考虑作物生长状态的农田表面温度数据精量甄别与区分

肖春安，蔡甲冰，常宏芳，张敬晓，许 迪

考虑作物生长状态的农田表面温度数据精量甄别与区分

肖春安，蔡甲冰※，常宏芳，张敬晓，许 迪

（1. 中国水利水电科学研究院，流域水循环模拟与调控国家重点实验室，北京，100038；2. 国家节水灌溉北京工程技术研究中心，北京，100048）

农田表面温度是土壤、作物和大气之间进行水/热交换传输的重要参数，也是灌区遥感反演模型的重要参量。在利用热红外传感器连续获取农田表面温度数据时，由于作物的生长发育处于动态变化中，农田表面温度数据往往混合了作物冠层温度和土壤表面温度。为精准甄别和区分田间海量监测数据，该研究结合Logistic作物生长模型，通过考虑作物生长状态指标叶面积指数（Leaf Area Index，LAI）和作物冠层高度及其关键节点，构建了农田表面温度监测数据的甄别算法。以内蒙古永济试验站玉米和向日葵实测数据对算法进行验证，并利用解放闸灌域和吉林省长春试验站的玉米和向日葵田间观测数据进行校核。结果表明：考虑LAI和作物冠层高度并利用Logistic模型模拟的关键节点来建立甄别算法，能够为农田稀疏植被表面温度数据甄别提供高效判定。与人工测量值对比，冠层温度优化幅度在10 个百分点左右（相对误差），土壤表面温度优化幅度超过5个百分点；甄别方法可以明显提升冠层和土壤表面温度的获取精度。甄别算法中校正因子数值需根据作物种植密度及LAI确定，其中玉米校正因子选择作物冠层温度校正因子0.9，土壤表面温度校正因子1.1；向日葵校正因子以叶面积指数最大值4为基础，选取冠层温度校正因子0.7，土壤表面温度校正因子1.2；在不同地区应用时，向日葵叶面积指数最大值每增加1，推荐冠层温度校正因子调高0.35，土壤表面温度校正因子调低0.18。研究结果可为精量灌溉提供技术支撑，提高了农田监测数据的性能，为无人机遥感和卫星遥感数据的精量甄别提供算法和验证。

温度；传感器；土壤；冠层；数据甄别；Logistic模型

0 引 言

随着物联网、云平台等无线通信技术的进步与发展，农业生产管理也逐步走向精准高效；精准农业能够结合作物需求，根据农田环境实时信息精准并有针对性的对作物生长进行管理，为实现作物高效生产提供重要保障[1-3]。其中的精量灌溉依托于农情监测数据，对作物自身水分信息、农田小气候以及土壤墒情等因素进行综合评判，进而获得最精准的信息进行灌溉决策、预报和管理[4-6]。

借助ZigBee、Wi-Fi、LoRa、NB-IoT和RFID技术等多种无线通信方式，无线传感器网络能高效准确地采集和传输农田环境信息，远程监控模块的增添实现了农田小气候与视频图像信息参数采集与传输的高度集成[7-10]，三维GIS的应用可展示大规模农田作业区三维虚拟场景[11-12]。Sakamoto等[13]利用数码相机捕捉作物近红外图像进而连续监测作物状态，提供了可用于验证来自MODIS等卫星系统长时间序列的地面真实数据的替代方法；Kim等[14]利用集成的低成本、近地表遥感系统对植被指数、光合有效辐射和叶面积指数进行植被冠层动态的持续监测；Xiang等[15]采用高时空分辨率的遥感系统自动捕获田间多光谱图像进而可对作物冠层反射率校准。农田远程墒情、作物冠层温度监测和农田环境信息的相结合，可为农田综合灌溉决策提供及时、准确的数据[16-18]。

农田表面温度常应用在估算农田蒸散发方法和模型中[19-21]。作物冠层温度是研究土壤、作物和大气之间进行水/热交换传输的重要参数，可利用其与气温的差值来判断作物缺水状况[22-24]；准确的作物冠层温度数据也可作为抗旱和耐热作物品种选育的重要依据[25]。热红外传感器测温具有较高的稳定性，因其尺度扩展和适应性，在农田尺度和区域尺度都能广泛使用[26-28]。可利用热红外传感器自动监测系统对农田下垫面进行连续多点扫描[29]；因作物生长发育的进程，以及行距株距的存在，尤其是在作物生育早期所获得的温度数据可能会包含田间作物冠层温度和土壤表面温度。目前常使用监测温度数据的均值，简化了数据处理过程，但混合数据可能会影响精细农田灌溉模型计算精度。如常用的农田双源蒸散发模型分别估算作物蒸腾和土壤蒸发，其关键点就是要准确获取作物冠层和土壤表面的温度及相关参量[30-33]。因此对农田表面温度进行甄别与区分以获得翔实的温度数据，将有助于提升模型估算精度并得到有效应用。另外，通过对农田表面温度进行有效甄别和区分，亦为研究农田水热梯度变化规律提供了同步的作物冠层温度和土壤表面温度数据，可保证农田温度时空差异性研究的精准可靠。

为有效甄别和区分农田表面温度数据并提高数据的有效性及可利用性，本文利用作物生长指标构建一种温度数据甄别方法，对玉米和向日葵2种作物的农田表面温度监测数据进行优化处理。以内蒙古河套灌区永济灌域的田间试验观测数据为例，综合评判甄别区分后所得作物冠层温度和土壤表面温度数据的有效性；进一步应用河套灌区解放闸灌域和吉林省长春试验站的田间实测数据进行评估验证，探究该甄别方法的适用性，以期为精准农业和精量灌溉的农田实时数据提供高效管理方法和处理依据，为科学灌溉的实施提供重要技术支撑。

