基于无人机热红外与数码影像的玉米冠层温度监测

杨文攀，李长春，杨 浩，杨贵军，冯海宽，韩 亮,3，牛庆林，韩 东,4



基于无人机热红外与数码影像的玉米冠层温度监测

杨文攀1,2，李长春1※，杨 浩2，杨贵军2，冯海宽2，韩 亮2,3，牛庆林1,2，韩 东2,4

（1. 河南理工大学测绘与国土信息工程学院，焦作 454000； 2. 农业部农业遥感机理与定量遥感重点实验室，北京农业信息技术研究中心，北京 100097；3. 山西大同大学建筑与测绘工程学院，大同 037009；4. 西安科技大学测绘科学与技术学院，西安 710054）

快速、准确、无损地获取田间玉米冠层温度，对实现无人机辅助玉米抗旱性状的监测具有重要的意义。该文以无人机搭载热红外成像仪和RGB高清数码相机构成低空遥感数据获取系统，以不同性状的拔节期玉米为研究对象，采集试验区的无人机影像。利用含有已知三维坐标的几何控制板，进行数码影像几何校正，并利用校正后的数码影像对热红外影像进行几何配准。利用便携式手持测温仪测量辐射定标板黑白面的温度，对热红外影像进行辐射定标。利用高空间分辨率的数码影像对玉米进行分类并二值化处理，基于二值化结果提取热红外影像的玉米冠层像元，并提取试验区不同性状玉米的冠层温度。同时，利用便携式手持测温仪在地面同步测量玉米冠层温度，并与提取的冠层温度经行一致性分析，以验证评估基于热红外影像提取玉米冠层温度的效果。结果表明：提取的冠层温度值与地面实测值具有高度一致性（2=0.723 6，RMSE=0.60 ℃)，提取精度较高，表明基于无人机热红外影像获取玉米冠层温度的方法具有高通量的优势且精度较高。最后将试验区的植被覆盖度与提取的冠层温度进行对比分析，结果表明：玉米冠层温度与其覆盖度有显著的相关性（2=0.534 5，<0.000 1），覆盖度越高冠层温度越低，反之则越高，说明玉米冠层覆盖度的大小影响玉米冠层温度的高低。该研究可为玉米育种材料的田间冠层温度监测提供参考。

无人机；农作物；温度；玉米；热红外影像；二值化；覆盖度

0 引 言

玉米作为全球三大谷类作物之一，在解决粮食安全、饲料保障、发展国民经济以及缓解能源危机等方面具有重要作用，是世界上重要的粮食、饲料和工业原料。随着全球人口不断增长，全球对玉米的需求量也日益增加，因此为提高玉米产量进行玉米育种势在必行[1]。玉米的产量和品质不仅受基因遗传影响，在很大程度上亦受环境条件和种植管理情况的影响[2]。作物冠层温度是指作物冠层不同高度茎、叶表面温度的平均值，是农田活动层与其周围环境进行能量交换的结果，是研究土壤、作物和大气之间进行水、热交换传输的重要参数，是判断作物生理状况的指标之一[3]，因此可以利用玉米冠层温度辅助玉米抗旱性状的监测。

作物冠层温度较难观测，在许多具有发展潜力的应用中，表面温度的测定很难达到其所要求的准确度、重复性和稳定性。近几十年来随着红外技术的发展，手持式红外测温仪和红外热像仪测量植被冠层温度被广泛应用到农业监测中[4-7]。Tanner[8]首次使用植物冠层温度作为水分状况的指标，同时首次使用红外测温器来量化冠层温度差异和植物水分胁迫之间的关系；Prashar等[9]利用热成像技术提取马铃薯植被的冠层温度，分析了不同基因下其冠层温度的差异，结果显示在不同的气候条件下，基于冠层相对温度的基因型排序具有高度的一致性；Pou 等[10]通过近端热成像技术确定了葡萄树冠层的温度变化，并计算了气孔导度和作物水分胁迫指数（crop water stress index，CWSI），评估了植物水分状况。

