基于无人机热红外遥感图像提取滴灌棉花冠层温度及精度评价

党旭伟 林馨园 贺正 陈燕 慈宝霞 马学花 郭晨荔 贺亚星 刘扬 马富裕

doi：10.6048/j.issn.1001-4330.2024.03.005

摘  要：【目的】提高基于热红外遥感图像滴灌棉花冠层温度提取精度，为棉花水分状况精准监测提供技术支撑。

【方法】以不同水分处理的苗期、蕾期棉花为研究对象，利用无人机获取试验小区热红外遥感图像，使用便携式手持测温仪测量田间辐射校正板及水桶中的水温，对热红外影像进行温度校正。采用Otsu算法、Canny边缘检测算法对热红外遥感图像进行掩膜处理剔除土壤背景，通过波段运算提取棉花冠层温度，绘制棉花冠层温度频率直方图并对其进行优化。利用便携式手持测温仪同步测量棉花冠层温度，与提取的冠层温度进行一致性分析，验证热红外遥感图像提取棉花冠层温度的精度。

【结果】Canny边缘检测算法剔除土壤背景提取冠层图像准确率大于Otsu算法（91.90%>82.52%、92.76%>80.60%），剔除土壤背景效果最优。Otsu算法和Canny边缘检测算法剔除土壤背景后构建的冠层温度直方图均呈偏态分布，但Canny边缘检测算法剔除土壤背景后构建的冠层温度直方图形状比Otsu算法光滑，噪声少，并且Canny边缘检测算法2年冠层平均温度最低（29.95、30.54℃），与实测温度差值最小（2.78、3.43℃）。去除Canny边缘检测算法的温度直方图两端1%温度信息后，提取的冠层温度与实测温度相关性最高（2年试验r由0.88、0.93提高到了0.94、0.95），RMSE最低（2年RMSE由2.78、2.87℃下降到1.59、1.43℃）。

【结论】Canny边缘检测算法提高了无人机热红外遥感图像棉花冠层温度提取精度，且温度直方图两端1%温度优化后有助于提高棉花冠层温度提取精度。

关键词：滴灌棉花；无人机；热红外遥感图像；冠层温度；精度

中图分类号：S562；S123    文献标志码：A    文章编号：1001-4330（2024）03-0565-11

收稿日期（Received）：

2023-07-15

基金项目：

新疆生产建设兵团财政科技计划项目“新疆高品质棉花生产关键栽培技术集成与示范”（2020AB017）；“主要作物精准水肥一体化技术和装备研发及应用示范”（2020AB018）

