基于无人机热红外图像的核桃园土壤水分预测模型建立与应用

孙 圣，张劲松,※，孟 平,，汪贵斌，黄 辉,，尹昌君，王鑫梅

（1. 中国林业科学研究院林业研究所，北京 100091；2. 南京林业大学南方现代林业协同创新中心，南京 210037）

0 引 言

植物光合速率和蒸腾速率会受到冠层温度的影响，对植物生长发育产生重要影响。冠层温度的变化直接影响叶片水分亏缺，从而改变气孔导度来影响树木的碳水和能量交换。而土壤水分则是通过影响植物蒸腾速率以及潜热和显热的比例关系，间接使植物冠层温度产生变化。因此，自1963年起科学家就开始通过植物冠层温度来研究和监测植物旱情的发生发展[1]。同时，随着红外技术的发展，冠层温度的测量逐步采用红外温度计代替了单点、小范围、短周期的热电偶测温技术，但随着对空间和时间分辨率的要求，随后产生的热红外成像设备实现了高分辨率、快速、长期的监测要求[2]，并且该技术在国外农业上的应用已经比较成熟，通过监测农作物冠层温度以及计算植物水分亏缺指数（crop water stress index,CWSI）来诊断植物水分情况，并结合土壤含水量以实现适时适量灌溉[3-4]。但在林木研究领域，由于树木的异质性以及冠层的不规则性，再加上土壤背景的干扰，使得提取冠层温度的难度大大提升，利用林木冠层温度研究植物水分状况的研究相对较少。国外的相关研究大多集中在苹果、桃树、葡萄和橄榄等经济树种[5-8]。此外，Leuzinger等[9]研究了8种针叶和阔叶树种冠层温度的差异性。Kim 等[10]在针叶树上对热红外设备的测量精度进行了评估，并开发了温度修正的经验函数，使得测量平均误差减小到1K。Agam等[11]利用无人机热成像系统研究了不同水分条件下的橄榄树冠层温度变化情况，以及着重强调了太阳辐射对 CWSI的影响较大。国内方面，农业上应用较多[12-14]，但是林业上报道较少，张劲松等[15]利用红外测温建立了苹果树的土壤水分预测模型。周罕觅等[16]利用红外测温研究桃树需水信号与灌水量之间的关系。而利用红外热成像技术对核桃树土壤水分状况的研究仍是空白。因此，该研究针对核桃树，利用红外热成像系统进行了长期连续定位观测，建立了土壤水分预测模型，并对模型进行了验证。同时，利用无人机热成像系统实现了区域水分状况诊断，为中国北方的核桃园区制定灌溉策略以及合理的水资源配置提供依据。

1 试验设计

1.1 试验区概况

试验地设在河南省济源市市郊核桃园区（35°01¢N，112°28¢E）。该园区占地约150 hm2，是典型的低山丘陵区，属暖温带大陆性季风气候，多年平均降水量641.7 mm，其中，6—9月份降水量占全年的 68.3%；土壤以黄褐色黏壤土为主，土层厚度1 m以上，pH值7.66～8.14，石砾体积含量为12%～16%，有机质质量分数在9 g/kg左右，速效氮15.9～38.5mg/kg，速效磷10.2～8.3 mg/kg，速效钾98～138 mg/kg。园区核桃品种繁多，试验区以‘香玲’品种为主。

1.2 材料与方法

本研究区域核桃树的株行距3 m×5 m，行向为南北向，5a生核桃树株高3.5 m，自然开心形，2～3个主枝条。选择生长状况良好的 3棵相邻核桃树。每棵树周围1.5 m处挖1 m深的方形坑，在侧壁上包裹2圈1.5 m宽的塑料薄膜，使这 3棵样本树作为独立的个体，彼此之间没有横向的水分移动。2016年7月存在人为灌溉以缓解干旱胁迫，2017年生长季节无人为灌溉。无人机拍摄的样地选取连续灌溉和持续干旱的 2块相邻核桃地，东西60 m，南北120 m。