然而，传统的地面红外测温装置测取表面温度时，具有测量周期长、范围较小、耗时耗力、成本高等缺点，已经无法满足目前大范围作业的需求[11-12]。卫星遥感监测具有范围广、测量速度快等优势，在地面温度反演方面得到广泛的应用[13-14]，但卫星遥感监测在农业监测中存在分辨率低、灵活性差的缺点，不能应用于小范围田间尺度的温度提取。近年来，无人机作为一种空间探测搭载工具，具有覆盖范围广、测量周期短、成本低和机动性强等特点，已经成为农业定量遥感研究中快速、准确获取作物表型信息的主要工具，是当前研究的热点和趋势[15-18]。基于无人机热红外影像提取植被冠层温度的研究，如Gómez-Candón等[19]提出了一个全面的无人机遥感热辐射校正方法，成功地测量了整个试验田的树冠表面温度；Ludovisi等[20]基于无人机热成像提取了杨树的冠层温度，并有效评估了杨树在干旱胁迫条件下的基因型变异特性；Chapman等[21]开展了使用无人机进行各种表型分析应用，包括提取甘蔗冠层温度；Sullivan等[22]验证了无人机热红外影像在大田作物干旱胁迫评估中的应用。这些研究显示了无人机热成像技术在获取作物表型信息中的潜力。但是，在利用无人机热红外影像提取植被冠层温度时，由于无人机载质量限制，搭载的小型热红外仪的空间分辨率较低，仅仅依靠热红外影像往往不能很好的把土壤和作物区分开来[23-24]，从而影响了提取精度。国外已有利用RGB影像或R和NIR影像识别叶子像素的研究，研究过程中仅仅取叶子像素的温度，而忽略背景像素，但过程过于复杂[25-26]。论文在利用无人机热红外影像提取玉米冠层温度过程中，利用无人机获取的数码影像，通过玉米分类后生成的二值化影像，剔除热红外影像上的土壤像元，提高冠层温度提取精度。

本文以拔节期玉米作为研究对象，利用无人机同步搭载热红外仪和高分辨率RGB数码相机，构成低空遥感农情监测系统，对多性态玉米冠层温度进行提取，并分析提取效果，为大范围玉米育种过程中获取冠层温度提供快速、有效的手段。

1 试验区域概况、材料和方法

1.1 试验区域概况

试验区位于北京市昌平区小汤山国家精准农业示范基地，试验基地位于东经116°27'51"～116°27'53"，北纬40°10'48"～40°10'54"，海拔高度约为30 m，地势平坦，属暖温带大陆性季风气候。玉米试验材料于2017年5月15日播种，共包括800份不同性状的玉米材料，每份材料种植3行，每行栽种10株，株间距为0.25 m，行间距距为0.6 m，排间距为0.8 m，每个试验材料进行相同的田间管理。地面均匀布置已观测坐标（精度为1 cm）的几何控制板（长×宽30 cm×30 cm）和辐射定标板（黑面为喷漆木板，白面为聚苯乙烯，长×宽100 cm×100 cm）。试验小区布置见图1。

图1 试验小区布置

1.2 地面数据和遥感数据获取

在玉米拔节期，即2017年7月1日8:00进行数据采集。地面数据采集包括两部分内容：利用HT-11D便携式测温仪（测量精度±1%，测量范围0～200 ℃）获取玉米冠层温度，主要用于精度验证；利用测温枪获取试验田中辐射定标板黑白面的温度，主要用于热红外影像辐射定标。在试验区内，均匀选取72个材料区作为验证材料，在无人机获取数据的同时，利用便携式手持测温枪在验证材料区内测取6个玉米叶片（倒一或者倒二叶片2/3处），并测其温度，取平均值作为这个材料区玉米冠层的平均温度。同时，获取试验田间均匀分布的6个辐射定标板黑色面和白色面的温度，每个辐射定标板总共4个面（2个白色面和2个黑色面），每个面测3个值，取平均值作为该面的温度，总共求得24个温度值。

采用大疆S1000八旋翼无人机（图2所示），无人机净质量4.4 kg，有效载质量6 kg，续航时间15 min左右。无人机搭载的传感器Optris PI450非制冷热像仪，测量精度±2%，测温范围−20～100 ℃，同时搭载Sony DSC-QX100数码相机，数码相机类型为Exmor R CMOS，有效像素约2 020万像素，最大分辨率为5 472×3 648像素，质量为179 g，尺寸为63 mm×63 mm×56 mm。