作者简介：

党旭伟（1997-），男，新疆石河子人，硕士研究生，研究方向为作物水分高效利用与精准栽培，（E-mail）dxw202009@163.com

通讯作者：

刘扬（1989-），女，青海民和人，副教授，博士，硕士生导师，研究方向为作物水肥高效利用及精准栽培，（E-mail）ly.0318@163.com

马富裕（1967-），男，甘肃环县人，教授，博士，硕士生/博士生导师，研究方向为作物精准栽培与水肥一体化，（E-mail）1469633844@qq.com

0  引 言

【研究意义】快速、准确的获取冠层温度，可以判断作物水分状况，指导农田灌溉［1-4］。传统冠层温度主要使用手持式红外测温仪获取，但仅局限于点测温，无法评估整块田地冠层温度分布情况，冠层温度信息代表性较差［5，6］。通过无人机搭载热红外传感器可快速、及时、大范围获取作物冠层热红外遥感图像，并用于作物水分状况精准监测。然而热红外遥感图像中含有大量的土壤背景、作物冠层等地物信息，导致提取的冠层温度信息中存在地物混合像元，对冠层温度的提取形成干扰，因此剔除无人机热红外遥感图像中的土壤背景，对提高作物冠层温度提取精度至关重要［7-9］。【前人研究进展】目前，剔除无人机热红外遥感图像土壤背景常采用3種方法：一是感兴趣区域选择，例如在提取作物冠层温度时，通过ROI来手动划分热红外遥感图像中叶片覆盖区域，进而计算该区域内的平均温度，即为作物冠层温度，虽然ROI可以消除部分土壤背景的干扰，但针对叶片缝隙之间包含的土壤背景仍然无法剔除［10-13］；二是基于可见光图像降噪的冠层温度掩膜，采用RGRI指数法、RGBI指数法、EXG算法剔除作物可见光图像土壤背景，之后将热红外遥感图像冠层温度信息掩膜至剔除土壤背景的可见光图像，可以获取较高的冠层温度提取精度，但在预处理过程中，可见光图像与热红外遥感图像分辨率不一致，需要降低可见光图像的分辨率，且需布置较多的控制点对热红外遥感图像进行配准，一旦配准过程产生偏差，将会使作物冠层温度中涵盖土壤温度信息 ［14-15］；三是依据热红外遥感图像土壤与冠层的灰度差异，直接对热红外遥感图像降噪进而提取冠层温度，如在棉花花铃期，利用Otus算法、Canny边缘检测算法等达到分离土壤与冠层的目的，但是该方法要求图像分辨率高，冠层与土壤差异明显，地物信息简单［16-17］。【本研究切入点】由于棉花不同生育时期冠层结构（冠层开度、叶面积指数、叶倾角）具有显著差异，使得土壤背景像元数量发生改变，进而对冠层温度的提取产生干扰。有关棉花冠层温度的提取方法研究主要集中于花铃期，而针对苗期、蕾期冠层温度的提取方法研究较少。需突破棉花苗期、蕾期冠层温度监测方法与技术研究，实现早期水分精准管理，以保证棉花花铃期、盛铃期保铃成铃高产。【拟解决的关键问题】以棉花苗期、蕾期冠层相关数据为研究对象，利用无人机采集试验小区热红外遥感图像，分析Otsu算法和Canny边缘检测算法剔除热红外遥感图像土壤背景对滴灌棉花冠层温度提取精度的影响，并评价冠层温度提取精度，分析提取冠层温度最优方法，为新疆滴灌棉花水分管理过程中冠层温度提取和监测提供技术和数据支撑。

1  材料与方法

1.1  材 料

1.1.1  研究区概况

试验于2021～2022年在石河子大学教学试验场（85.97E，44.32N）进行，该地区海拔470 m，属于典型的温带大陆性气候，冬寒夏热。年降水量为125～207 mm，平均气温25.1～26.1℃，年蒸发量为1 000～1 500 mm，无霜期为168～171 d，≥0℃的活动积温为4 023～4 118℃，≥10℃的活动积温为3 570～3 729℃。土壤质地为黏壤土，平均田间持水量为16.07%（质量含水率），平均土壤干容重为1.43 g/cm3。棉花品种为中棉109，2021年4月23日播种5月5日出苗，2022年4月13日播种，4月26日出苗，棉花种植模式为1膜3行，76 cm等行距，播幅2.28 m，全生育期施用 300 kg/hm2N、 108 kg/hm2P2O5、97 kg/hm2K2O ，均随水滴施，其他管理措施均按照当地大田管理方式进行。图1，图2

1.1.2  无人机遥感影像及地面数据采集

在棉花蕾期（2021年6月3～18日，2022年5月28日～6月15日）于晴朗无风日期，采用干湿参考面法，在每个小区中间位置选择4行、行长1 m的棉花区域，将其中2行棉花所有叶片正反面均匀涂抹白凡士林作为干参考面，另外2行使用喷壶对棉花所有叶片喷施清水作为湿参考面，1 min后进行无人机热红外遥感图像和地面数据采集，采集时间为每天12：00～13：00，此外在田间布置有黑白温度校正板以及测量水温的水桶，用于无人机热红外遥感图像温度转换与校正。

1.1.2.1  热红外遥感图像采集

使用大疆御2行业进阶版无人机，最大起飞重量1 100 g，续航时间可达31 min。热红外相机工作波段为8～14 μm，像素为640×512，镜头焦距38 mm。设置无人机飞行高度为30 m，镜头垂直地面进行拍摄，航向重叠率和旁向重叠率为80%，按照航线规划对试验地进行影像采集，飞行时间在12：30～13：00，采集整个试验区域大约用时15 min。