1 材料与方法

1.1 试验区与观测项目

1.1.1 监测系统的布设

2021年5—9月作物主要生育期内，在内蒙古河套灌区永济试验站（107°16′35″E，40°44′11″N）玉米（科合699）和向日葵（谷丰6号）的田块中间分别安装CTMS-On line系统，如图1所示。本年度玉米和向日葵播种日期分别是5月20日和6月12日，出苗日期为5月28日和6月19日，收获日期分别是10月2日和9月30日。玉米和向日葵的种植密度分别为7.5和4株/m2。CTMS-On line系统通过旋转平台驱动悬臂梁末端的热红外温度传感器，对田间下垫面进行多点扫描，其详细工作原理可见参考文献[18]。如图1c所示，置于监测系统旋转臂上的热红外传感器每次环绕中心立柱，按照固定角度均匀扫描下垫面1周，可获取10个点位温度数据。扫描系统采集时间间隔为30 min，同步连续监测的其他指标还包括太阳辐射、光合有效辐射、空气温/湿度、风速、大气压强，以及作物根区土壤温/湿度（作物根区10、20和40 cm）等。由于作物冠层发育过程和作物行距株距的存在，扫描点位可能在作物冠层和行间距间的土壤表面（图1c）。

图1 玉米和向日葵试验地CTMS-On line监测系统的布设与手持热红外测温仪观测情况

2016年内蒙古河套灌区解放闸灌域在向日葵和玉米地分别布置CTMS-On line系统（106°43′～107°27′E，40°34′～41°14′N），向日葵和玉米的种植密度分别为5 和7.5株/m2。2018—2019年在吉林省长春试验站（125°19′8″E，43°38′40″N）玉米地布设了相同监测系统，两年玉米的种植密度均为8株/m2。以上系统连续监测所获得的数据用于设计算法和模型验证。

1.1.2 其他监测项目

作物出苗后，每2 d于10:00—18:00间隔2 h使用手持热红外测温仪（ST80+，美国雷泰公司），在布设监测系统的玉米和向日葵地定点测取8～10组作物冠层温度和土壤表面温度（图1d），并对其进行均值化处理以消除测量主观误差和随机误差。此数据将用于与CTMS-On line系统监测数据的验证和对比。

在生长季内，分别在玉米和向日葵地固定选取3株，每隔7～10 d测量作物冠层高度（）、叶长和叶宽等作物生态指标。叶面积指数（Leaf Area Index，LAI）通过式（1）计算：

式中为折算系数（本文玉米取0.75，向日葵取0.65）[34-35]；为种植密度，株/m2（本文玉米和向日葵分别为7.5和4株/m2）；代表作物编号，为对应作物的叶片序号，其中为第株作物的总叶片数；L为叶长，m；B为最大叶宽，m。

1.2 温度数据甄别算法构建

1.2.1 监测数据特征提取

温度数据甄别与区分的目标是将热红外传感器所测下垫面10个点位扫描温度区分为作物冠层温度（T）和土壤表面温度（T）。玉米和向日葵生育前期LAI和较低，植被处于相对稀疏的状态，监测系统每次扫描下垫面所测数据可能是T和T的混合结果。以2021年7月17日布置在永济试验站玉米和向日葵田间的CTMS-On line系统获得的日内典型时段的温度为例（图 2），日内每个时段（10:00—18:00）所扫描的10个温度数据之间的标准方差大于0.1。7月17日玉米处于生育中期而向日葵开始进入快速发育期，2种作物株高和叶面积指数差异较大，因而2种作物监测结果差异较大。这种差异也间接地反映出2种作物田间墒情、生长环境条件的不同，因而甄别和区分算法要因作物不同而调整。

图2 玉米和向日葵田间CTMS-On line系统扫描的10个点位农田下垫面温度数据（2021年7月17日）

一般情况下，作物出苗后冠层高度随日序数增加呈现“缓慢增长—快速增长—缓慢增长”的趋势，LAI则呈现“缓慢增长—快速增长—缓慢增长—快速减少”的趋势。为了获得准确的作物生长特征以构建数据甄别算法，充分考虑作物冠层高度和叶面积指数在生育期内主要特征，本文以日序数为自变量，利用2种Logistic生长模型分别模拟每日和LAI的变化，其表达式为[36-38]

式中1和2分别代表作物生育期内每日的和LAI；为日序数，本文取年内自然日；和分别为一定环境条件下的作物最大（m）和LAI；、、、、为对应的Logistic模型待定系数。

1.2.2 Logistic模型拟合

图3是根据2021年作物生长指标实际测量结果拟合的基于Logistic生长模型的和LAI变化曲线。根据作物生长趋势，其中关键变化转折点记为M1（快速发育期起点）、M2（快速发育期中点）、M3（平稳生长期起点）和M4（生育期内叶面积指数最大点）。可见玉米和向日葵在作物生育前期（M1之前）的LAI及相对较低，随后生育中期（M1和M3之间）叶面积迅速发展LAI增大，而在作物生育后期（M4之后）叶片逐渐凋萎，叶面积逐渐减少。

为确定和LAI变化曲线的拐点（为简化算法，假定和LAI的关键转折点对应日序数一致），对式（2）和式（3）进行求导，整理得：

注：M1，快速发育期起点；M2，快速发育期中点；M3，平稳生长期起点；M4，生育期内叶面积指数最大值点。例：M1:07-17（198）中，07-17为日期，198为日序数。其余同上。

此时式（4）和式（5）分别为和LAI的变化速率方程。令式（5）等于0（增长速率为0），便可求得LAI的最大值（LAImax)），并记该点处的日序数为M4。二者对应计算公式为

对式（4）进行一阶求导，并令其等于0，即可求出最大增长速率对应的日序数M2。在M1之前和M3之后缓慢增长趋于平缓，而在M1和M3之间，作物生长迅速。为确定这两个特征点，可对式（2）进行三阶求导，并令其等于0，便可求出生长曲线上的两个突变拐点，即最大生长阶段对应的日序数区间（M1，M3）。可得上述关键点计算式如下：

从图3可知，2021年永济试验站实测数据拟合的Logistic模型关键参数，对于玉米：=1.27×1010，=0.118，=4.50，=1.20×10-3，=-0.557，=63.4；对于向日葵：=4.77×1010，=0.119，=6.68，=1.54×10-3，=-0.747，=90.3。结合式（6）和式（7），可推求关键节点对应的日序数分别为：玉米：M1=186（7月5日），M2=198（7月17日），M3=209（7月28日），M4=232（8月20日），LAImax=3.52；向日葵：M1=198（7月17日），M2=207（7月26日），M3=218（8月7日），M4=243（8月31日），LAImax=3.99。