图2 大疆S1000八旋翼无人机

于2017年7月1日8:00－8:10进行无人机影像数据采集。无人机按照设定的航线（总共8条航线）和参数以6 m/s的速度（保证航向重叠度为60%～80%）自主巡航并采集数据，飞行高度为50 m，一次数据获取时间保持在10 min左右，其中数码相机每4秒拍摄一张数码影像，热成像仪每秒拍摄一张热红外影像。为了减小红外热成像仪的系统误差，飞行之前红外热成像仪预热10 min左右，数据获取时，太阳光辐射强度稳定，天空晴朗无云，无风。

1.3 技术方法

利用无人机热红外影像提取玉米冠层温度技术流程如下：数码影像和热红外影像获取；数码影像和热红外影像拼接、几何校正和影像配准；热红外影像的辐射定标；热红外影像上土壤像元剔除和玉米冠层温度提取；精度验证，如图3所示。

图3 提取玉米冠层温度技术流程

1）无人机影像拼接与几何校正。无人机影像包括数码影像和热红外影像，但每幅影像仅仅只记录了试验区部分区域。为了便于数据分析，需要对原始影像进行拼接，从而得到试验区的整体影像。使用Agisoft PhotoScan Professional进行影像拼接。由于无人机影像获取过程中存在一些不稳定因素，拼接后的影像存在一定的几何畸变，因此在数码影像拼接后，利用16个地面控制点，利用ENVI5.1软件进行影像的几何校正。由于热红外影像的分辨率较低，无法从影像上判断控制点的位置，因此无法利用控制点进行几何校正，论文利用经过几何校正的数码影像作为基准影像来配准热红外影像。

2）热红外影像辐射定标。为了评价热红外影像提取玉米冠层温度的效果，需要与地面便携式测温枪测得的验证材料冠层温度进行对比。由于仪器自身精度的限制以及在试验中存在着系统误差和偶然误差，为了保证对比精度，需要对热红外影像进行辐射定标。辐射定标包括飞行前近距离测量定标和飞行后定标。

为了提高热红外影像辐射定标的可靠性，在定标前分别使用便携式测温枪和热红外成像仪在近距离（1 m左右）测得11种地物的温度，并进行一致性分析，以判断2种仪器在不受距离因素条件下，所测温度的一致性。

飞行后的辐射定标利用地面均匀铺设的6个辐射定标板（分布状况如图1）。在拼接并几何配准后的热红外影像上提取对应6个辐射定标板黑白面像素的温度后，将提取的温度与同一时间在地面使用便携式测温枪测得辐射定标板黑白面的温度来计算出辐射定标系数。

3）去除土壤背景。无人机热红外影像上包含有土壤背景像元和玉米冠层像元，因此在提取作物温度时会受到土壤背景的严重干扰，在进行作物温度提取前，首先剔除土壤背景像元[27]。论文通过无人机同步获取的数码影像进行玉米分类，分类后二值化，生成玉米植被矢量文件，矢量文件与热红外影像进行叠加提取玉米植被像元，从而剔除土壤背景。

为了提高土壤背景的剔除精度，必须提高数码影像玉米植株的分类精度。在几何校正后，对数码影像进行分类，论文通过数码影像计算RGRI（red-green ratio index）[28]植被指数进行植被分类。RGRI的计算公式如式（1）

式中red、green分别表示数码影像红、绿波段的DN（digital number）值。首先对数码影像进行植被指数计算，然后对计算的结果取阈值进行二值化，随后通过二值化图像生成矢量文件，并利用Arcgis 10.2建立玉米冠层掩模工具，最后利用掩模工具掩模统计出辐射定标后的热红外影像上各个小区的玉米冠层温度。

4）结果验证。精度评定包括估算几何校正误差和玉米冠层温度提取误差，这2个误差通常采用均方根误差（root mean square error, RMSE）表示。RMSE是观测值与真实值的误差平方根的均值，用来衡量观测值同真值之间的偏差，计算公式如式（2）。

式中1参与几何校正的控制点数量；为待几何校正图像上的地理空间坐标；X为影像上像元对应地面点的空间坐标；2为参与误差计算的材料区数量；Z为热红外影像上提取的玉米冠层温度，℃；Z为地面便携式测温枪测得的玉米冠层温度，℃。