1.2.1 红外图像采集

样地点西侧设立10 m高的“观测塔”，在塔顶处安装美国FLIR公司生产的A310f自动化热红外相机，空间分辨率为1.36 mrad，视场角为水平25°×垂直18.8°。摄像机镜头朝东，俯视角度在 40°～50°之间，并计算热红外相机镜头到3棵样本树冠层的距离分别为17.8、19.1、20.5 m。在2016和2017年主要生长季节（5—8月）午后（13:00和14:00）采集图像，图像分辨率320×240像素，通过运行IR Monitor（FLIR Systems，USA）每隔1h连续地获取图像，并通过4G无线传输模块下载到主机保存。TC640无人机热红外成像系统（TeAx公司，欧洲），空间分辨率为1.36 mrad，视场角为水平32°×垂直26°。在2017年8月11日13:00时，利用无人机热成像系统拍摄了两块样地的红外图像，图像分辨率为640×512像素，在40 m高空1架/次完成既定航线拍摄，并将图像自动存储到数据卡中。拍摄时间设定为晴朗的午后，研究认为树木在该时间段里受到的胁迫程度最高，冠层蒸腾冷却作用最小，冠层与空气温差能够达到最大[17]。

1.2.2 冠层温度提取

对于郁闭冠层热红外图像可直接读取冠层温度(canopy temperature,Tc)；对于非郁闭的核桃树冠层，要先消除非冠层部分（土壤）的影响。首先，运用FLIR Tools（FLIR Systems，USA）将所有图像中全部像素点所对应的温度导出到 EXCEL中。再利用 Matlab R2012b（Mathworks Inc.，USA）软件将红外温度RGB图像转化为8-bit 320×240像素的灰度图像[18]，其对应了0～255个灰度级别，并利用不同的灰度级来确定冠层范围。

1.2.3 冠层小气候观测

在样本树旁边设立气象自动观测系统，高度3.5 m，位于冠层顶部。连续观测空气温度（air temperature,Ta）、空气相对湿度（relative humidity,RH）、太阳辐射(solar radiation,Ra)、风速（wind speed, WS）和降雨量（precipitation,P），所采用的传感器（探头）分别为HMP45C（Campbell Inc.，USA）、AV20P（AVALON Inc.，USA）、AV-30WS（AVALON Inc.，USA）和 TE525M（Texas Inc.，USA），数据采集器为 Squirrel SQ2020（Grant Inc.，UK）。设定每1 min采集1次，每10 min输出1组平均值。并根据空气相对湿度和空气温度计算蒸汽压亏缺（vapor pressure deficit，VPD）[19]。

1.2.4 土壤水分测定

土壤含水量（soil water content, SWC）的测定与红外热像仪的测定是同步进行的。首先，利用环刀法测量 3棵核桃树周围土壤的田间持水量，土壤容重。然后，在3棵样本树的东、西两侧，分别距离树干0.5和1 m处，10、20、40、60、80 cm土层深度中安装土壤湿度传感器EC-5（AVALON Sci. Inc.，美国），共60个。通过数据采集器RR-1016（雨根，北京）自动记录各土层深度的土壤含水量，设定每1 min采集1次，每10 min输出1组平均值。无人机热红外测定中，按照栽植行向，随机选择 6棵样本树，并用环刀法从东、西、南、北 4个方向上测定土壤含水量，求均值。

2 结果与分析

2.1 核桃树冠气温差与土壤水分含量和气象因子之间的关系

首先，针对核桃样本树的树冠形状（图 1a）来确定冠层范围，计算后得到目标区域内的像素点在 15 000～17 000个之间，但其中包括土壤像元的干扰。而采用晴朗午后时间来提取冠层温度，土壤和冠层温度差会达到最大，灰度图像上认为土壤的灰度值更低，而植被冠层的灰度值则偏高。所以，再通过自定义程序，根据不同灰度级来剔除土壤干扰，确定最适宜的冠层像素点个数在12 000～13 000之间（图1b），进而计算所有像素点的平均温度值作为冠层温度。