1.2.3 温度数据甄别算法与流程

将作物生长指标和LAI作为首要评判指标，以作物生长关键节点的日序数M1，M2，M3和作物LAI最大时的日序数M4为时间节点（对应图3中的关键生长节点（星号*）），来判断和构建温度数据甄别算法。本文选取标准方差（Standard Deviation，SD）和相对误差（Relative Error，RE）进行相关数据的统计和分析。

本文设计温度甄别和区分的算法流程见图4，其中是需要甄别处理温度数据当天的年内日序数。数据处理流程如下：

1）若M3≤≤M4，作物和LAI较高，长势良好枝叶茂密，那么10个扫描点位温度默认为叶片温度，并以其平均值作为T。当≥M4时，由图3可知作物株高基本保持稳定，LAI呈现逐渐下降趋势，但在作物收获前LAI的值仍较高，说明此时植株枝叶仍较密，10个扫描点位温度仍主要扫描为叶片温度，同样以其平均值作为T。

2）当≤M1时，作物和LAI均较低，此时作物枝叶较小处于苗期，监测系统所扫描的10个温度数据主要来源于农田土壤表面，少量点位扫描在叶片上。本时期内的温度数据筛选与区分，做如下处理：若10个扫描温度的标准方差SD≤0.1（数据离散程度较小，基本稳定），则所有值的均值默认为T，此时T的获取需通过人工测量温度确定T与T之间的比例关系，以近似反推T。在温度数据稳定可靠的前提下，若10个扫描温度的标准方差SD>0.1（数据离散程度稍大，具有一定程度区分性），可将温度中最小值（min）临近的几个数值点均值作为T，其余的温度数值点的均值作为T。

注：M1～M4分别为作物生长关键节点的日序数；SD为标准方差。

3）当M1<0.1（数据离散程度稍大，易出现极端值）且温度数据中出现了一些“0”值，该扫描结果较为少见，应舍弃此类数据并必须检查监测系统是否正常运行；②若SD≤0.05（数据离散程度很小，且数据值较为接近），在保证CTMS-On line系统良好运行的条件下，将这些数据的平均值作为T；③若0.05T；④当0.1T和T数据矩阵。

为整体数据集矩阵×矩阵，即由原始数据所组成，对应每一时刻点所得监测数据的均值所构成的1×矩阵。指定计算主要包括bsxfun函数中的函数操作@ge和@le，@ge为大于或等于阈值，@le为小于或等于阈值。本文以CTMS-On line系统监测的10个扫描温度的平均值作为阈值，对原始温度数据矩阵进行区分，其他函数操作详见https://ww2.mathworks.cn/help/matlab/ref/bsxfun. html?s_tid=srchtitle_bsxfun_1。

为确保区分后的T和T数据矩阵真实可靠，应进一步优化校正。利用人工测量温度数据与经过甄别算法区分所得T和T数据之间的线性关系，确定作物T和T数据矩阵的校正因子（本文数据处理后可得冠层温度校正因子玉米为0.9、向日葵为0.7，土壤表面温度校正因子分别为1.1和1.2）。最后将区分后的T和T数据分别乘以相对应的校正因子，即可得到最终甄别筛选的T和T数据。

2 结果与分析

2.1 基于人工测量温度检验数据甄别算法可靠性

选取永济试验站玉米和向日葵生育期4个关键节点（M1，M2，M3和M4）的温度数据进行验证；通过分析温度数据区分结果与人工测量数据的匹配情况，探究甄别算法的可行性和有效性。

2.1.1 玉米地

人工测量温度在10:00—18:00内间隔2 h进行，观测日内可得目标田块土壤表面温度T和作物冠层温度T各5组数据。图5是玉米和向日葵生育期内4个关键时间节点人工测量温度与数据甄别优化后所得T和T的结果对比。其中，图5为玉米地对比结果；由于玉米地在7月5日（M1）处于灌溉状态，此时T和T获取精度难以保证，因而选择田块表面干燥后的7月8日（M1′）相对应温度数据进行验证。

注：在关键节点（M）无实际田间温度时（灌溉或降雨），用临近节点（M1′）处验证。

从图5可见，玉米的T和T均在14:00达到峰值，呈现明显的单峰型变化特征。表面温度监测数据包含了T和T混合数据，经算法优化后甄别区分出T和T，与人工测量T和T之间的变化趋势保持一致，且大小较为接近；与没有甄别的混合数据相比，匹配度明显提高。4个生长节点中快速发育期的M2处表现出更好的匹配结果。生育中后期的M4处玉米枝叶茂密长势良好，监测系统所扫描的10个点位在作物叶片上；此时根据本文设计的甄别算法判定其全部为作物冠层温度（等于甄别前监测温度），所平均得到的T数值与人工测量T的保持很高的匹配度（图5）。与冠层温度甄别对比结果相比，田间土壤表面温度T在中午12:00—14:00差异稍大，甄别后所得的T均小于人工测量T；与冠层温度甄别结果一致，甄别后T亦在M2处与人工测量T的匹配度最佳。

以人工测量温度数据为参照量，分别计算上述时段温度数据甄别优化前后与其之间的相对误差，同时计算RE优化幅度，即甄别前RE绝对值与甄别后RE绝对值之间的差值；其值若为正值，数值越大表明精度提升幅度越大，若为负值则表明没有提升精度，甄别效果不明显。2021年永济试验站玉米和向日葵地计算结果如图6所示。由图 6a可知，各节点处日内甄别优化后T与人工测量T的RE绝对值明显低于甄别优化前；M1′（7月8日）14:00和16:00处作物冠层温度RE值，从甄别优化前的19.0%和21.8%下降为甄别优化后的-2.9%和1.8%，优化幅度分别为16.0和19.9个百分点。其中M2和M3处各时刻甄别优化后RE均相对较小，与前述分析结果一致。且各时间段内计算的RE优化幅度均为正值，表明甄别优化后对温度数据的精度有所提升，且在作物前中期优化幅度最大（平均RE优化幅度为12.2个百分点）。与T表现类似，甄别优化后T与人工测量T的平均RE绝对值从15%降为5%；土壤表面温度与人工测量T之间的RE优化幅度在7个百分点左右，温度数据精度提升较高（图6b）。