2 结果与分析

2.1 热红外影像辐射校正分析

飞行前，利用便携式测温枪和热红外成像仪在近距离（1 m）测取11种地物的温度，进行一致性分析，结果如图4a所示。

图4 飞行前后的辐射定标

由图4a可知，不受距离影响时，2种仪器所测地物的温度在25°～55°范围内，具有极高的线性拟合度（2=0.986 9），因此可以利用手持测温仪获取的温度对热成像仪提取的温度进行辐射定标，进而验证热成像提取的温度。

图4b表示飞行后热红外影像上提取对应6个辐射定标板黑白面像素的温度与同一时间在地面使用便携式测温枪测得辐射定标板黑白面温度计算出的辐射定标系数。从图4b可以看出，计算的斜率大于1（=1.403 7），说明热成像仪所获取的辐射定标板温度低于便携式测温枪获取的温度，而从图4a可以看出近距离情况下两者测得的温度具有极高的一致性（≈1），因此说明距离会影响热成像仪获取的地物温度精度，距离越大所测温度衰减越明显。

2.2 土壤背景去除

在原始数码影像上利用式（1）计算RGRI植被指数，得到植被指数图。通过对研究区影像的观察，确定在无人机数码影像上，包括玉米、玉米阴影和土壤3种地物。为了使典型地物的信息统计更具代表性，对于每种地物分别选取20个代表区域，选取的典型区域同种地物样本色差跨度较大且均匀分布在整个研究区域。利用选取的样本统计各个地物的特征值（包括平均值和标准差），统计结果如表1所示。

表1 RGRI的统计特征值

由表1可知，RGRI指数图中玉米和其他地物特征值范围不存在交叉现象，表明RGRI适合无人机提取玉米信息，并且玉米与其他地物数值区分度较大，更利于阈值的确定。从土壤和玉米阴影的特征值看，两者可以归为一类。

为了更加直观的说明RGRI计算情况，统计并计算RGRI灰度直方图，结果如图5所示，图中横坐标为计算的植被指数值，纵轴为像元数量。从图5中看出，RGRI灰度直方图的双峰特征较为明显，在值为1附近有剧烈波动，主要因为该值代表的是试验田间辐射定标板和几何定标板的值，理想状态下辐射定标板的白色面应为光的全反射色面，黑面应为光的全吸收面，根据式（1），红绿蓝3个波段的DN相等，白色面和黑色面的值应为1.0左右。

图5 RGRI的灰度直方图

利用双峰直方图阈值法和最大类间方差法[29]确定各个植被指数的阈值。利用得到的阈值提取玉米植被信息，计算各个指数的玉米与其他地物的二值分布图。为评价各个植被指数的分类提取精度，选取试验田部分典型地块进行分类精度评价，典型地块的选取原则是尽量包含图像上所有地物，并且玉米与其他地物的色差跨度要大，然后采用人机交互方式将影像进行玉米与其他地物分类，分类结果作为精度验证的基准评价各植被指数的提取精度，精度评价结果如表2所示。

表2 RGRI的阈值及精度评价

由表2可知，2种阈值法确定的阈值提取精度都比较高，双峰直方图阈值法比最大类间方差法对玉米的分类正确率稍高一些，但是最大类间方差法比双峰直方图阈值法对非植被分类的正确率、总正确率及Kappa系数高很多。总体上，最大类间方差法比双峰直方图阈值法的分类精度高，因此论文选择最大类间方差法确定阈值，阈值为1.004 6。利用确定的阈值提取玉米植被信息，结果如图6所示。

图6 数码分类结果对比图及植被热红外提取图

从图6可以看出，利用最大类间方差法确定的阈值提取效果与参考分类结果最为接近。因此，论文选择1.004 6为阈值生成的矢量掩膜去除热红外影像上的土壤像元。

2.3 冠层温度提取结果验证

提取温度后，为了验证利用热红外影像提取温度的精度，将72个地面观测值剔除24个无效的数据后与提取的温度进行一致性分析（结果如图7），剔除原则是地面观测值的误差超过限差（2倍的标准差），同时剔除掉由覆盖度低、植株少导致观测值异常的数据。

