无人机热红外反演土壤含水率的方法

徐洪刚,陈震,程千,李鹏,范永申

(中国农业科学院农田灌溉研究所河南省节水农业重点实验室，河南 新乡 453000)

作物冠层温度是反映作物生理健康状况的一项重要指标[1]，而这一指标可以通过热红外遥感快速高效准确地获取.目前，基于热红外反演的冠层温度在作物病虫害[2]、产量估算[3]、作物倒伏[4]、蒸散量[5]以及作物水分亏缺[6]的监测诊断等多方面有较好表现，而其中反演作物水分亏缺效果最佳.早期研究大多依靠手持或机载式热红外仪[7]、架设在试验区的热红外相机[8]获取热红外光谱，费时费力且无法大面积获取作物冠层热红外影像.随着无人机技术的快速发展，以无人机搭载热红外相机获取冠层热红外影像进而诊断作物水分胁迫的研究开始兴起，如GMEZ-CANDN等[9]利用无人机热红外冠层温度获取苹果园区整体温度空间分布信息，研究不同灌溉处理下苹果冠层温度的差异，发现亏缺灌溉条件下冠层温度比充分灌溉条件下高.孙圣等[10]利用热红外影像评估了核桃树土壤水分情况，发现(40,60] cm土壤深度土壤水分与冠层温度变化相关性较好.PAGAY等[11]利用热红外图像计算了水分亏缺指数(CWSI)，Ig以及冠气温差，通过比较3个指标与传统水分状况评价指标(Ψpd,Ψs,gs)的相关性判断其反演土壤含水率的精准度，结果表明冠气温差在凉爽潮湿的季节具有更强的相关性.通过冠层温度计算CWSI反演土壤含水率的研究一直在探索[12]，但冠层温度容易受其他外界因素或者获取方法的影响使得反演精度降低[13]，CWSI中的干湿参考面精准获取又较难实现，寻找其他反演土壤含水率的方法变得更为重要.

同时国内外许多研究表明[14]，冠层覆盖度能够影响作物冠层温度、土壤含水率以及土壤温度等.张智韬等[15]以拔节期夏玉米为研究对象建立冠层温度与覆盖度的相关关系反演(0,30] cm深度土层土壤含水率，结果表明反演精度比仅用冠层温度时明显提高.杨文攀等[16]将试验区玉米覆盖度与热红外提取的冠层温度进行对比，结果表明玉米冠层温度与其覆盖度有显著相关性(R2=0.534 5,P<0.000 1)，说明冠层覆盖度会影响玉米冠层温度的变化.但覆盖度的提取精度受到多方面的影响如光照角度、光照强度、地物分类(杂草)、图片清晰度、飞行高度等，难以确保不同时期的覆盖度提取精度.LAI为单位面积上植株单面叶片面积的总和，能够反映作物覆盖度.而土壤含水率、温度的变化会影响玉米LAI的变化，当玉米受到水分胁迫时或者高温时叶片会蜷缩导致LAI降低.JIANG等[17]通过建立土壤水分胁迫函数来量化土壤水分胁迫对单株主茎叶片膨胀和衰老过程的影响，结果表明相对土壤水分有效性在0.2～0.7时水分胁迫抑制了叶片的膨胀，当相对土壤水分有效性小于0.2时叶子枯萎和变黄.VANW等[18]通过模拟不同环境研究了环境和冠层温度与叶片温度之间的差异，结果表明降低LAI可以减小叶片与周围空气的温差.PFEIFER等[19]通过研究沿海森林景观中不同树木覆盖条件下的地表温度，发现每减少一个单位的树冠LAI将导致地面温度增加1.2 ℃.

文中以不同水分处理下的夏玉米为研究对象，利用无人机获取不同生育期试验区的可见光和热红外影像，通过剔除非冠层区域获得各试验小区冠层温度，分析非冠层区域及LAI对冠层温度的影响及冠层温度变化趋势，并结合大气温度及LAI构建DTL指标，分析冠气温差和DTL与不同深度土层土壤含水率之间的相关关系，探究DTL反演土壤含水率的效果及最佳反演情况.

1 材料与方法

1.1 研究区概况

试验地位于中国农业科学院农田灌溉研究所七里营综合试验基地(113°76′E,35°13′N)，该地属温带大陆性季风气候，夏季高温多雨，7—9月降雨量占全年降雨量的65%～75%.试验区为轻质壤土，表层土壤容重1.47 g/cm3，0～1 m土层平均田间体积持水率为30.98%.试验田灌溉水源采用地下水，埋深超过5 m.