图6 永济试验站玉米和向日葵地表面温度甄别优化前后温度结果与人工测量温度之间RE变化

从总的RE值表现来看，7月8日M1′处18:00处甄别优化后T和T的RE绝对值明显高于其他时刻，其值分别为15.9%和12.5%，优化幅度分别为14.1和-10.2个百分点。上述结果产生原因可能是由于本区域农田常伴有冷气流现象（多云或刮风），导致此时田间温度瞬时变化较大；同时人工测量与系统监测之间的等时性也可能有一定的偏差。除此之外，总体上T和T经甄别优化后，RE优化幅度大多为正值，即玉米地的T和T的平均优化幅度分别为12.2和7.0个百分点，其精度均得以有效提升高，表明甄别算法的可靠性。

2.1.2 向日葵地

为确定本文温度甄别方法在向日葵地的应用效果，对向日葵的4个典型生长节点（M1，M2，M3和M4）处所获得的甄别前后的T和T与人工测量温度数据进行对比验证。如图5向日葵作物所示，在10:00—18:00时间段内向日葵地T和T呈现单值波峰现象，且甄别优化后T和T与人工测量T和T的变化趋势基本一致，典型时刻内数据结果相差不大。与玉米地类似，向日葵在快速发育期节点M2（7月26日）处甄别后的T和T与人工测量数值的匹配程度最优，此时作物长势良好，农田下垫面温度数据被有效的区分为T和T。而当作物处于生长中后期，作物枝叶茂密长势良好有效遮蔽土壤表面，甄别算法确定此时监测温度都是冠层温度T，与人工测量T匹配结果良好（图5h）。

从向日葵田块下垫面温度数据甄别优化前后与人工测量温度之间的相对误差RE变化（图6c和图6d）看，M1（7月17日）和M2（7月26日）处，T的RE绝对值较甄别优化前降低了30%，且RE优化幅度也相对较高均大于20个百分点，整体的平均优化幅度可达32.3个百分点。与此同时，甄别优化后T的RE值稳定在-5%～5%，除M1节点16:00和18:00时间段内RE优化幅度较低，整体的平均优化幅度仍有12.0个百分点。在向日葵生育中后期作物长势茂密，监测数据甄别的T和T与人工测量数值之间的匹配效果虽略弱于前，但它们之间的RE绝对值仍可保持在10%以内（M3（8月7日）），符合预期的温度数据甄别精度。

2.2 基于CTMS-Online系统监测结果的甄别算法校核

为进一步查勘农田表面温度数据甄别算法的效果，以内蒙古河套灌区解放闸灌域和吉林省长春试验站的CTMS-Online系统监测的农田下垫面温度数据为例进行校核和验证。其中长春试验站为2018年和2019年玉米地监测数据，解放闸灌域是2016年玉米和向日葵两种作物的数据。根据当年的农田实测LAI和数据，两个地区玉米和向日葵所拟合的Logistic生长模型模拟曲线及关键生长节点如图7所示。

图7 解放闸灌域和长春试验站基于玉米和向日葵h和LAI的Logistic生长模型拟合结果

2.2.1 长春玉米地校核与验证

从图7a和图7b中可知，长春试验站玉米地2018年与2019年利用Logistic生长模型确定的M1、M2、M3和M4的关键生长节点（日序数）差别不大，两年日期基本相临。因虑及同一地区同类作物，这里选择2018年模型拟合对应的关键节点日期应用于温度数据甄别筛选算法的校核与验证。由于2018年节点M2（7月9日）连续多天降雨，为保证数据验证的可靠性，以M2′处（7月12日）替代；其余关键节点M1（6月22日）、M3（7月24日）和M4（8月16日）如图7a所示。这里统计了甄别优化前后T和T与人工测量温度之间的相对误差RE值，并计算了RE优化幅度，如表1所示。

从表1可知，2018年冠层温度T在M1处RE从19.6%降到7.7%，有11.9个百分点的优化幅度；M2′和M3处分别从9.4%降至1.5%和从12.8%降至2.3%，优化幅度分别为7.9和10.5个百分点，精度提升效果较为明显；2019年优化幅度则分别为10.3（M1）、2.7（M2）和1.4（M3）个百分点。2018年在M2′处和2019年M2处甄别优化后T与人工测量T之间的RE绝对值<5%，与永济试验站甄别结果最佳时段一致。M4节点玉米处于生长中后期，数据甄别程序判断下垫面扫描温度均为冠层温度；除2019年M4处18:00时刻与人工测量T的RE绝对值稍大（9.7%），其他时刻内均保持在5%以内。土壤表面温度T的甄别验证结果则表现为，RE绝对值大致从10%左右缩减到5%以内，能够与人工测量T相贴近；各阶段整体的的优化幅度大约为5个百分点，且甄别效果最佳阶段亦在M2阶段。其中因生育早期甄别前T与人工测量T较为接近，通过算法确定出的T精度提升不明显，如2018年M1处。总体而言，2018 —2019年长春玉米T和T平均优化幅度分别为7.5%和5.5%，本文的甄别算法满足长春试验站玉米地T和T的甄别区分精度要求。

2.2.2 解放闸灌域玉米和向日葵校核与验证

解放闸灌域和永济灌域同属于河套灌区，主要农作物为玉米和向日葵。这里利用2016年解放闸灌域所监测的两种作物生育期下垫面温度数据进行甄别处理，并将甄别优化前后的T和T与同时段的人工测量温度进行对比，以查核甄别算法在本区域的应用效果。