图7 热红外影像提取的温度与对应地面点的实测温度一致性分析

从图7可知，2=0.723 6，表明提取的温度与验证温度有显著的相关性，而且回归线的斜率（=1.480 4）大于1，表明利用热红外影像提取的温度低于便携式测温枪获取的温度，导致这个现象的原因是提取的玉米冠层热红外影像包括阳光直接照射的冠层部分和阴影里的冠层部分（所占比例较小），在提取过程中温度较低的阴影部分参与了计算，而地面实测温度是阳面冠层温度，因此提取的冠层平均温度应低于地面实测值。

从误差精度来看，RMSE=0.60 ℃，表明提取玉米冠层温度的精度适合玉米冠层温度差异分析需求。主要有两方面原因导致RMSE较低，一是早上8:00时各个材料间的冠层温差较小；二是无人机数据采集时间短（10 min左右），在采集时间内温度变化小。

2.4 玉米覆盖度差异引起的冠层温度差异分析

利用提取的玉米冠层温度作为各个材料的平均温度，根据不同的温度赋予不同的颜色，并利用分类后的数码影像计算出各个小区的玉米覆盖度，根据不同的覆盖度赋予不同的颜色，结果如图8所示。因覆盖度为10%以下的材料区在热红外影像上提取的温度受土壤影响明显，因此剔除玉米覆盖度为10%以下的8个材料区，将剩下792个材料区的玉米冠层温度与玉米覆盖度进行对比，结果如图9所示。

图8 试验区玉米冠层温度分布与玉米覆盖度

图9 玉米冠层温度与玉米覆盖度对比

图8a是在玉米拔节期上午8:00时获取的，可知试验区冠层温度范围在27.51～31.3 ℃，北边部分的玉米冠层温度大于南边部分。经计算在玉米关键生育期拔节期试验区玉米平均覆盖度为49.3%，由图8b可知，试验区覆盖度范围在0.11%～93.6%，北边试验区玉米覆盖度高于南边试验区玉米覆盖度；由图9可知，在玉米关键生育期拔节期8:00时，玉米冠层温度与其覆盖度有显著的相关性（2=0.534 5，<0.000 1），通过对比玉米冠层温度与覆盖度可以明显看出，覆盖度越高则冠层温度越低，反之则越高。这主要由二方面因素引起，一是覆盖度越低则周围高温土壤带来的影响越大，周围植被的温度提高越明显；二是覆盖度越高玉米叶片蒸腾量越大，蒸腾作用越明显，带走的水分越多，热量流失越严重，使覆盖度高的材料区温度越低。

由于试验区面积较大，在整个生长期间不能完全保证地形起伏、土壤湿度以及土壤养份的均一，这些因素可能导致温度差异。因此假设不同生长期间，均保持相同的外界环境，图8表明不同性状的玉米表现不同的冠层温度，而基因决定作物的长势性状和耐旱性[30]，因此可以说明不同基因型玉米表现不同的冠层温度。

3 讨 论

通过遥感快速大面积提取作物冠层温度对于现代农业育种具有重要意义。常规地面获取作物冠层温度信息的方法，已经无法满足现代化农业对大范围冠层温度获取的需求。在国外曾有利用载人直升机和飞艇获取热红外影像用于表型分析的研究报道，但是由于其昂贵的成本及国内的禁飞限制，该方式并不适合推广使用[12,31]。论文利用小型化的无人机平台搭载热红外成像仪，可以高效、便捷、低成本地获取作物冠层表型信息[32]，提取的玉米冠层温度，效果优于地面测量结果。该方法获取玉米冠层温度周期短，可以在短时间内连续获取玉米冠层温度信息，因此可以用于分析玉米冠层温度节律性特点，这也是论文下一步要研究的内容。

利用热红外影像提取玉米冠层温度的精度受很多方面的影响，主要有以下3个方面：1）玉米冠层温度的变化受风和光照的影响明显[33]，如果在无人机获取数据的时间内（10 min左右）天气不稳定（如有风）或者光照强度变化，导致试验材料的冠层温度改变明显，会明显影响数据的质量，因此获取数据时尽量选择晴朗无风的天气，在无外界因素影响的情况下获取数据；2）受无人机载质量限制，所搭载的均为非制冷小型化的红外热像仪，存在系统误差，获取的影像存在漂移现象，因此每次飞行之前需要开机预热10 min左右以减小系统误差的影响，并且需要一种较为准确的辐射校正方法来减小或者消除系统误差[19,21]；3）热红外影像的空间分辨率不高，飞行高度越高则获取的热红外影像越模糊，玉米与土壤的混合像元就越多，不利于土壤背景的剔除，同时高度越高受大气辐射的影响越明显，会增加热红外影像的系统误差。因此在获取数据时，要根据试验区的大小以及无人机的飞行续航时间来尽可能的降低高度。