1.1.2.2  地面数据采集

在各小区非干湿参考面区域、干参考面区域和湿参考面区域分别选取具有代表性的5株棉花进行标记，并在无人机影像采集结束后，立即使用便携式手持测温仪测量植株冠层温度；测量黑白温度校正板及水的温度，用于温度转换及校准。

1.2  方 法

1.2.1  试验设计

设置4个水分处理，分别为田间土壤含水量达80%FC（I1）、田间土壤含水量达70%FC（I2）、田间土壤含水量达60%FC（I3）、田间土壤含水量达50%FC（I4），其中I3为对照（CK）。每个处理重复3次，共计12个小区，小区为6 m×8 m，2个小区之间设有防渗带。

1.2.2  无人机遥感影像处理

1.2.2.1  图像处理

使用Pix 4D mapper软件对热红外遥感图像进行拼接处理以获取试验小区正射影像，并保存为JPEG格式。根据干湿参考面设置，将2年拼接成的正射影像通过ENVI软件裁剪成60个感兴趣区域。

1.2.2.2  温度转换与校准

使用DJI Thermal Analysis Tool软件提取热红外遥感图像中的黑白温度校正板及水的温度，采用ENVI软件提取相应热红外遥感图像中的黑白温度校正板及水的灰度，构建灰度与温度的函数公式，在ENVI软件中通过波段运算将热红外遥感图像由灰度转换为温度。利用便携式手持测温仪测量黑白板及水的温度，每个物体测量6次取平均值，与通过DJI Thermal Analysis Tool软件提取的黑白温度校正板及水的温度建立实测温度与图像温度的校准函数，同样在ENVI软件中通过波段运算完成温度校正［18］。图3

1.2.2.3  剔除土壤背景

Otsu算法：根据影像的灰度特性，将图像分割为冠层与土壤两类，选择使其类间方差最大、类内方差最小的分割阈值为最优阈值，进行图像的自动二值分类，其核心公式参考程丽娜等［19］。

Canny边缘检测算法：Canny边缘检测算法是一个多级边缘检测算法，可依据作物冠层边缘特征将图像分割为冠层与土壤两类，剔除土壤背景过程主要包括四个步骤：图像降噪、计算图像梯度向量与梯度幅值、极大值的选择与非极大值抑制、双阈值筛选［20，21］。

1.2.2.4  冠层温度优化

通过Otsu算法和Canny边缘检测算法剔除土壤背景时，会将一部分土壤背景划分为棉花冠层，对温度提取造成误差。阴影面土壤温度低于冠层温度，阳光直射面土壤温度高于冠层温度，且分布于温度直方图两端，通过剔除温度直方图两端温度信息后，可以提高冠层温度提取精度。采用剔除温度直方图两端1%冠层温度直方图进行优化，以进一步提高冠层温度提取精度［22］。

1.2.3  图像分类精度评价

使用photoshop对棉花冠层热红外遥感图像进行人工分割，并将其与算法分割结果进行比对，获取TP（正确识别为冠层像元的数量），FP（将土壤像元识别为冠层像元的数量），Fn（将冠层像元识别为土壤像元的数量），利用混淆矩阵（Confusion Matrix）计算准确率（Precision）和召回率（Recall）對热红外遥感图像冠层像元提取结果进行量化评价，两者越接近100%，冠层像元提取精度越高。

Precision=TPTP+FP.（1）

Recall=TPTP+Fn.（2）

1.3  数据处理

通过相关系数（r）评价两者的相关关系，r越接近1 两者相关性越高；通过均方根误差（Root Mean Square Error，RMSE）评价观测值的误差，RMSE越接近0，观测值的误差越小。

2  结果与分析

2.1  冠层区域提取

2.1.1  不同算法对冠层区域提取方法比较

研究表明，使用Otsu算法剔除土壤背景时，与冠层像元灰度相近的土壤灰度像元被划分至冠层区域，造成提取的冠层温度中既包括阳光直射土壤像元也包括阴影土壤像元，对冠层温度提取产生干扰。Canny算法可以精准识别作物边缘特征，使边缘线型轮廓紧贴冠层区域，减少土壤背景对棉花冠层区域提取结果的影响。Canny边缘检测算法剔除土壤背景效果优于Otsu算法。图4，图5