从图3a和图7c可知，玉米生长指标数值在解放闸灌域和永济灌域两地比较相近（永济：LAImax=3.52，max=2.72 m；解放闸：LAImax=3.72，max=2.61 m），因此甄别算法中采用同一校正因子（=0.9，=1.1)计算玉米地甄别优化前后T和T与人工测量值之间的RE值及其优化幅度，结果如图8a和图8b所示。由图 8a可见，玉米生育中后期（M3，M4）长势稳定，甄别优化后T与人工测量T之间的RE绝对值低于5%，两者匹配度较高；生育前中期（M1，M2）甄别优化后的T与人工测量T之间的RE值明显低于甄别优化前的结果，其绝对值在10%以内。除了M1和M2节点处10:00时段优化幅度为负值，其他时间段内均为正值，这表明甄别优化后的T能与人工测量T较好的契合，其精度得以保证。图 8b中甄别优化后的T与人工测量T之间的RE绝对值在10%以内，且除了M1和M2节点处16:00时段优化幅度为负值，其他时间段内均为正值；甄别优化后T和T的整体平均优化幅度分别为4.9和7.5个百分点，表明该甄别方法甄别精度较为理想。

表1 长春试验站玉米地监测数据甄别优化前后的温度与人工测量之间相对误差变化

解放闸灌域向日葵温度数据甄别，首先尝试采用与永济灌域同一校正因子（=0.7，=1.2），甄别优化前后T和T与人工测量值之间的相对误差RE值及其优化幅度结果如图8c和图8d所示。从图中可见，除了M1和M2处T甄别优化后的RE绝对值较小，其余节点和日内时段均超过了10%，且T和T的RE优化幅度多数小于0。数值不符合预期设想，没有达到精度提升的效果。这种情况可能是由于解放闸灌域相较于永济灌域的向日葵LAI和株高更大（图3b和图7d，永济：LAImax=3.99，max=1.77 m；解放闸：LAImax=4.56，max=2.21 m），CTMS-On line系统热红外传感器运行时连续扫描下垫面，在作物覆盖度较高时扫描到叶片上的概率较大（旋转臂均匀旋转一周获取10个温度数据），扫描到土壤表面的概率也就越小，采用相同校正因子会对结果产生一定误差。因此，针对永济灌域向日葵冠层温度校正因子（=0.7）和土壤表面温度校正因子（=1.2），适当调整并设定解放闸灌域校正因子（=0.9，=1.1）。利用此设定的校正因子进行甄别优化区分，结果如图8e和图8f所示。可见数据甄别优化后RE值的红色柱大幅缩短，其绝对值基本在5%以内，整体上RE优化幅度为正值，T和T的平均优化幅度分别为8.8和6.3个百分点，较校正前均得到大幅提升。与图8c和图8d相比，此时甄别优化后的温度数据与人工测量温度数据吻合度较高，使得T和T的整体精度均得以大幅度提升。由此可知，同一作物的不同生长情况下，数据甄别算法应根据相应的LAImax确定适宜的校正因子数值。

图8 解放闸灌域玉米和向日葵地甄别优化后的温度与人工测量之间相对误差

3 讨 论

农田下垫面温度自动监测系统包含了土壤表面温度T和作物冠层温度T的混合数据，及时和合理的利用甄别区分算法，对于监测系统在处理海量数据时至关重要。本文考虑了作物的生长状态以及关键节点来建立甄别算法，取得了较好效果。

根据种植密度和植被覆盖度的不同，作物可大致分为稀疏植被和密集植被[39-40]。除本文所分析的向日葵和玉米外，番茄、大豆以及辣椒等在生长前中期属于稀疏植被范畴内的对象，亦可考虑采用本文温度甄别筛选方法对利用热红外传感器扫描获得的温度数据进行有效甄别。从解放闸灌域向日葵温度数据甄别区分过程可知，同一种作物在不同种植密度及其不同的LAI变化情况下，要适当调整校正因子，实现不同种植情况下的有效甄别，且获取的T和T均符合精度要求。参照永济试验站与解放闸灌域的实测数据，本文以LAImax等于4为基础每向上增加1，向日葵冠层温度校正因子调高0.35，土壤表面温度校正因子调低0.18，精度提升明显。

本研究基于3个地区（永济、长春、解放闸）进行了相关研究，计算结果表现了良好的一致性，最终可以根据作物种植密度及LAI合理确定校正因子数值。在作物不同生育期，温度的变化是具有差异性的，因而实际的校正因子可能是一个动态变化值。这也是后续需要进一步研究的地方，初步设想将其与田间气温的动态变化相结合，以获取更为准确的校正因子。在没有实测数据的情况下，推荐本文数值处理方法作为参考。随后将进一步对星载的大范围数据进行处理和计算分析，对甄别算法进行校核验证与完善。

在农田信息监测方面，无人机遥感具有高频、迅捷、空间分辨率高、时效性强等特点。且在精准农业领域中，常可用于监测田块尺度上的作物生长指标（植被覆盖度、叶面积指数、株高等），并可有效预测作物产量[41-42]。无人机遥感利用热红外传感器获取2.5～14m波段连续和非连续的数据，在植被覆盖度较高的地区，无人机遥感获取的地表温度被默认为作物冠层温度，可结合作物水分胁迫指数（Crop Water Stress Index，CWSI）量化作物含水率与冠层温度的关系，进而反映农田水分状况[42-45]。在植被覆盖度中等的地区，无人机遥感获取的地表温度是冠层与土壤温度的混合体，且土壤表面温度对监测作物冠层温度有着不可忽视的影响，对于如何有效精量甄别无人机遥感获取的下垫面温度的相关研究较少。本文所设计的考虑作物生长状态的农田表面温度数据甄别方法，可为无人机多种植被类型的遥感温度数据精量甄别提供帮助；同理，对卫星遥感数据进行合理甄别与区分，为估算大尺度灌域的蒸散发提供精细的温度数据来源。