4 结 论

论文利用几何校正后的高空间分辨率数码影像提取热红外影像上的玉米像元，有效解决了热红外影像由于空间分辨率低无法剔除土壤像元的问题。以数码和热红外无人机影像提取了拔节期玉米的冠层温度，并与地面冠层温度的实测值进行一致性分析，提取效果较好（2=0.723 6），表明论文研究的方法是切实可行的，且提取的玉米冠层温度的精度（RMSE=0.60 ℃）适合于玉米冠层温度差异分析需求。提取的冠层温度与覆盖率对比发现，玉米冠层温度与其覆盖度有显著的相关性（2=0.534 5，<0.000 1），覆盖度越高冠层温度越低，反之则越高，说明玉米冠层覆盖度的大小影响玉米冠层温度的高低。

[1] 董春水，才卓. 现代玉米育种技术研究进展与前瞻[J]. 玉米科学，2012，20(1)：1－9.

Dong Chunshui, Cai Zhuo. Current status and perspectives of maize breeding technologies[J]. Journal of Maize Sciences, 2012, 20(1): 1－9. (in Chinese with English abstract)

[2] 王国宇，宋尚有，樊廷录，等. 不同基因型玉米冠层温度与产量和水分利用效率的关系[J]. 玉米科学，2009，17(1)：92－95.

Wang Guoyu, Song Shangyou, Fan Tinglu, et al. Relationship of canopy temperature with grain yield and water use efficiency in various genotypes of maize[J]. Journal of Maize Sciences, 2009, 17(1): 92－95. (in Chinese with English abstract)

[3] 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 factors influencing surface temperature in summer maize field[J]. Scientia Agricultura Sincia, 2006, 39(1): 48－56. (in Chinese with English abstract)

[4] Sadler E J, Camp C R, Evans D E, et al. Corn canopy temperatures measured with a moving infrared thermometer array[J]. Transactions of the Asae, 2002, 45(3): 581－591.

[5] Reynolds M P, Balota M, Delgado M, et al. Physiological and morphological traits associated with spring wheat yield under hot, irrigated conditions[J]. Functional Plant Biology, 1994, 21(6): 717－730.

[6] Badaruddin M, Reynolds M P, Ageeb O A A. Wheat management in warm environments[J]. Agronomy Journal, 1999, 91(6): 975－983.

[7] Khanal S, Fulton J, Shearer S. An overview of current and potential applications of thermal remote sensing in precision agriculture[J]. Computers and Electronics in Agriculture, 2017, 139(Supp.C): 22－32.

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

[9] Prashar A, Yildiz J, Mcnicol J W, et al. Infra-red thermography for high throughput field phenotyping in, solanum tuberosum[J]. Plos One, 2013, 8(6): e65816.

[10] Pou A, Diago M P, Medrano H, et al. Validation of thermal indices for water status identification in grapevine[J]. Agricultural Water Management, 2014, 134(3): 60－72.

[11] Jones H G. Application of thermal imaging and infrared sensing in plant physiology and ecophysiology[J]. Advances in Botanical Research, 2004, 41: 107－163.

[12] Deery D M, Rebetzke G J, Jimenezberni J A, et al. Methodology for high-throughput field phenotyping of canopy temperature using airborne thermography[J]. Frontiers in Plant Science, 2016, 7.

[13] 侯英雨，孙林，何延波，等. 利用EOS-MODIS数据提取作物冠层温度研究[J]. 农业工程学报，2006，22(12)：8－12.

Hou Yingyu, Sun Lin, He Yanbo, et al. Algorithm for estimating crop canopy temperature using EOS-MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(12): 8－12. (in Chinese with English abstract)

[14] Sobrino J A, Caselles V. A methodology for obtaining the crop temperature from NOAA-9 AVHRR data[J]. International Journal of Remote Sensing, 1991, 12(12): 2461－2475.