图1 2016年5月27日核桃冠层温度提取示意图Fig.1 Schematic diagrams of walnut canopy temperature extraction between May 27, 2016

2016年和2017年核桃树主要生长季节（5—8月）中，土壤含水量整体呈现上升趋，平均变化范围分别为17.8%～26.2%和18.1%～24.0%，前者与降雨和人为灌溉有关，而后者仅与降雨有关（图2）。其中，0～20 cm土壤受到温度、辐射等气象因子和土壤蒸发的影响，使得土壤表层水分的变化较大，且表层土壤含水量相对偏低，2a的结果基本一致。随着土壤深度的增加，不同深度土壤含水量也呈现增加趋势，但在 40 cm处土壤含水量的增长趋势明显减缓，尤其是2017年存在明显的减小趋势（图2b），我们推测可能与核桃根系主要在20～60 cm之间吸收水分用于自身生长发育有关；2016和 2017年60～80 cm处土壤含水量的变化最小。我们推测深层土壤含水量的规律变化可能是物理过程，其对核桃树的生长发育贡献较小。由图 3可知，土壤东侧不同土层土壤含水量均高于西侧，且土壤含水量的变化趋势相同；距离核桃树0.5和1 m处的各土层土壤含水量交替波动变化，在40～60 cm深度土壤含水量更为接近。

图2 2016和2017年不同土层深度土壤含水量的季节变化特征Fig.2 Seasonal variation characteristics of soil water content in different soil layers in 2016 and 2017

图3 2016和2017年样本树东、西两侧和距树干0.5、1 m处不同土层含水量的空间变化特征Fig.3 Spatial variation characteristics of water content in different soil layers on east and west sides of sample trees and 0.5 and 1 m from trunks in 2016 and 2017

由图4a可知，2016年和2017年的核桃树主要生长季节中，冠层温度和空气温度彼此跟随，空气温度相对较低时，冠层温度与空气温度彼此接近，特别是降雨发生时，冠层温度会有明显下降，与温度基本一致，5月初表现尤为明显；相反在空气温度较高时，冠层温度会高于空气温度，所形成的冠层与空气温差（canopy-air temperature difference, ΔT）范围在0～5 ℃之间，并且冠层温度与降雨量存在负相关关系（图4b）。2016和2017年的冠层温度的最大值分别 39.1（6月）和 42.3 ℃（7月）。由图5可知，生长季节里辐射的波动较大，主要受到云量的影响，阴雨天时，太阳辐射较低，冠气温差更接近0，晴朗天气时，太阳辐射较高，冠气温差大于0。因此，选用晴朗午后，更利于对辐射等环境变量的分析。选取40～60 cm深度的土壤含水量主要考虑核桃树主要的水分吸收区域以该土壤深度为主，其受到环境影响较小，能够更真实反映植物需水情况。

2.2 土壤水分预测模型的建立与验证

从单株水平出发，利用固定式热红外观测系统对 3棵独立样本树在 2个生长季节里的连续观测数据，并结合上述变化规律，首先将 ΔT、Ra、WS、VPD进行数据的归一化处理从而消除度量单位差异所造成的影响。同时，考虑尽可能消除土壤结构的影响，使其具有普适性，引入土壤相对含水率（relative water content, RWC）作为无量纲参数[20]。

图4 2016和2017年主要生长季节13:00时冠层温度（Ta）、气温（Tc）、风速（WS）以及日降雨量（P）的变化特征Fig.4 Variation characteristics of canopy temperature (Ta), airtemperature (Tc) and wind speed (WS) at 13:00 and daily precipitation (P) during main growth seasons in 2016 and 2017