4 结 论

通过考虑作物生长状态指标和关键节点，利用作物生长模型，设计了农田表面温度数据进行甄别与区分算法，并利用田间监测数据进行校核和验证，得到如下结论：

1）作物生长指标叶面积指数LAI和冠层高度可作为稀疏植被温度数据甄别有效区间的判定指标；结合Logistic作物生长模型，确定作物生育期关键节点来设计合理数据甄别算法。

2）通过与人工测量值对比，甄别方法对冠层温度（T）和）土壤表面温度（T）的获取精度得以有效提升。以二者之间相对误差（RE）变化为例，永济试验站玉米T和T优化幅度为12.2和7.0个百分点，向日葵优化幅度为32.3和12.0个百分点；两年长春玉米T和T的平均优化幅度分别为7.5和5.5个百分点；解放闸灌域玉米T和T优化幅度分别为4.9和7.5个百分点，经调整甄别算法中校正因子后向日葵T和T优化幅度为8.8和6.3个百分点。

3）甄别算法中校正因子数值需根据作物种植密度及LAI确定；玉米校正因子选择作物冠层温度校正因子0.9，土壤表面温度校正因子1.1；向日葵校正因子以叶面积指数最大值4为基础，选取冠层温度校正因子0.7，土壤表面温度校正因子1.2；在不同地区应用时，向日葵叶面积指数最大值每增加1，推荐冠层温度校正因子调高0.35，土壤表面温度校正因子调低0.18。

[1] 陈媛媛，游炯，幸泽峰，等. 世界主要国家精准农业发展概况及对中国的发展建议[J]. 农业工程学报，2021，37(11)：315-324.

Chen Yuanyuan, You Jiong, Xing Zefeng, et al. Review of precision agriculture development situations in the main countries in the world and suggestions for China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11): 315-324. (in Chinese with English abstract)

[2] 何东健，杨成海，杨青，等. 面向精准农业的农田土壤成分实时测定研究进展[J]. 农业工程学报，2012，28(7)：78-85.

He Dongjian, Yang Chenghai, Yang Qing, et al. Research progress of real-time measurement of soil attributes for precision agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(7): 78-85. (in Chinese with English abstract)

[3] Bwambale E, Abagale F K, Anornu G K. Smart irrigation monitoring and control strategies for improving water use efficiency in precision agriculture: A review[J]. Agricultural Water Management, 2022, 260: 107324.

[4] 鲁旭涛，张丽娜，刘昊，等. 智慧农业水田作物网络化精准灌溉系统设计[J]. 农业工程学报，2021，37(17)：71-81.

Lu Xutao, Zhang Lina, Liu Hao, et al. Design of the networked precision irrigation system for paddy field crops in intelligent agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(17): 71-81. (in Chinese with English abstract)

[5] 蔡甲冰，张宝忠，刘钰. 精量灌溉决策与控制技术[J]. 中国水利，2016(9)：66-67.

Cai Jiabing, Zhang Baozhong, Liu Yu. Precision irrigation decision and control technology[J]. China Water Resources, 2016(9): 66-67. (in Chinese with English abstract)

[6] 李淑华. 农田土壤墒情监测与智能灌溉云服务平台构建关键技术研究[D]. 北京：中国农业科学院，2016.

Li Shuhua. Research on Key Technologies of Cloud Service Platform for Farmland Foil Moisture Monitoring and Intelligent Irrigation[D]. Beijing: Chinese Academy of Agricultural Sciences, 2016. (in Chinese with English abstract)

[7] 贾敬敦，鲁相洁，黄峰，等. 远程控制与无线通信技术在农业中的应用分析与展望[J]. 农业机械学报，2021，52(S1)：351-359.

Jia Jingdun, Lu Xiangjie, Huang Feng, et al. Review of remote-control technology and wireless communication technology in agricultural applications[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(S1): 351-359. (in Chinese with English abstract)

[8] 乔晓军，张馨，王成，等. 无线传感器网络在农业中的应用[J]. 农业工程学报，2005，21(增刊2)：232-234.

Qiao Xiaojun, Zhang Xin, Wang Cheng, et al. Application of the wireless sensor networks in agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(Supp.2): 232-234. (in Chinese with English abstract)

[9] Hamami L, Nassereddine B. Application of wireless sensor networks in the field of irrigation: A review[J]. Computers and Electronics in Agriculture, 2020, 179: 105782.

[10] 武永峰，宫志宏，刘布春，等. 基于远程监控的农业气象自动采集系统设计[J]. 农业机械学报，2010，41(10)：174-179.

Wu Yongfeng, Gong Zhihong, Liu Buchun, et al. Automatic collecting system of agro-meteorology information based on remote monitoring technique[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(10): 174-179. (in Chinese with English abstract)

[11] 林兰芬，王瑞松，于鹏华. 基于GIS的农田小气候环境可视监测系统[J]. 农业机械学报，2015，46(3)：254-260.

Lin Lanfen, Wang Ruisong, Yu Penghua. GIS based visual monitoring system of farmland microclimate environment[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3): 254-260. (in Chinese with English abstract)

[12] 卢健，陈桂芬，孟颖，等. 基于三维GIS的农田环境模拟监测的研究及系统实现[J]. 中国农业科技导报，2017，19(3)：50-55.

Lu Jian, Chen Guifen, Meng Ying, et al. Simulation of farmland environmental monitoring based on 3D GIS and system implementation[J]. Journal of Agricultural Science and Technology, 2017, 19(3): 50-55. (in Chinese with English abstract)

[13] Sakamoto T, Gitelson A A, Nguy-Robertson A L, et al. An alternative method using digital cameras for continuous monitoring of crop status[J]. Agricultural and Forest Meteorology, 2011, 154-155: 113-126.

[14] Kim J, Ryu Y, Jiang C Y, et al. Continuous observation of vegetation canopy dynamics using an integrated low-cost, near-surface remote sensing system[J]. Agricultural and Forest Meteorology, 2019, 264: 164-177.

[15] Xiang H T, Tian L. An automated stand-alone in-field remote sensing system (SIRSS) for in-season crop monitoring[J]. Computers and Electronics in Agriculture, 2011, 78: 1-8.