2.1.2  不同算法对冠层图像提取精度评价

研究表明，Otsu算法的精确率大于召回率（2021年93.68%>82.52%，2022年90.42%>80.60%），Otsu算法提取冠层图像中含有大量土壤像元，在土壤背景中包含冠层像元较少；Canny边缘检测算法2年准確率达到了91.90%、92.76%，召回率达到了95.22%、92.98%，Canny边缘检测算法可较好剔除土壤背景，避免对冠层像元和土壤像元的误分。Canny边缘检测算法的准确率和召回率均大于Otsu算法，提取效果较优。表1、表2

2.2  冠层温度提取

2.2.1  冠层温度直方图

研究表明，原始热红外遥感图像的温度频率直方图呈双峰变化，并经地面实测数据验证，阳光直射土壤温度高于冠层温度，阴影土壤温度、阴影叶片温度低于阳光直射冠层温度，且在太阳高度角稳定的正午时刻阴影土壤温度像元数量低于冠层温度像元数据和阳光直射土壤温度像元数量，因此，双峰直方图的第一个峰主要代表棉花冠层温度信息，第二个峰主要代表阳光直射土壤温度信息，且第二个峰的温度大于第一个峰的温度。棉花孕蕾期，热红外遥感图像中冠层像元数量少于土壤背景像元数量，出现第一个峰的高度低于第二个峰，而在棉花盛蕾期，热红外遥感图像中冠层像元数量多于土壤背景像元数量，使第一个峰的高度高于第二个峰。

Otsu算法、Canny边缘检测算法剔除土壤背景后冠层温度频率直方图变化规律与原始图像温度频率直方图的第一个峰相同，均呈单峰变化。但是，Otsu算法剔除土壤背景后，冠层温度频率直方图形状粗糙，噪声多，而Canny边缘检测算法剔除土壤背景后，冠层温度频率直方图形状光滑，噪声少，且呈偏态分布。其次，Canny边缘检测算法提取的冠层温度范围小于Otsu算法提取的冠层温度范围。图6，图7

2.2.2  冠层温度特征值

研究表明，Otsu算法、Canny算法提取的冠层温度最大值分别为62.40～64.69℃、59.65～63.54℃，较原始图像冠层温度最大值分别下降为2.98～4.11℃、5.26～5.73℃，两算法均可降低土壤背景的干扰，但Canny算法的剔除土壤背景的效果优于Otsu算法。原始图像及Otsu算法、Canny算法提取的冠层温度最小值均为11.34℃，两算法对剔除阴影土壤温度像元没有影响。2种算法可以降低冠层温度平均值，其中以Canny算法提取的冠层温度平均值最低（29.95～30.54℃）。Canny算法较优，Otsu算法次之，原始热红外遥感图像最差（4.72～11.81℃>3.64～5.85℃>2.78～3.43℃），但是Canny算法提取的冠层温度平均值与实测温度差值（2.78～3.43℃）仍然较大。表3、表4

2.3  冠层温度优化及其与实测温度相关性

研究表明，选择剔除温度频率直方图两端1%温度信息对冠层温度进行优化，并将优化前后冠层温度与实测温度进行相关性分析（2021年n=30，2022年n=30）。对比Otsu算法、Canny算法，Canny算法提取的冠层温度与实测温度相关系数最大（0.88、0.93）、RMSE最小（2.78、2.87℃）。剔除Canny算法冠层温度频率直方图两端1%温度信息后，冠层温度与实测温度相关系数最大（0.94、0.95），RMSE最小（1.59、1.43℃）。随着土壤背景的剔除及对冠层温度频率直方图的优化，冠层温度逐渐降低，拟合线斜率逐渐接近于1。故通过剔除Canny算法温度频率直方图两端1%温度信息所提取的冠层温度精度最佳，2年相关系数分别为0.94、0.95，RMSE分别为1.59、1.43℃。图8，图9

3  讨 论

3.1

无人机热红外遥感图像中不仅包含冠层像元，还存在土壤像元，因此在提取作物冠层温度过程中，易受土壤像元干扰，影响作物冠层温度提取精度。为此，前人采用RGRI指数法、GBRI指数