图5 2016和2017年13:00时冠气温差（ΔT）与辐射（Ra）、40～60 cm深土壤含水量（SWC）的变化特征Fig.5 Variation characteristics of canopy-air temperature difference (ΔT) and radiation (Ra), soil water content (SWC)between 40 cm and 60 cm at 13:00 per day in 2016 and 2017

在 2016年和 2017年晴朗天气条件下，采用 13:00时ΔT与40～60 cm土层深度RWC、Ra、WS及VPD进行多元回归分析。2016和2017年的四元线性回归方程分别为：

式中T、Ra、WS、VPD的单位分别为℃、W/m2、m/s、hPa。式（1）中检验结果为极显著水平。参数估计表明 RWC的t值为–2.12，绝对值大于t0.05=1.984，P<0.05，说明RWC达到了显著水平，而Ra的t值为5.19，绝对值大于t0.01=2.627，P<0.01，其达到了极显著水平。同时，RWC与ΔT呈现负相关系，Ra与ΔT呈现正相关关系，其他参数均没有达到显著性水平。式（2）中判定系数R2=0.69，F=15.54>P<0.01，检验结果为极显著水平。参数估计显示，RWC的t值为–3.82，Ra的t值为4.09，绝对值均大于t0.01=2.627，P<0.001，RWC和Ra都达到了极显著水平。

通过主成分分析方法，利用主成分因子载荷的结果，保留最重要的2个影响因子RWC和Ra，经逐步回归后，再根据主成分方程计算得到RWC与Ra的贡献值分别为75%、25%。所以，考虑到冠层温度能够简单测定，可以避免直接测量土壤含水量指标，应用于生产更为经济实用。因此，将ΔT作为自变量，RWC作为因变量，选择2017年5—8月13:00时的数据建立土壤水分预测模型（图6），剔除异常值后得到拟合方程，如图6所示

式（3）中P<0.001，检验结果为极显著水平，标准误（root mean squared error，RMSE）为0.04，说明土壤水分预报模型具有一定的拟合精度。研究表明，渐近线随着冠气温差的升高而变的更为接近，说明冠气温差较高时，土壤含水量预测精度更高。在具体应用时，根据需要灌溉区土壤相对含水量可计算出临界冠气温差，然后将实测冠气温差与计算的临界冠层温差相比较，若前者较小，说明园区不需要灌溉，反之则需要灌溉。

图6 冠气温差（ΔT）与土壤相对含水率（RWC）的线性拟合关系Fig.6 Linear fitting relationship between temperature difference(ΔT) and relative water content (RWC)

为验证土壤水分预测模型的可靠性，本研究采用2017年5—8月晴朗天气条件下14:00时的ΔT和RWC实测数据进行验证（图7），结果表明：RWC的模拟值与实测值吻合效果较好，判定系数R2可达0.61，P<0.001，表现为极显著水平，RMSE=0.03。但当RWC较高时，模拟值与实测值间相对误差变大。总体来看，分析表明该模型能够较好地反映实际土壤含水量的变化情况。

2.3 土壤水分预测模型的应用

从区域尺度出发，采用无人机热成像系统对面积为720 m2的核桃区域进行航空拍摄（图8a），发现冠层温度较低，土壤背景温度较高。由图8b可知，左侧长方形选区是连续灌溉区域，右侧正方形选区是连续干旱区域，圆形选区是实际测量土壤含水量的 6棵核桃树。根据所构建的RWC图谱（图9a），我们可以直观地分辩出，连续灌溉区域的RWC较高，干旱胁迫区域的RWC较低，而且由于2块样地相邻，彼此接近的区域RWC相差最小。在研究冠层全部像素点与RWC的关系中，将所提取的全部像素点根据图像从左到右，从上到下的顺序作图，这样能够更好的量化了模型输出结果。由图9b可知，所有连续灌溉区域RWC的变化范围主要集中在0.5～0.6，而干旱胁迫区域RWC的变化范围主要集中在0.41～0.5之间。