1.2 试验设计

试验供试作物选用夏玉米太玉339，于2020年6月22日播种，9月25日收获，全生育期共96 d.玉米播种深度约为5 cm，行距60 cm、株距25 cm，灌溉方式为滴灌.试验布置如图1a所示，设置了3个大区作灌溉处理，大区间隔2.4 m，灌水定额分别为0 mm(W0),30 mm(W1),70 mm(W2)，灌水量通过支管上的水表控制.每个灌溉处理下划分15个试验小区，3个处理共计45个试验小区，每个小区为4.0 m×3.0 m的矩形区域，间隔1.2 m，编号如图1b所示.在试验区四角布设30 cm × 30 cm的黑白板，用作热红外图像的温度校准.

图1 试验区布置示意图Fig. 1 Experimental zone layout diagram

1.3 数据获取

于玉米拔节后期、大喇叭口期、抽雄吐丝期及灌浆期，选择晴朗无风的天气，降低天气对无人机获取影像的影响，在2020年7月13日(拔节后期)、7月30日(大喇叭口期灌水1 d后)、8月10日(抽雄吐丝期降雨后)、9月7日(灌浆期灌水3 d后)进行无人机图像以及地面数据的同天采集，无人机数据采集时间集中在北京时间的11:00—14:00，地面数据采集时间集中在9:00—14:00.

1.3.1 热红外图像的获取

以DJI M210V2型无人机搭载禅思ZenmuseXT2双光热成像相机获取试验区热红外影像，无人机飞行高度30 m，航向重叠度90%，对应地面分辨率2.7 cm，每次航拍大约用时17 min.

1.3.2 可见光图像的获取

ZenmuseXT2相机虽自带可见光波段，但图像分辨率达不到试验所需，因此文中研究利用DJI PHANTOM 4Pro无人机搭载2 000万像素高清数码相机拍摄试验地可见光(RGB)图片，无人机每次飞行高度为30 m，航向重叠度设置80%，地面分辨率0.8 cm，飞行整条航线大约历时8 min.

1.3.3 地面数据的获取

获取的地面数据主要是土壤含水率、黑白板温度、LAI、大气温度等，土壤含水率采用精确度较高的烘干法测定，于每个试验小区的玉米根部附近60 cm深度土层内每隔20 cm取一钻，取出的土样装入铝盒中，待无人机作业完成后带回实验室测量土壤含水率.黑白板的温度通过HIKVISION H10手持式热红外测温仪测量，在无人机飞过黑白板后立即拍摄每个黑(白)区域中心点的温度.LAI通过英国Delta-T公司生产的SunScan冠层分析仪测定，仪器由1 m长的SunScan探测针、反射数据传感器以及数据采集终端等部分组成，于每个试验小区不同位置按横纵方向分别测量3次，取平均值代表该试验小区的实际LAI.大气温度、降水量则通过布设在基地试验田的通量塔上气象站获取.

1.4 图像拼接配准

利用Pix4D mapper和PhotoScan软件拼接得到完整的试验区图像.由于图像并不重合，为了后续处理须对两者配准，将RGB影像作为基准图像在Arcgis中对热红外影像进行配准，手动选取2幅图像中均较为明显的相同一物标志作为配准点，试验选取的配准点均在10个以上.

1.5 冠层热红外图像的提取

无人机获取的是整个试验区的图像，由于裸露土壤以及阴影等并非冠层区域，因此首先要对热红外图像进行植土分离.文中根据分离效果最终选用ExG指数，在ENVI中对可见光图像进行运算，从获得的灰度图像上分别选取40个玉米冠层与非冠层的感兴趣区域，绘制7月13日玉米冠层和非冠层区域ExG指数直方图,如图2所示.从图中可以看出，玉米冠层与非冠层区域有明显的分界(左侧为非冠层区域的数值区间，右侧为玉米冠层的数值区间)，由此可以确定阈值剔除非冠层区域获得玉米冠层矢量文件.然后将矢量文件导入ArcGis中叠加于配准后的热红外图像提取玉米冠层热红外图像.

图2 玉米冠层与非冠层样本的ExG指数值直方图Fig.2 Histogram of index value of maize canopy and no-canopy sample

1.6 冠层温度计算

提取热红外图像上黑白板测量点的像素值与测得的温度进行拟合，运用获得的转换公式对当天玉米冠层热红外图像作栅格运算得到冠层温度，通过分区统计提取每个小区的冠层温度均值，热红外温度转换公式见表1,表中R2为决定系数.