法等剔除可见光图像土壤背景以掩膜冠层温度信息进而提取冠层温度，虽取得了较好的效果，但是，由于可见光图像与热红外遥感图像分辨率不一致，需要降低可见光图像的分辨率，布置较多的控制点对热红外遥感图像进行配准，预处理过程复杂，不利于冠层温度的提取［2，23-27］。研究采用Otsu算法和Canny边缘检测算法剔除热红外遥感图像中的土壤背景，结果表明，Otsu算法剔除土壤背景后，图像中仍含有大量的土壤与冠层混合像元，而Canny边缘检测算法依据作物冠层边缘特征识别冠层区域，进而避免更多土壤像元进入冠层区域，2年提取棉花冠层图像的准确率达到了91.90%、92.76%，召回率达到了95.22%、92.98%，剔除土壤背景效果优于Otsu算法，与ZHAO B［1］、张智韬等［22］在棉花、玉米上的研究结果一致。

3.2

研究表明，通过Otsu算法和Canny边缘检测算法剔除土壤背景后冠层温度直方图呈单峰偏态分布，温度分布范围分别为11.34～62.40℃、11.34～64.69℃（Otsu算法），11.34～59.65℃、11.34～63.54℃（Canny算法）而前人在玉米［27-28］等作物上的冠层温度分布范围主要在33～64℃，与研究的冠层温度分布范围不一致，可能是因为前人使用的Otsu-EXG-Kmeans算法中加入温度阈值条件，剔除高于冠层温度和低于冠层温度的土壤像元，而通过Otsu算法和Canny边缘检测算法剔除土壤背景后，冠层温度中会包含部分阴影土壤和阳光直射土壤，从而导致棉花

冠层温度中既有低温又有高温，分布范围增大。比较两种算法下的冠层温度频率直方图可以看出，使用Canny边缘检测算法的冠层温度频率直方图形状较Otsu算法的冠层温度频率直方图形状光滑，噪声较少，其次Canny边缘检测算法提取的冠层平均温度以及与实测温度的差值均低于Otsu算法，Canny边缘检测算法提取效果较优。研究对冠层温度直方图进行优化，并通过图像温度与实测温度相关性发现，剔除Canny边缘检测算法温度直方图两端1%温度信息后，图像温度与实测温度相关性最大（r=0.94、0.95），拟合线接近1∶1，RMSE最小，分别为1.59、1.43℃，提取精度较高，该方法提取的冠层温度接近实测温度，可以较好的用于棉花水分状况精准评价，但是研究选择剔除温度频率直方图两端1%温度信息进行优化，是在前人研究基础上开展的，并未根据实际情况对剔除温度直方图两端2%、5%的温度信息进行验证［22］。

研究中，仅针对冠层温度提取及精度评价开展了研究，因此在确定提取热红外遥感图像冠层温度最佳方法后，下一步的研究重点是以无人机热红外遥感为基础，以地面传感器（气象、蒸发蒸腾、土壤温湿度等）数据为支撑，利用热红外无人机反演作物水分状况数据信息对卫星热红外遥感影像数据进行校正，以实现在大尺度遥感反演背景下的新疆滴灌棉花水分状况精准监测。

4  结 论

4.1

利用Canny边缘检测算法剔除土壤背景效果最优，Otsu算法次之（準确率为91.90%>81.52%（2021）、92.76%>80.60%）。

4.2  与Otsu算法相比，使用Canny边缘检测算法提取冠层温度频率直方图形状光滑，噪声较少，降低了冠层温度平均值（29.95、30.54℃），且与实测温度差值最小（2.78、3.43℃）。

4.3

剔除Canny边缘检测算法温度频率直方图两端1%温度信息后，2年提取的冠层温度与实测温度相关性最高（r=0.94，0.95），RMSE最低（1.59、1.43℃），利用Canny边缘检测算法剔除土壤背景后，去除其温度频率直方图两端1%温度信息，是准确获取冠层温度的有效方法。

参考文献（References）

［1］

ZHAO B，Adama T，Ata-UI-Karim S T，et al.Recalibrating plant water status of winter wheat based on nitrogen nutrition index using thermal images［J］.Precision Agriculture， 2022，23（3）：748-767.

