变量灌溉处方图设计中无人机飞行高度和起飞时间确定

祝长鑫，赵伟霞，单志杰，李久生

变量灌溉处方图设计中无人机飞行高度和起飞时间确定

祝长鑫，赵伟霞※，单志杰，李久生

（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 100048）

无人机热成像系统快速获取农田水分亏缺信息空间分布的特点为变量灌溉动态分区管理提供了监测平台。为了提高利用无人机热成像系统生成变量灌溉处方图的精度，该研究提出热成像系统获取的红绿蓝3色值与温度间的转化方法，分析了无人机热成像系统飞行时刻和飞行高度对冠层温度空间分布和变量灌溉处方图生成的影响。试验在河北邢台大曹庄管理区水肥一体化试验基地开展，无人机热成像系统飞行高度设置为70、90和110 m，起飞时间选择在08:00、11:00、14:00和17:00，飞行区域为三跨加悬臂圆形喷灌机控制灌溉面积的1/4。结果表明，RGB颜色值与温度间存在极显著的线性关系（<0.01）。无人机热成像系统的起飞时间对冠层温度空间分布有较大影响，在11:00和14:00飞行时冠层温度空间分布差异最大，变量灌溉处方图内总灌水量相对较小。随着无人机热成像系统飞行高度的增加，图像分辨率降低，变量灌溉处方图内总灌水量呈增大趋势，90和110 m飞行高度时的总灌水量平均比70 m时分别高6.1%和12.1%。在利用无人机热成像系统获取变量灌溉处方图时，推荐冬小麦生育期内飞行时间为11:00—15:00，夏玉米为11:00—16:00。研究为保障基于无人机热成像系统的华北平原冬小麦、夏玉米变量灌溉处方图设计精度提供技术支撑。

无人机；作物；温度；热成像；变量灌溉；处方图

0 引 言

变量灌溉处方图是指用于控制喷灌机行走速度和每个管理区内特定灌水深度的一套编码指令[1]，是根据田间水分亏缺空间变化实施适量适位精准水分管理的方法。将田块依据水分亏缺空间分布图划分为不同管理区则是生成变量灌溉处方图的基础[2]。目前，管理区的划分方法主要包括基于土壤特征（土壤可利用水量、电导率）的静态管理分区和基于作物特征的动态管理分区。相关研究表明，利用静态管理分区方法虽然可以实现节水目的[3-5]，但因为其忽略了作物生育期内由空间变化的降雨量、土壤化学性质和病虫害等因素引起的土壤水分亏缺时空变异，所以会影响变量灌溉管理效果[6]。基于作物生长信息实时反馈技术的动态分区管理方法因为综合反映了土壤含水率时间和空间变化对作物生长的影响[7]，近年来获得快速发展[8]。

冠层温度（canopy temperature, CT）是反映土壤—作物—大气连续体内水、热交换传输过程的重要参数，是从作物角度反映田间水分亏缺状况的重要指标[9-10]。1963年TANNER[11]首次使用冠层温度作为表征植物水分状况的指标，后来逐步发展了多种基于冠层温度的水分亏缺指标[12-13]。其中，由ELSAYED等[14]提出的归一化相对冠层温度指标（normalized relative canopy temperature，NRCT）形式最为简单，仅需要进行冠层温度的测量，而无需其他辅助参数。因为NRCT的空间分布是对田间不同地块作物水分亏缺状况相对严重程度的一种反映，所以非常适用于变量灌溉管理分区图的绘制[15]。在获取作物冠层温度空间分布时，大型喷灌机行走时可以覆盖整个农田的特点为喷灌机机载式红外温度传感器系统的应用提供了平台[16-17]。2017年中国水利水电科学研究院与中农智冠（北京）科技有限公司合作，发明了喷灌机机载式红外温度传感器系统[18]，实现了系统的国产化应用[19-21]。但是喷灌机运行一周历时较长的特点，限制了多跨喷灌机灌溉农田水分亏缺的实时快速诊断。

近几年，无人机热成像系统快速获取冠层温度空间分布的特点使其在农业中的应用展现出较大潜力，不断被用于反演作物水分及其胁迫程度、作物冠层覆盖度及实时用水模型等研究。例如，张智韬等[22]利用无人机热成像系统获取了棉花冠层温度并计算了冠层温度特征值，探究了冠层温度特征值与作物水分及作物生理指标之间的相关性。杨文攀等[23]利用无人机热成像系统和RGB高清数码相机构成低空遥感数据获取系统采集拔节期玉米性状，得出玉米冠层温度与其覆盖度显著相关的结论。ZHANG等[24]将无人机热成像系统图像和可见光图像相结合，评估了利用（RGRI）-Otsu方法提取玉米冠层温度的方法，并将其用于监测玉米水分胁迫。BELLVERT等[25]应用无人机热成像系统获取葡萄树的冠层温度，计算了作物水分胁迫指数（crop water stress index, CWSI），并绘制了葡萄园水分胁迫空间分布图。姚志华等[26]通过开展冬小麦不同水分处理下的胁迫试验，利用无人机热成像系统研究了不同水分胁迫指数与小麦生长参数之间的关系。GARCIA-VASQUEZ等[27]利用无人机热成像技术实时监测山核桃树冠覆盖并提出了山核桃实时用水模型。这些研究证明了无人机热成像系统在作物水分亏缺监测和灌溉管理中应用的可行性，代表着变量灌溉动态处方图生成技术的发展方向[28]。