[15] 杨贵军，李长春，于海洋，等. 农用无人机多传感器遥感辅助小麦育种信息获取[J]. 农业工程学报，2015，31(21)：184－190.

Yang Guijun, Li Changchun, Yu Haiyang, et al. UAV based multi-load remote sensing technologies for wheat breeding information acquirement[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 184－190. (in Chinese with English abstract)

[16] 韩东，杨浩，杨贵军，等.基于Sentinel-1雷达影像的玉米倒伏监测模型[J]. 农业工程学报，2018，34(3)：166－172.

Han Dong, Yang Hao, Yang Guijun, et al. Monitoring model of maize lodging based on Sentinel-1 radar image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(3): 166－172. (in Chinese with English abstract)

[17] Yue J, Yang G, Li C, et al. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models[J]. Remote Sensing, 2017, 9(7): 708.

[18] Neiff N, Dhliwayo T, Suarez E A, et al. Using an airborne platform to measure canopy temperature and ndvi under heat stress in maize[J]. Journal of Crop Improvement, 2015, 29(6): 669－690.

[19] Gómez-Candón D, Virlet N, Labbé S, et al. Field phenotyping of water stress at tree scale by UAV-sensed imagery: new insights for thermal acquisition and calibration[J]. Precision Agriculture, 2011, 17(6): 1－15.

[20] Ludovisi R, Tauro F, Salvati R, et al. UAV-based thermal imaging for high-throughput field phenotyping of black poplar response to drought[J]. Frontiers in Plant Science, 2017, 8: 1681.

[21] Chapman S C, Chan A, Jackway P, et al. Pheno-copter: a low-altitude, autonomous, remote-sensing robotic helicopter for, high-throughput field-based phenotyping[J]. Agronomy, 2014, 4(2): 279－301.

[22] Sullivan D G, Fulton J P, Shaw J N, et al. Evaluating the sensitivity of an unmanned thermal infrared aerial system to detect water stress in a cotton canopy[J]. International Journal of Sociology & Social Policy, 2007, 50(6): 708－724.

[23] Han M, Zhang H, DeJonge K C, et al. Estimating maize water stress by standard deviation of canopy temperature in thermal imagery [J]. Agricultural Water Management, 2016, 177: 400－409.

[24] Baluja J, Diago M P, Balda P, et al. Assessment of vineyard water status variability by thermal and multispectral imagery using an unmanned aerial vehicle (UAV)[J]. Irrigation Science, 2012, 30(6): 511－522.

[25] Möller M, Alchanatis V, Cohen Y, et al. Use of thermal and visible imagery for estimating crop water status of irrigated grapevine[J]. Journal of Experimental Botany, 2007, 58(4): 827.

[26] Leinonen I, Jones H G. Combining thermal and visible imagery for estimating canopy temperature and identifying plant stress[J]. Journal of Experimental Botany, 2004, 55(401): 1423－1431.

[27] Jones H, Sirault X. Scaling of thermal images at different spatial resolution: The mixed pixel problem[J]. Agronomy, 2014, 4(3): 380－396.

[28] Verrelst J, Schaepman M E, Koetz B, et al. Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data[J]. Remote Sensing of Environment, 2008, 112(5): 2341－2353.

[29] Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62－66.

[30] Bolaños J, Edmeades G O. The importance of the anthesis-silking interval in breeding for drought tolerance in tropical maize[J]. Field Crops Research, 1996, 48(1): 65－80.

[31] 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(10/11): 978－989.

[32] Maimaitijiang M, Ghulam A, Sidike P, et al. Unmanned Aerial System (UAS)-based phenotyping of soybean using multi-sensor data fusion and extreme learning machine[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017, 134: 43－58.

[33] Jackson R D, Reginato R J, Idso S B. Wheat canopy temperature: A practical tool for evaluating water requirements[J]. Water Resources Research, 1977, 13(3): 651－656.