［2］杨文攀，李长春，杨浩，等.基于无人机热红外与数码影像的玉米冠层温度监测［J］.农业工程学报，2018，34（17）：68-75，301.

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 for Agricultural Engineering， 2018，34（17）：68-75，301.

［3］蔡甲冰，许迪，司南，等.基于冠层温度和土壤墒情的实时监测与灌溉决策系统［J］.农业机械学报，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.

［4］史长丽，郭家选，梅旭荣，等.夏玉米农田表面温度影响因素分析［J］.中国农业科学，2006，39（1）：48-56.

SHI Changli，GUO Jiaxuan，MEI Xurong，et al.Analysis of the factors influencing surface temperature in summer maize field［J］.Scientia Agricultura Sinica，2006，39（1）：48-56.

［5］Tanner C B.Plant temperatures ［J］. Agronomy Journal， 1963，55（2）：210-211.

［6］杨明欣，高鹏，陈文彬，等.基于机器学习的油青菜心水分胁迫研究［J］.华南农业大学学报，2021，42（5）：117-126.

YANG Mingxin，GAO Peng，CHEN Wenbin，et al.Research of Brassica chinensis var.parachinensis under water stress based on machine learning ［J］. Journal of South China Agricultural University， 2021，42（5）：117-126.

［7］Bian J，Zhang Z T，Chen J Y，et al.Simplified evaluation of cotton water stress using high resolution unmanned aerial vehicle thermal imagery ［J］.Remote Sensing， 2019，11（3）：267.

［8］张宏鸣，王佳佳，韩文霆，等.基于热红外遥感影像的作物冠层温度提取［J］.农业机械学报，2019，50（4）：203-210.

ZHANG Hongming，WANG Jiajia，HAN Wenting，et al.Crop canopy temperature extraction based on thermal infrared remote sensing images ［J］.Transactions of the Chinese Society for Agricultural Machinery，2019，50（4）：203-210.

［9］冯子恒，宋莉，张少华，等.基于无人机多光谱和热红外影像信息融合的小麦白粉病监测［J］.中国农业科学，2022，55（5）：890-906.

FENG Zhihong，SONG Li，ZHANG Shaohua，et al.Wheat powdery mildew monitoring based on information fusion of multi-spectral and thermal infrared images acquired with an unmanned aerial vehicle ［J］. Scientia Agricultura Sinica，2022，55（5）：890-906.

［10］Zhou Z，Majeed Y，Diverres Naranjo G，et al.Assessment for crop water stress with infrared thermal imagery in precision agriculture：a review and future prospects for deep learning applications ［J］.Computers and Electronics in Agriculture，2021，182：106019.

［11］Hou M J，Tian F，Ortega-Farias，S，et al.Estimation of crop transpiration and its scale effect based on ground and UAV thermal infrared remote sensing images ［J］.European Journal of Agronomy， 2021，131：126389.

［12］夏清，张振鑫，王婷婷，等.基于改进Sobel算子的红外图像边缘提取算法［J］.激光与红外，2013，43（10）：1158-1161.

XIA Qing，ZHANG Zhenxin，WANG Tingting，et al.Edge extraction algorithm of infrared thermal image based on improved sobel operator ［J］. Laser & Infrared， 2013，43（10）：1158-1161.

［13］Liu M，Guan H O，Ma X D，et al.Recognition method of thermal infrared images of plant canopies based on the characteristic registration of heterogeneous images［J］. Computers and Electronics in Agriculture， 2020，177：105678.

［14］Zhang L Y，Niu Y X，Zhang H H，et al.Maize canopy temperature extracted from UAV thermal and RGB imagery and its application in water stress monitoring［J］. Frontiers in Plant Science，2019，10：1270.

［15］徐洪剛，陈震，程千，等.无人机热红外反演土壤含水率的方法［J］.排灌机械工程学报，2022，40（11）：1181-1188.

XU Honggang，CHEN Zhen，CHENG Qian，et al.Inversion of soil moisture content based on UAV thermal infrared image ［J］.Journal of Drainage and Irrigation Machinery Engineering，2022，40（11）：1181-1188.