图7 模拟值与实测值的比较Fig.7 Comparison of simulation and measured values

图8 无人机拍摄的热红外图像以及带有目标区域的灰度图像Fig.8 Thermal infrared images taken by unmanned aerial vehicle and grayscale images with object regions

图9 不同水分条件下RWC图谱构建以及区域尺度和单株水平的变化特征Fig.9 RWC map construction for different water conditions and change characteristics between regional scales and plant level

6棵样本树冠层像素点所计算出的RWC用3种颜色（蓝、绿、红）突出显示出来，不难看出单株冠层温度变异范围较大，是由于冠层中叶片角度各异和叶片相互遮蔽导致的。因此，所有像素点温度的均值更能代表冠层真实温度。对于连续灌溉区域中的 3棵样本树来说，RWC模拟和实测的均值分别为0.57、0.53、0.55，0.62、P>0.05；对于连续干旱区域的3棵样本树来说，RWC模拟和实测的均值分别为 0.49、0.44、0.42，0,44、0.42、0.39，F=14.3>P>0.05，分析结果表明：2组数据的不存在显著性差异。因此，认为该土壤水分预测模型能够用于核桃园区的土壤水分状况诊断，且具有一定的精度，并可将该模型用于指导灌溉策略的制定。

3 讨 论

土壤水分含量变化主要与天气条件，植物吸水量，土壤结构等因素相关，被认为是土壤-植物-大气连续体的综合作用结果。其中，冠层温度作为表征植物生理生态过程及能量平衡状况的重要参数之一，是指示土壤水分状况的潜在指标。但是冠层温度的变化并不仅仅受到土壤水分多少的影响。许多研究都表明，植物冠层温度或冠气温差还受到外界环境因素的影响[21]。其中，热红外拍摄时间设定为晴朗的午后，一方面，能够更有效区分冠层与土壤，消除背景干扰；另一方面，该时间段的冠气温差达到最大，受环境影响最为明显，有利于变量的分析和模型的建立。随后，对归一化环境变量进行多元回归分析中发现2016与2017年的判定系数以及各因子系数之间存在差异，可能是由环境因子在年际变化过程中存在不规律波动所导致的。加之，2016年的生长季节里存在人为灌溉影响，弱化了RWC与ΔT的相关性。同时，评价了RWC和Ra这2个变量的贡献值，虽然微气象因子中辐射对冠气温差的影响最大，但是，冠气温差的变化与土壤水分含量关系更为密切，且呈现负相关。此外，考虑到不同土层深度的土壤含水量会存在一定的差异，所以，根据RWC的变化特点，推断出核桃树根系吸水的主要位置，与 Mulia等[22]研究表明核桃根系主要集中于40～80 cm土层深度的结果基本相一致。还考虑到表层土壤水分含量变化较大，受到环境影响较大，而深层土壤水分含量变化较小，则不利于模型的建立。Bogena等[23]利用600个EC-5在大面积区域里测量了不同土层深度SWC，证实了50 cm处SWC的空间变异显著低于5 cm处，深层土壤的含水量相对稳定。因此，利用40～60 cm深度的土壤含水量来构建土壤水分预测模型拟合精度更高，更能真实地反映土壤水分状况。Patel等[24]研究也认为ΔT与30～60 cm土层厚度的土壤含水量存在较高的相关性。土壤水分预测模型在实际应用中得到较好的验证，该模型能够有效诊断核桃园水分状况，对于园区水资源合理配置具有重要的指导意义。

该模型虽然具有较小的标准误差，但仍未能达到较高的拟合精度。分析原因：1）所建立的是经验模型，可能会受到核桃不同生长发育期需水量差异的影响，比如花芽分化期是其水分消耗较大的时期；单一变量，虽然便于实际应用与测定，但对于模型的解释能力受到限制，没有考虑微气象因子以及交互作用所带来的多因子综合影响[25]。2）受限于土壤含水量的测定手段，环刀法测定更为准确，不过却费时费力，且没办法做到实时监测，采用 EC-5等仪器设备测量时会带来系统误差。3）尽管在冠层温度提取过程中，已经较好的剔除了土壤背景的干扰，但是热红外相机测量的精度也会受到诸多因子的影响，可能涉及外部环境因素所引起的随机误差以及相机自身的灵敏度等所造成的系统误差。因此，接下来的研究内容应该主要集中在如何消除环境因素影响以及提高模型拟合精度等问题上。