[16] 李楠，刘成良，李彦明，等. 基于3S技术联合的农田墒情远程监测系统开发[J]. 农业工程学报，2010，26(4)：169-174.

Li Nan, Liu Chengliang, Li Yanming, et al. Development of remote monitoring system for soil moisture based on 3S technology alliance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(4): 169-174. (in Chinese with English abstract)

[17] 张增林，郁晓庆. 基于ZigBee和ARM9的农田墒情远程监测系统[J]. 节水灌溉，2011(7)：54-57.

Zhang Zenglin, Yu Xiaoqing. Remote monitoring system for soil moisture based on ZigBee and ARM9[J]. Water Saving Irrigation, 2011(7): 54-57. (in Chinese with English abstract)

[18] 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)：118-124.

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): 118-124. (in Chinese with English abstract)

[19] Abioye E A, Abidin M S, Mahmud M S A, et al. A review on monitoring and advanced control strategies for precision irrigation[J]. Computers and Electronics in Agriculture, 2020, 173: 105441.

[20] 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. (in Chinese with English abstract)

[21] Bense V F, Read T, Verhoef A. Using distributed temperature sensing to monitor field scale dynamics of ground surface temperature and related substrate heat flux[J]. Agricultural and Forest Meteorology, 2016, 220: 207-215.

[22] 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.

[23] 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. (in Chinese with English abstract)

[24] 张智韬，吴天奎，于广多，等. 夏玉米冠层温度变化的时滞效应及其对土壤水分监测的影响[J]. 农业工程学报，2022，38(1)：117-124.

Zhang Zhitao, Wu Tiankui, Yu Guangduo, et al. Time delay effect of summer maize canopy temperature change and its influence on soil moisture content monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(1): 117-124. (in Chinese with English abstract)

[25] 刘涛，仲晓春，孙成明. 作物温度及其监测技术研究进展[J].中国农业科技导报，2017，19(12)：59-66.

Liu Tao, Zhong Xiaochun, Sun Chengming. Review on crop temperature and its monitoring technologies[J]. Journal of Agricultural Science and Technology, 2017, 19(12): 59-66. (in Chinese with English abstract)

[26] Wei J X, Zhu W B. An operational parameterization scheme of surface temperature-vegetation index contextual model for large-scale temporally continuous evapotranspiration estimation: The case study of contiguous United States[J]. Journal of Hydrology, 2021, 602: 126805.

[27] Idso S B, Reginato R J, Jackson R D, et al. Measuring yield-reducing plant water potential depressions in wheat by infrared thermometry[J]. Irrigation Science, 1981, 2: 205-212.

[28] Miguel N, Borja M, Juan J P, et al. A new low-cost device based on thermal infrared sensors for olive tree canopy temperature measurement and water status monitoring[J]. Remote Sensing, 2020, 12(4): 723-723.

[29] 蔡甲冰，白亮亮，许迪，等. 基于地面红外检测系统验证的灌区地表温度遥感反演[J]. 农业工程学报，2017，33(5)：108-114.

Cai Jiabing, Bai Liangliang, Xu Di, et al. Remote sensing inversion of land surface temperature based on validation by observed infrared temperature in situ[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 108-114. (in Chinese with English abstract)

[30] Kool D, Agam N, Lazarovitch N, et al. A review of approaches for evapotranspiration partitioning[J]. Agricultural and Forest Meteorology, 2014, 184: 56-70.

[31] 张宝忠，许迪，刘钰，等. 多尺度蒸散发估测与时空尺度拓展方法研究进展[J]. 农业工程学报，2015，31(6)：8-16.

Zhang Baozhong, Xu Di, Liu Yu, et al. Review of multi-scale evapotranspiration estimation and spatio-temporal scale expansion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(6): 8-16. (in Chinese with English abstract)

[32] 杨雨亭，尚松浩. 双源蒸散发模型估算潜在蒸散发量的对比[J]. 农业工程学报，2012，28(24)：85-91.

Yang Yuting, Shang Songhao. Comparison of dual-source evapotranspiration models in estimating potential evaporation and transpiration[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(24): 85-91. (in Chinese with English abstract)

[33] Yang Y T, Shang S H. A hybrid dual‐source scheme and trapezoid framework–based evapotranspiration model (HTEM) using satellite images: Algorithm and model test[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(5): 2284-2300.

[34] 史宝成. 作物缺水诊断指标及灌溉控制指标的研究[D]. 北京：中国水利水电科学研究院，2006.

Shi Baocheng. Experimental Study on Crop Water Stress Detecting and Irrigation Index[D]. Beijing: China Institute of Water Resources and Hydropower Research, 2006. (in Chinese with English abstract)

[35] 程煜. 有机无机肥配施对河套灌区重度盐渍土理化性质和向日葵生长的影响[D]. 咸阳：西北农林科技大学，2022.

Cheng Yu. Effects of Combined Application of Organic and Inorganic Fertilizers on Physicochemical Properties of High Saline Soil and Growth of Sunflower in Hetao Irrigation District[D]. Xianyang: Northwest A&F University, 2022. (in Chinese with English abstract)

[36] Wu R L, Ma C X, Littell R C, et al. A logistic mixture model for characterizing genetic determinants causing differentiation in growth trajectories[J]. Genetical Research, 2002, 79(3): 235-245.

[37] 孙仕军，姜浩，陈志君，等. 不同颜色地膜覆盖下春玉米主要生长性状对耕层积温的响应[J]. 草业学报，2019，28(2)：61-72.

Sun Shijun, Jiang Hao, Chen Zhijun, et al. Effects of surface-layer accumulated temperature on major growth traits of spring maize when un-mulched or under clear or black plastic film mulches[J]. Acta Prataculturae Sinica, 2019, 28(2): 61-72. (in Chinese with English abstract)

[38] 蔡甲冰，常宏芳，陈鹤，等. 基于不同有效积温的玉米干物质累积量模拟[J]. 农业机械学报，2020，51(5)：263-271.