Monitoring of canopy temperature of maize based on UAV thermal infrared imagery and digital imagery

Yang Wenpan1,2, Li Changchun1※, Yang Hao2, Yang Guijun2, Feng Haikuan2, Han Liang2,3, Niu Qinglin1,2, Han Dong2,4

(1.454000,; 2.100097,; 3.037009; 4.710054,)

Crop canopy temperature is one of the most important indexes for evaluating crop physiological conditions for it is closely related leaf stomatal conductance, water use, transpiration of crops. Therefore, crop canopy temperatures can be used in monitoring drought resistance traits of crop. Traditional crop canopy temperature estimates are based on artificial field measurement, which are not only time and labor consuming, but more importantly, are difficult to apply over large areas. In recent years, with the rapid development of unmanned aerial vehicle (UAV) technology, UAVs have been widely used in agricultural phenotypic data acquisition. However, when using thermal infrared image data to extract crop canopy temperatures, UAV is equipped with a miniaturized thermal infrared instrument with low spatial resolution due to the limited load capacity of the UAV. Thermal infrared images often cannot effectively separate soil and crops individually, thus reducing the accuracy of extracting crop canopy temperatures. In this paper, a low-altitude UAV remote sensing system equipped with a thermal infrared imager and a RGB high-definition digital camera was adopted for remote sensing data collection. Experiments were conducted at the Xiao Tangshan National Precision Agriculture Research Center of China, which is located in Changping District of Beijing, PR China. A total of 800 maize materials with different varieties in the jointing period were collected. While UAV acquiring images, a total of 72 ground samples were measured using a hand-held thermometer portable, which was used to verify the maize canopy temperature results from thermal infrared images. The RGB high-definition digital orthophoto map (DOM) was generated and geometry was corrected using ground control points (GCPs) and digital camera images in Agisoft's PhotoScan. A RGB high-definition DOM was used as base an image for the thermal infrared images geometrical calibration to solve the problem of coordinate mismatch between thermal infrared images and digital images, facilitating the removal of the soil background in the next step. The temperature of the black and white surface of the radiant correction plate was measured by a hand-held thermometer portable before and after the flight, which was used for the radiation calibration of the thermal infrared image. A high-resolution digital image was used to calculate the red-green ratio index (RGRI), and the image was binarized after classification of maize and soil. Then the binarization result was used to generate a maize mask file for the experimental area, which was used to extract the pixels of the maize vegetation on the thermal infrared image. By doing so, the low spatial resolution thermal infrared image pixels were separate into soils and crops parts, and crop canopy temperature was extracted from the crops. Finally, the canopy temperature of maize with different characters in the experimental area was statistically analyzed. And the consistency with observations on the ground was analyzed to verify and evaluate the effect of the maize canopy temperature extraction based on thermal infrared images. Our results indicated that canopy temperature based on thermal infrared images was highly relevant with ground observations with2=0.723 6, RMSE=0.60 ℃. Our results demonstrated that it was accurate and feasible to use the high spatial resolution digital images to remove the soil background pixels on low spatial resolution thermal infrared images. In addition, the new method of obtaining maize canopy temperature based on UAV thermal infrared imagery was feasible and effective. Our results also demonstrated that the canopy temperature of materials was significantly correlated with the canopy coverage with2=0.534 5 (< 0.000 1). Canopy temperature decreased with increasing of canopy coverage.

unmanned aerial vehicle; crops; temperature; maize; thermal infrared imagery; binarization; coverage

2018-04-16

2018-06-30

国家重点研发计划（2016YFD0300602）；国家自然科学基金（61661136003，41471351）；北京市农林科学院科技创新能力建设项目（KJCX20170423）；河南省科技攻关项目（182102110186）

杨文攀，助理研究员，主要从事无人机农业定量遥感相关技术及其农业应用研究。Email：yangwp100098@163.com

李长春，副教授，主要从事农业遥感长势监测与评估研究。Email：lichangchun610@126.com

10.11975/j.issn.1002-6819.2018.17.010

S252

A

1002-6819(2018)-17-0068-08

杨文攀，李长春，杨 浩，杨贵军，冯海宽，韩 亮，牛庆林，韩 东. 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.doi：10.11975/j.issn.1002-6819.2018.17.010 http://www.tcsae.org

Yang Wenpan, Li Changchun, Yang Hao, Yang Guijun, Feng Haikuan, Han Liang, Niu Qinglin, Han Dong. Monitoring of canopy temperature of maize based on UAV thermal infrared imagery and digital imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(17): 68－75. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.17.010 http://www.tcsae.org