［16］Sepúlveda-Reyes D，Ingram B，Bardeen M，et al.Selecting canopy zones and thresholding approaches to assess grapevine water status by using aerial and ground-based thermal imaging［J］.Remote Sensing， 2016，8（10）：822.

［17］张智韬，边江，韩文霆，等.剔除土壤背景的棉花水分胁迫无人机热红外遥感诊断［J］.农业机械学报，2018，49（10）：250-260.

ZHANG Zhitao，BIAN Jiang，HAN Wenting，et al.CUI T.Diagnosis of cotton water stress using unmanned aerial vehicle thermal infrared remote sensing after removing soil background ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018，49（10）：250-260.

［18］张智韬，许崇豪，谭丞轩，等.覆盖度对无人机热红外遥感反演玉米土壤含水率的影响［J］.农业机械学报，2019，50（8）：213-225.

ZHANG Zhitao，XU Chonghao，TAN Chengxuan，et al.Influence of coverage on soil moisture content of field corn inversed from thermal infrared remote sensing of UAV［J］.Transactions of the Chinese Society for Agricultural Machinery，2019，50（8）：213-225.

［19］程丽娜，钟才荣，李晓燕，等.Sentinel-2密集时间序列数据和Google Earth Engine的潮间带湿地快速自动分类［J］.遥感学报，2022，26（2）：348-357.

CHENG Lina，ZHONG Cairong，LI Xiaoyan，et al.Rapid and automatic classification of intertidal wetlands based on intensive time series Sentinel-2 images and Google Earth Engine［J］. National Remote Sensing Bulletin，2022，26（2）：348-357.

［20］胡克满，罗少龙，胡海燕.应用Canny算子的织物疵点检测改进算法［J］.纺织学报，2019，40（1）：153-158.

HU Keman，LUO Shaolong，HU Haiyan.Improved algorithm for fabric defect detection based on Canny operator［J］. Journal of Textile Research， 2019，40（1）：153-158.

［21］陈玉婷，刘洞波，施怡澄，等.基于小波模极大值和自适应Canny算子的织物疵点检测算法［J］.湖南工程学院学报（自然科学版），2022，32（2）：54-58，65.

CHEN Yuting，LIU Dongbo，SHI Yicheng，et al.Heredity analysis and cluster structure charateristics of agcu alloy at different cooling rates and pressures［J］. Journal of Hunan Institute of Engineering（Natural Science Edition）， 2022，32（2）：54-58，65.

［22］张智韬，许崇豪，谭丞轩，等.基于无人机热红外遥感的玉米地土壤含水率诊断方法［J］.农业机械学报，2020，51（3）：180-190.

ZHANG Zhitao，XU Chonghao，TAN Chengxuan，et al.Diagnosing method of soil moisture content in corn field based on thermal infrared remote sensing of UAV［J］. Journal of Hnnan Institute of Engineering（Natural Science Edition），2020，51（3）：180-190.

［23］Ranjan A，Sinha R，Singla-Pareek S L，et al.Shaping the root system architecture in plants for adaptation to drought stress［J］.Physiologia Plantarum， 2022，174（2）：e13651.

［24］Lu S，Zhang T，Tian F.Evaluation of crop water status and vegetation dynamics for alternate partial root-zone drip irrigation of alfalfa：Observation with an unmanned aerial vehicle ［J］. Frontiers in Environmental Science， 843.

［25］Riveros-Burgos C，Ortega-Farías S，Morales-Salinas L，et al.Assessment of the clumped model to estimate olive orchard evapotranspiration using meteorological data and UAV-based thermal infrared imagery［J］. Irrigation Science，2021，39（1）：63-80.

［26］張智韬，于广多，吴天奎，等.基于无人机遥感影像的玉米冠层温度提取及作物水分胁迫监测［J］.农业工程学报，2021，37（23）：82-89.

ZHANG Zhitao，YU Guangduo，WU Tiankui，et al.Temperature extraction of maize canopy and crop water stress monitoring based on UAV remote sensing images［J］.Transactions of the Chinese Society of Agricultural Engineering， 2021，37（23）：82-89.