4 结 论

该研究在2016和2017年核桃树主要生长季节里，利用热红外成像系统在午后时间获取树木冠层温度，基于单株水平构建了土壤水分预测模型，并将该模型应用于大面积区域尺度，主要结论如下：1）确定了最适宜的冠层像素点个数范围在12 000到13 000之间，能够有效的去除土壤背景的干扰，利用均值温度表征整个冠层温度更具有代表性。在研究冠层与空气温差、微气象因子和土壤含水量的关系中发现，冠气温差与土壤含水量呈显著负相关，与太阳辐射呈显著正向关系。并利用 40～60 cm土层深度的土壤含水量进行模型构建。2）建立了ΔT为因变量的多元线性回归方程，通过主成分分析方法，得到了最重要的2个影响因子RWC和Ra，其贡献值分别为75%、25%。因此，建立以RWC为因变量，ΔT为自变量的土壤水分预测模型，结果表明该模型具有较好的拟合精度。然后，进行了模型验证，认为RWC的模拟值与实测值吻合效果较好，模型具有较好的预测可靠度。3）利用无人机热红外成像系统将单株水平所建立的模型应用于核桃园区大面积范围，能够很好的区分连续灌溉区域和连续干旱区域，RWC分别在 0.5～0.6和 0.41～0.5之间，该模型能够有效地诊断区域尺度的土壤水分状况，并成功实现了从理论模型到实际应用，从单株水平到区域尺度的转换。

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

[2]Aubrecht D M, Helliker B R, Goulden M L, et al. Continuous,long-term, high-frequency thermal imaging of vegetation:Uncertainties and recommended best practices[J]. Agricultural and Forest Meteorology, 2016, 228(1): 315－326.

[3]Jones H G, Leinonen I. Thermal imaging for the study of plant water relations [J]. Agricultural and Forest Meteorology,2003, 59(3): 205－217.

[4]Grant O M, Tronina Ł, Jones H G, et al. Exploring thermal imaging variables for the detection of stress responses in grapevine under different irrigation regimes[J]. Journal of Experimental Botany, 2007, 58(4): 815－825.

[5]Giuliani R, Magnanini E, Flore J A. Potential use of infrared thermometry for the detection of water deficit in apple and peach orchards[J]. International Symposium on Orchard and Plantation Systems, 2000, 557(3): 399－406.

[6]Remorini D, Massai R. Comparison of water status indicators for young peach trees[J]. Irrigation Science, 2003, 22(1): 39－46.

[7]Ben-Gal A, Agam N, Alchanatis V, et al. Evaluating water stress in irrigated olives: Correlation of soil water status, tree water status, and thermal imagery[J]. Irrigation Science, 2009,27(5): 367－376.

[8]Bellvert J, Zarco-Tejada P J, Girona J, et al. Mapping crop water stress index in a ‘Pinot-noir’ vineyard: Comparing ground measurements with thermal remote sensing imagery from an unmanned aerial vehicle[J]. Precision Agriculture,2014, 15(4): 361－376.

[9]Leuzinger S, Körner C. Tree species diversity affects canopy leaf temperatures in a mature temperate forest[J]. Agricultural and Forest Meteorology, 2007, 146(1): 29－37.

[10]Kim Y, Still C J, Roberts D A, et al. Thermal infrared imaging of conifer leaf temperatures: Comparison to thermocouple measurements and assessment of environmental influences[J]. Agricultural and Forest Meteorology, 2018,248(1): 361－371.

