偏最小二乘回归法构建土壤盐分定量反演模型;根据最佳盐分预测模型反演的研究区土壤盐分含量数据,分析土壤盐分(SC)时空变化特征,并探讨水文气候因素的影响。结果表明: 选用10个敏感光谱指数构建的土壤盐分反演模型的预测精度较高,其建模决定系数(R²)、均方根误差(RMSE)为0.769、1.125,验证R²、RMSE和相对分析误差(RPD)分别为0.752、1.203、2.08。利用2016年土壤盐分数据进行反演精度检验,实测值与反演值的R²为0.7279。该模型对1985—2018年20期影像进行土壤盐分反演的结果异常值在10%以内。研究期间,区域平均盐分含量总体呈先上升后下降的趋势,最低的年份为1985年(3.14 g·kg^-1),最高的年份为1995年(5.86 g·kg^-1)。空间变化上,研究区重度盐渍土和盐土面积减少,轻、中度盐渍土面积显著增加(66.6%),盐渍土总面积呈扩大趋势。水文气候条件对土壤盐分的影响具有一定滞后性。气温对土壤盐分积累有促进作用,前半年和前1年的平均气温与含盐量均显著相关,R分别为0.507和0.538;土壤含盐量与区域降水量的相关性不显著,受前季黄河径流量的影响最大,R达-0.543。     

Spectral feature differences between shrub and grass communities and shrub coverage retri- eval in shrub-encroached grassland in Xianghuang Banner,Nei Mongol,China

Aims Shrub-encroached grassland has become an important vegetation type in China’s arid and semi-arid region. Our study objective is to explore the spectral features of shrub and grass communities, as well as their empirical relationships with shrub coverage. The quantitative estimation of shrub cover based on medium-resolution Landsat satellite imagery provides the practical basis for long term retrieval of large areas of shrub expansion in the grassland region. Methods Linear models and Multiple Endmember Spectral Analysis Model (MESMA) based on medium resolution Landsat satellite imagery were developed to quantify the shrub coverage in a shrub-encroached grassland region in Xianghuang Banner, Nei Mongol using the spectral features and their seasonal differences between the shrub and grass communities. Important findings Compared to Leymus chinensis and Stipa krylovii dominated grass communities, Caragana microphylla community had a higher normalized difference vegetation index (NDVI), modified red edge normalized difference vegetation index (mNDVI₇₀₅), and red edge slope. The red edge position of C. microphylla community shifted to longer wavelengths. The average and the maximum shrub coverage was 13% and 25%, respectively, in the shrub-encroached grassland based on both models. The correlation coefficient of determination (R²) and root mean square error (RMSE) of the linear model was 0.31 and 0.05, respectively. We found that the linear model based on seasonal differences of shrub and grass community was more suitable for retrieving shrub coverage in the study area from medium resolution imagery than the MESMA model that is based on mid-summer images.     

基于模糊规则的人工神经网络模拟新疆杨蒸腾耗水

于2017年7—11月,应用热扩散探针(TDP)技术,结合同步测定的气象因子,对宁夏河东沙区新疆杨的耗水日变化特征及季节变化规律进行分析,提出了一种基于模糊规则的BP神经网络和Elman神经网络耗水模型,探究新疆杨蒸腾耗水规律并对其耗水量进行模拟。结果表明: 生长季内(7—10月)新疆杨平均液流密度为4.98 g·cm^-2·h^-1,影响蒸腾耗水的主要因素依次为太阳辐射、大气温度、饱和水汽压亏缺和相对湿度;受气象因子影响,新疆杨耗水具有明显的季节性变化规律,夏季(7—8月)单株耗水量为秋季(9—10月)的1.4倍;采用基于模糊规则的BP神经网络和Elman神经网络模型对新疆杨耗水进行模拟可以解释80%以上的变量,能够较准确地模拟新疆杨耗水情况,相对于BP神经网络,采用Elman神经网络对新疆杨耗水进行模拟,相对误差减少27.0%,均方根误差减少24.3%,纳什效率系数提高67.9%,决定系数达0.80以上。Elman神经网络的模拟效果优于BP神经网络,模型效率和拟合度更高,有效地提高了林木蒸腾耗水模拟精度,可作为河东沙区新疆杨林分蒸腾耗水估算的首选模型。