表1 温度转换公式Tab.1 Temperature conversion formula

2 试验结果与分析

2.1 非冠层区域对冠层温度提取的影响

为验证冠层温度提取时非冠层区域所产生的影响，以不灌水处理的15个试验小区为例，对比了剔除和不剔除非冠层区域2种提取方法下的冠层温度Tc，结果如图3所示.从图中可以看出，剔除非冠层区域后的各试验小区冠层温度均小于同时期未剔除时的冠层温度.对比4个时期2种提取方法下的冠层温度发现7月13日差异最为明显，平均差值达到了5.3 ℃，这是由于此时玉米植株较小，试验小区内所包含的非冠层区域多，因此差距相比其他时期最为明显.9月7日两者差异又表现出明显的趋势，通过可见光图像可以看出此时试验区玉米叶片开始衰落非冠层区域逐渐增多.图3b中第8和11试验小区2种条件下的冠层温度差异相较于其他小区明显增大.对比发现，2个试验小区由于埋设仪器导致缺苗，非冠层区域相较于同时期的其他试验小区多，表明非冠层区域的温度对结果影响较大.

图3 2种条件下提取的冠层温度变化趋势Fig.3 Variation trend of canopy temperature extrac-ted under two conditions

2.2 不同处理之间冠层温度变化趋势

图4为3种水分处理下各试验小区不同生育期冠层温度变化趋势，其中a，c，d这3个时期的冠层温度均呈现波浪式的变化趋势.这是由于试验区右侧相邻地块玉米种植时间晚，7月13日仍处于苗期，全生育期内株高均比试验区低.以抽雄吐丝期为例(此时株高不再增加)，试验区玉米株高为250～310 cm，而试验区右侧相邻地块玉米株高仅为150～200 cm，因此冠层温度受热辐射的影响自左向右逐渐升高.图4b是灌后24 h内获取的热红外影像，可以看到此变化趋势并不明显，分析原因为灌水能够影响区域小气候，使得冠层温度发生变化.图4a，4b，4c中冠层温度均低于大气温度，而图4d中处理W0下存在冠层温度高于大气温度的现象，分析原因是当天大气温度和光照强度高，并且处理W0下玉米受到水分胁迫以及热辐射影响，导致右侧的试验小区冠层温度高于大气温度.

图4 不同生育期各试验小区冠层温度变化Fig.4 Changes of canopy temperature in different experimental areas at different growth stages

对比4个时期冠层温度的变化趋势，7月30日和9月7日均是灌溉后拍摄，可以看出不同水处理之间的冠层温度发生明显变化，土壤含水率越高，冠层温度越低.而7月13日前较长时间未灌水(7 d以上)，8月初连续降雨，降水量累计达到201 mm，可以看出2个时期的冠层温度在不同处理之间的差异相对较小，这表明冠层温度在一定程度上可以表征土壤水分亏缺程度.同时通过表2可以看出，除9月7日外冠层温度与LAI具有极显著相关性，表明冠层温度在一定程度上受到作物LAI的影响.

表2 冠层温度与叶面积指数相关性Tab.2 Correlation of maize canopy temperature and LAI

2.3 冠气温差与不同深度土壤含水率的关系

夏玉米不同生育期各试验小区的冠气温差与(0,60] cm土层深度d土壤含水率的相关关系如表3所示，为了直观显示冠气温差与土壤含水率的关系，图5为不同生育期冠层温度与(0,20] cm深度土层散点图.

表3 冠气温差与土壤含水率相关关系Tab.3 Correlation between canopy temperature and soil moisture content

从表3可以看出，各回归模型的系数均为负值，表明冠气温差x与土壤含水率y呈负相关.不同时期冠气温差与土壤含水率的线性相关程度存在差异，以(0,20] cm深度土层为例，7月13日模型相关性不显著(R2仅为0.132 6，P<0.05).7月13日前未进行灌溉处理，8月初有降雨，试验田表层土壤含水率差异相对较小(散点图中趋势线斜率较小)，此时，试验误差的影响(冠层温度提取、取土位置等)变得明显，导致决定系数低.7月30日和9月7日的热红外图像为灌溉后获取，回归模型极显著相关(决定系数R2达到0.619 3和0.463 7，P<0.000 1)，表明土壤水分含量的空间差异越大，冠气温差与土壤水分含量的相关性越高.

8月10日不同土层深度的回归模型中，(0，20] cm深度土层回归方程的决定系数反而小于另2个深度(R2=0.055 3，小于0.143 2，0.109 8).取土过程中发现这一时期玉米根系在(40,60] cm附近的土层中分布最广泛，表明当表层土壤水分充足时，冠气温差对主要根系活动层内的土壤水分响应更强烈.