［27］楊帅，陈俊英，周永财，等.无人机热红外遥感反演玉米根域土壤含水率方法研究［J］.节水灌溉，2021，（3）：12-18.

YANG Shuai，CHEN Junying，ZHOU Yongcai，et al.A Study on the method of UAV thermal infrared remote sensing to retrieve soil moisture content in corn root zone ［J］.Water Saving Irrigation，2021，（3）：12-18.

Extraction and accuracy evaluation of cotton canopy temperature under drip irrigation based on uav thermal infrared remote sensing

DANG Xuwei1，LIN Xinyuan1，HE Zheng1，CHEN Yan1，CI Baoxia1，MA Xuehua1，GUO Chenli2，HE Yaxing1，LIU Yang1，3，MA Fuyu1，3

（1.The Key Laboratory of Oasis Eco-Agriculture，Xinjiang Production and Construction Corps/ College of Agriculture，Shihezi University，Shihezi Xinjiang 832003，China; 2.College of Agronomy，Nanjing Agricultural University，Nanjing 210095，China; 3.National & Local Joint Engineering Research Center of Information Management and Application Technology for Modern Agricultural Production（XPCC），Shihezi Xinjiang 832003，China）

Abstract：【Objective】 To increase the accuracy of canopy temperature extraction derived from thermal infrared imagery of drip irrigated cotton in Xinjiangin the hope of providing a technical support for precise water status monitoring.

【Methods】 Different soil moisture contents were set at cotton seedling and squaring stages.The thermal infrared images of different treatments were acquired by using UAV，and the temperature of radiation calibration plate in plot and water in the bucket were measured by using a portable handheld thermometer.For the above information，the latter temperature was used to calibrate the former temperature extracted from thermal imagery.The Otsu and Canny edge detection algorithms were used to mask thermal infrared images and remove soil background.Cotton canopy temperature was extracted by region of interest（ROI） and band math，and then the canopy temperature frequency histograms were plotted and optimized.Meanwhile，the actual cotton canopy temperature was obtained from a portable handheld thermometer.The consistency analysis was performed between actual canopy temperature and extracted canopy temperature to calibrate the accuracy of extracted temperature from thermal imagery.

【Results】 Canny edge detection algorithm eliminated soil background and extracted canopy image with higher accuracy than Otsu algorithm（91.90%>82.52%、92.76%>80.60%），which reached the best effect.The canopy temperature histograms constructed by Otsu algorithm and Canny edge detection algorithm after removing soil background are skewed，but the canopy temperature histograms constructed by Canny edge detection algorithm after removing soil background were smoother and less noisy than Otsu algorithm，and the average canopy temperature of Canny edge detection algorithm in two years was the lowest（29.95，30.54℃），with the smallest difference from the measured temperature（2.78，3.43℃）.Correlation analysis showed that the extracted canopy temperature based on Canny edge detection algorithm had the highest correlation with the measured temperature（r=0.94，0.95） and the lowest RMSE（1.59，1.43℃），where the 1% temperature information at both ends of the temperature histogram of Canny edge detection algorithm was dislogded.

【Conclusion】  The Canny edge detection algorithm improves the precision of cotton canopy temperature extraction from UAV thermal infrared images，and the optimization of 1% temperature at both ends of the temperature histogram is helpful to improve the precision of cotton canopy temperature extraction.

Key words：drip-irrigated cotton; unmanned aerial vehicle; thermal infrared image; canopy temperature; accuracy

Fund projects：Xinjiang Production and Construction Corps Financial Science and Technotogy Plan Project“Key Cultivation Technology Integration and Demonstration for Xinjiang High-Quality Cotton Production”（2020AB017）； “Development and Application Demonstration of Main Crop Precision Water and Fertilizer Integration Technology and Equipment Research”（2020AB018）

Correspondence author：LIU Yang（1989-），male，from Qinghai，associate professor，doctoral student，research field：efficient use of water and fertilizer and precision cultivation of crops，（E-mail）ly.0318@163.com

MA Fuyu（1967-），male，from Gansu，professor，doctoral student，research field：crop precision cultivation and water and fertilizer integration，（E-mail）1469633844@qq.com