Cai Jiabing, Chang Hongfang, Chen He, et al. Simulation of maize dry matter accumulation in normalized logistic model with different effective accumulated temperatures in field[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(5): 263-271. (in Chinese with English abstract)

[39] 吕丽华，陶洪斌，夏来坤，等. 不同种植密度下的夏玉米冠层结构及光合特性[J]. 作物学报，2008，34(3)：447-455.

Lü Lihua, Tao Hongbin, Xia Laikun, et al. Canopy structure and photosynthesis traits of summer maize under different planting densities[J]. Acta Agronomica Sinica, 2008, 34(3): 447-455. (in Chinese with English abstract)

[40] 郭柯，方精云，王国宏，等. 中国植被分类系统修订方案[J]. 植物生态学报，2020，44(2)：111-127.

Guo Ke, Fang Jingyun, Wang Guohong, et al. A revised scheme of vegetation classification system of China[J]. Chinese Journal of Plant Ecology, 2020, 44(2): 111-127. (in Chinese with English abstract)

[41] 韩文霆，汤建栋，张立元，等. 基于无人机遥感的玉米水分利用效率与生物量监测[J]. 农业机械学报，2021，52(5)：129-141.

Han Wenting, Tang Jiandong, Zhang Liyuan, et al. Maize water use efficiency and biomass estimation based on unmanned aerial vehicle remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(5): 129-141. (in Chinese with English abstract)

[42] 纪景纯，赵原，邹晓娟，等. 无人机遥感在农田信息监测中的应用进展[J]. 土壤学报，2019, 56(4)：773-784.

Ji Jingchun, Zhao Yuan, Zou Xiaojuan, et al. Advancement in application of UAV remote sensing to monitoring of farmlands[J]. Acta Pedologica Sinica, 2019, 56(4): 773-784. (in Chinese with English abstract)

[43] Jackson R D, Idso S B, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1133-1138.

[44] 张智韬，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 (Transactions of the CSAE), 2021, 37(23): 82-89. (in Chinese with English abstract)

[45] 李志军，于广多，刘奇，等. 环境因子与玉米生长对地表温度监测土壤水分的影响[J]. 农业工程学报，2022，38(20)：77-85.

Li Zhijun, Yu Guangduo, Liu Qi, et al. Effects of environmental factors and maize growth on surface temperature to monitor soil water content[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(20): 77-85. (in Chinese with English abstract)

Precision data screening and partition of field surface temperature based on the crop growth status

Xiao Chun’an, Cai Jiabing※, Chang Hongfang, Zhang Jingxiao, Xu Di

(1.,,, 100038,; 2., 100048,)

Field surface temperature is one of the most important parameters for the water/heat exchange between soil, crop and atmosphere, particularly for the remote sensing inversion model of irrigation areas. Among them, the crop canopy temperature and soil surface temperatureare often mixed in the field surface temperature data at the early growth stage, due to the crop growth and development in the row and plant spacing. Continuous observation can normally be implemented using the thermal infrared sensor of the automatic monitoring system. The mean value of monitored temperature data is usually used to replace the temperature at the actual position at present. The mixed temperature data can pose a great challenge to the calculation accuracy of the fine field irrigation model during data processing. In this study, an improved screening was combined with the Logistic crop growth model to accurately partition the massive monitoring data of field surface temperature, considering the Leaf Area Index (LAI), crop canopy height, and the key points of crop growth status. The measured temperature data of maize and sunflower was collected in the Yongji experimental station in Inner Mongolia of China in 2021. The scanning temperature data was obtained using the field monitoring system (CTMS-On line). The screening algorithm was then designed and verified. The field observation data of maize and sunflower was collected in the Jiefangzha irrigation field in 2015, while the maize data was in the Changchun experimental station of Jilin Province from 2018 to 2019. Results showed that: 1) An efficient determination was achieved in the data screening for the surface temperature of sparse vegetation in the fields. A logistic model was used to simulate the key points in the screening algorithm, considering the crop growth indicators of LAI and crop canopy height. 2) Taking the relative error as an example, the optimization ranges of canopy temperature and soil surface temperature were about 10 percentage points, and more than 5 percentage points, compared with the temperature measured by the hand-held thermometer. A higher accuracy of data screening was achieved in the canopy temperature and soil surface temperature acquisition. 3) The correction factor after the screening was then determined, according to the crop planting density and LAI. Among them, the correction factors of crop canopy temperature (0.9) and soil surface temperature (1.1) were selected for the maize. The correction factors for the sunflower were specified as the correction factors of crop canopy temperature of 0.7 and the correction factors of soil surface temperature of 1.2, due to the baseline of maximal LAI of 4. Therefore, one recommendation was proposed to apply the screening in different field situations. Specifically, each increasing value can increase the correction factors of crop canopy temperature by 0.35 and reduce the correction factors of soil surface temperature by 0.18 per increase of sunflower maximal LAI. Therefore, important technical support can be obtained for precision irrigation management for the better performance of field monitoring data. The finding can also provide a strong reference to deal with the field temperature data of sparse vegetation crops. A great contribution can then be made to the precision screening of remote sensing data from unmanned aerial vehicles and satellites.

temperature; sensors; soils; canopy; data screening; Logistic model

10.11975/j.issn.1002-6819.2022.22.010

S274；S513

A

1002-6819(2022)-22-0089-13

肖春安，蔡甲冰，常宏芳，等. 考虑作物生长状态的农田表面温度数据精量甄别与区分[J]. 农业工程学报，2022，38(22)：89-101.doi：10.11975/j.issn.1002-6819.2022.22.010 http://www.tcsae.org

Xiao Chun’an, Cai Jiabing, Chang Hongfang, et al. Precision data screening and partition of field surface temperature based on the crop growth status[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(22): 89-101. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.22.010 http://www.tcsae.org

2022-08-10

2022-10-10

国家自然科学基金项目（51979286；52130906）；院地合作研究项目（HBAT02242202010-CG）资助

肖春安，研究方向为灌区灌溉用水管理理论与技术。Email：xca1998@163.com

蔡甲冰，博士，教授级高级工程师，研究方向为灌区灌溉用水管理理论与技术。Email：caijb@iwhr.com