图5 冠气温差与(0,20] cm深度土壤含水率相关关系Fig.5 Correlation between canopy-air temperature difference and 0-20 cm soil moisture content

2.4 DTL与不同深度土壤含水率相关关系

为了寻找新的反演土壤含水率的方法，借助LAI能够影响冠层温度的变化，因此尝试将冠气温差与LAI结合构建温度和叶面积指数的一个新指标DTL来反演灌后土壤含水率，计算式为

DTL=-(Tc-Ta)×LAI,

(1)

式中:Ta为冠层上方大气温度，℃；Tc为热红外图像提取的冠层温度，℃.

由于LAI与冠气温差负相关，故对冠气温差取相反数，结果见表4.同时将(0,20] cm土层DTL与土壤含水率散点图进行绘制，如图6所示.

表4 DTL与不同深度土壤含水率相关关系Tab.4 Correlation between DTL and different soil moisture content at different depths

图6 DTL与(0,20] cm深度土壤含水率关系Fig. 6 Correlation between DTL and soil moisture content at 0-20 cm depth

从表4中可以看出，DTL与土壤含水率呈正相关,DTL越大，土壤含水率越高.相比利用冠气温差时的反演精度R2(0.132 6, 0.614 6, 0.055 3, 0.463 7)，DTL反演的决定系数R2均有不同程度的提高.对比灌溉后不同土壤深度下的反演效果，反演精度随土层深度的增加而降低，与用冠气温差反演时变化规律一致.以7月30日不同深度的反演结果为例，决定系数R2从0.614 6,0.519 4,0.463 5分别提高到0.661 6，0.567 9，0.505 9.

综上，构建的新指标相比利用冠气温差指标在灌后反演精度均有不同程度的提升，研究中发现灌前时期的反演精度提升效果不明显，甚至出现降低的情况，这主要是因为试验小区较小，反演尺度也小，导致灌前的反演误差过大，反演精度的参考价值相应较低，后续可在大尺度范围内验证本指标，以确定指标是否能够提升反演精度.

3 讨 论

许多研究通过一些边缘检测等算法直接从热红外图像上提取冠层温度[11,16]，但这对热红外图像的分辨率有很高的要求且需要研究者具有一定的算法基础.为了降低提取难度，文中研究针对可见光提取玉米冠层的分类方法上进行了尝试，最终发现ExG指数法在试验区效果较好.但利用可见光提取玉米冠层仍然存在一定的问题，比如：① 可见光图像与热红外图像并不是完全重合的，即使是经过配准后某些地方也存在无法完美重合的情况，提取的玉米冠层热红外图像可能包含部分土壤或者阴影导致冠层温度与实际冠层温度存在偏差.② 由于文中并不侧重于提取方法的研究且已找到适合本试验区热红外图像的提取指数，对于其他的指数法提取效果或文中所选用的指数在其他地区(其他作物)上的表现还需后续验证.

文中分析了LAI与冠层温度、冠气温差与土壤含水率的相关关系，并在此基础上提出了DTL这一个新的指标反演土壤含水率.通过建立一元线性回归方程发现DTL与土壤含水率正相关，线性相关程度在不同时期不同深度下均有所提升(相比冠气温差反演时)，但研究不足之处在于试验区域较小，对于大尺度情况下反演精度高低无法确定.通过分析4个时期的数据，结果发现灌后拍摄的两期影像反演精度较高，而另外两期影像反演精度则较低，这主要是本研究的试验小区较为集中，当不进行灌溉处理时，各试验小区之间土壤含水率本身已无较大差异，试验误差对反演精度的影响就变得明显，导致反演精度不高.本研究并未涉及拔节期之前的生育期，对于拔节后期之前的时期土壤含水率反演精度如何还需通过后续试验进一步探讨，所提出的新指标在其他作物上应用的效果如何也需进一步验证.

4 结 论

1) 分析了非冠层区域对冠层温度提取的影响.结果表明，剔除非冠层区域获得的冠层温度低于不剔除冠层区域获得的冠层温度，且非冠层区域面积越大，两者的差值也越大.

2) 通过对4个时期数据的分析，发现表层(0，20] cm土壤含水量差异较大时，冠气温差对土壤含水量反演的效果较好，反之则不理想.

3) 与冠气温差相比，构建的DTL指标反演土壤含水率的精度有所提高，表明DTL指标具有进一步研究的价值.