[11]Agam N, Cohen Y, Alchanatis V, et al. How sensitive is the CWSI to changes in solar radiation[J]. International journal of remote sensing, 2013, 34(17): 6109－6120.

[12]刘云，宇振荣，孙丹峰，等. 冬小麦遥感冠层温度监测土壤含水量的试验研究[J]. 水科学进展，2004，15(3)：352.Liu Yun, Yu Zhenrong, Sun Danfeng, et al. Canopy temperature monitoring soil water content based on field experiment of winter wheat[J]. Advances in Water Science,2004, 15(3): 352. (in Chinese with English abstract)

[13]张文忠，韩亚东，杜宏绢，等. 水稻开花期冠层温度与土壤水分及产量结构的关系[J]. 中国水稻科学，2007，21(1)：99—102.Zhang Wenzhong, Han Yadong, Du Hongjuan, et al.Relationship between canopy temperature and soil water content, yield components at flowering stage in rice[J].Chinese Journal of Rice Science, 2007, 21(1): 99－102. (in Chinese with English abstract)

[14]黄春燕，赵鹏举，王登伟，等. 基于红外热图像的棉花水分胁迫指数高光谱遥感估算研究[J]. 红外，2012，33(6)：17—21.Huang Chunyan, Zhao Pengju, Wang Dengwei, et al. Estimation of cotton canopy crop water stress index (CWSI) based on hyperspectral remote sensing infrared images[J]. Infrared,2012, 33(6): 17－21. (in Chinese with English abstract)

[15]张劲松，孟平，高峻，等. 基于冠层叶气温差的苹果园土壤水分预报模型[J]. 农业工程学报，2007，23(6)：17－20.Zhang Jinsong, Meng Ping, Gao Jun, et al. Model for predicting soil water status based on the canopy-air temperature differential in apple orchard[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2007, 23(6): 17－20. (in Chinese with English abstract)

[16]周罕觅，张富仓，龚道枝，等. 桃树树干液流和冠层温度对不同灌溉水量的响应[J]. 西北农林科技大学学报：自然科学版，2011，39(3)：188—196.Zhou Hanmi, Zhang Fucang, Gong Daozhi, et al. The response of stem sap flow velocity and canopy temperature of peach tree to different irrigation water quantities[J]. Journal of Northwest A&F University: Natural Science Edition, 2011,39(3): 188－196. (in Chinese with English abstract)

[17]Jones H G, Serraj R, Loveys B R, et al. Thermal infrared imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field[J]. Functional Plant Biology, 2009, 36(11): 978－989.

[18]Cohen Y, Alchanatis V, Meron M, et al. Estimation of leaf water potential by thermal imagery and spatial analysis[J].Journal of Experimental Botany, 2005, 56(417): 1843－1852.

[19]Payero J O, Irmak S. Variable upper and lower crop water stress index baselines for corn and soybean[J]. Irrigation Science, 2006, 25(1): 21－32.

[20]González L, González-Vilar M. Determination of relative water content[J]. Handbook of plant ecophysiology techniques.Springer Netherlands, 2001: 207－212.

[21]Leuzinger S, Vogt R, Körner C. Tree surface temperature in an urban environment[J]. Agricultural and Forest Meteorology,2010 150(4), 56－62.

[22]Mulia R, Dupraz C. Unusual fine root distributions of two deciduous tree species in southern France: What consequences for modelling of tree root dynamics?[J]. Plant and Soil, 2006,281(2): 71－85.

[23]Bogena H R, Herbst M, Huisman J A, et al. Potential of wireless sensor networks for measuring soil water content variability[J]. Vadose Zone Journal, 2010, 9(4): 1002－1013.

[24]Patel N R, Mehta A N, Shekh A M. Canopy temperature and water stress quantificaiton in rainfed pigeonpea[J]. Agricultural and Forest Meteorology, 2001, 109(3): 223－232.

[25]Jones H G. Plants and microclimate: A Quantitative Approach to Environmental Plant Physiology[M]. Cambridge:Cambridge university press, 2013.