为了实现无人机热成像技术对灌溉的精准化管理，需要构建测量精度高、适用性强的测量标准和技术参数。例如，无人机的飞行高度是影响观测精度的重要参数，大气透过率随观测距离增大而减小的特点将导致温度反演误差的增加[29]。距被测目标表面10 m或更短距离内观测时虽可避免相对湿度、空气密度和大气透过率等因素带来的误差[30]，但受无人机续航能力较短，气象参数随时间变化较大等因素的限制，大尺度农田内冠层温度数据的快速、精准获取需要实现飞行时间和飞行高度之间的平衡。因此，为了提高利用无人机热成像系统生成变量灌溉处方图的精度，本文在探究热成像相机测量的RGB颜色值与温度间转化方程后，对比研究了无人机热成像系统在不同飞行高度和起飞时间时对获取的冬小麦和夏玉米生育期内CT空间分布和变量灌溉处方图的影响程度，以期为无人机热成像系统在变量灌溉动态分区管理中的应用提供基础技术参数。

1 材料与方法

1.1 试验区概况

试验区位于华北平原河北省邢台市大曹庄管理区（36°28′12″N，114°54′01″E）中国水利水电科学研究院水肥一体化试验示范基地，属温带大陆性季风气候，冬季干冷，夏季湿热。试验区为3跨加悬臂圆形喷灌机（150 m）控制灌溉区域的1/4，占地面积1.78 hm2，供试作物为冬小麦和夏玉米。试验区土壤类型为粉壤土，0～60 cm土层内土壤可利用水量变化范围为152～162 mm。

1.2 试验管理

冬小麦于2021年10月22日播种，2022年6月13日收获。播种后灌出苗水33 mm，进入返青期后，灌返青施肥水23 mm。4月上旬进入拔节期后，由于冬小麦冠层覆盖度和气温迅速升高，土壤含水率逐渐达到灌水下限，满足变量灌溉管理条件，采用基于喷灌机机载式红外温度传感器系统的动态分区变量灌溉管理方法进行变量灌溉管理[31]。依据理论施氮量法[32]和测土配方技术确定冬小麦施肥量，按每100 kg小麦籽粒需氮量2.8 kg计算，基于目标产量8.25 t/hm2和土壤中养分含量，冬小麦需施纯氮量为231 kg/hm2、P2O5为126.7 kg/hm2、K2O为90 kg/hm2，其中70 kg/hm2纯氮和全部P2O5、K2O均以底肥施入土壤，剩余氮肥在返青、拔节、灌浆期分别按照 20%、55%、25%的比例采用喷灌水肥一体化方式追肥，肥液浓度均低于0.1%。

夏玉米于2022年6月18日播种，2022年9月30日收获。7月中旬进入拔节期后作物冠层覆盖度迅速升高，夏玉米生育期内因降雨量较多，土壤含水率始终保持在较高水平，无需进行灌溉管理。试验设计总施氮量为245 kg/hm2，基施氮肥115 kg/hm2，占总施氮量的47%，剩余氮肥采用喷灌水肥一体化方式进行追肥，追肥时间根据降雨预报，在中大降雨后进行追施，追施次数为2次。

1.3 数据获取

1.3.1热成像图像采集

作物冠层覆盖度会影响热成像系统反演作物冠层温度的精度[33]。无人机在作物关键生育期内任选3 d晴朗无风日飞行，日期如下：冬小麦灌浆期（5月22日、5月28日、6月1日）、夏玉米大喇叭口期—灌浆期（8月2日、8月17日、9月13日）。开展不同飞行高度的试验时，选在夏玉米拔节期（7月18日、7月19日、7月20日）。

无人机热成像系统由六旋翼无人机（大疆经纬 Matrice 200 V2）、热成像相机（禅思 Zenmuse XTS）和控制平台组成，相机图像分辨率为640 mm×512 mm。为了对比不同起飞时间对CT空间分布的影响，分别在08:00、11:00、14:00和17:00开始起飞，飞行高度为70 m，飞完整个试验区共需20 min。考虑无人机电池续航能力，对比研究飞行高度对CT空间分布的影响时，飞行高度设置为70、90和110 m。无人机按照设定的航线和参数（旁向重叠率为85%，航向重叠率为80%）以3 m/s的速度自主巡航。为了减小热成像相机的系统误差，飞行之前热成像相机需提前预热10 min。同时，在试验区内用黑白布均匀布置5个地面控制点。

1.3.2地面温度数据采集

利用热成像相机进行拍照后，虽然在单张照片内可以显示温度值，但是将大量照片进行拼接后系统无法自动将其转化为温度值，而只显示红色、绿色、蓝色3色颜色值（RGB），因此需建立RGB与温度间的关系模型以计算田间冠层温度。为了获取RGB与温度间高精度的转化方程，分别对比了3种温度实测值获取方法（如图1所示）。第一种方法是利用热成像相机单张照片内可以同时显示RGB值与温度的特点，任意选取9张照片，并在每张照片内随机选取1个温度值；第二种方法是将黑体设置为9个不同温度值，分别利用热成像相机对黑体进行拍照，每个设置温度连续拍照3次后取平均值以获得对应温度的RGB值；第三种方法是在试验田内能代表土壤平均含水率的点位，布置9个固定式无线红外温度传感器系统，定点连续监测作物冠层温度，传感器距作物冠层的高度为1 m，每隔0.5 min采集一次冠层温度，取无人机飞行时段内红外温度传感器测量值的平均值作为该点温度。利用上述3种方法分别建立RGB与温度之间的线性方程，利用线性回归决定系数对比3种方法建立的模型拟合精度。

图1 3种温度获取方法示意图

1.4 数据的处理与分析

将热成像相机获取的图像利用pix4Dmapper软件进行图像拼接后，在“指数计算器”模块中利用建立的RGB与温度之间的线性方程将颜色值转化为温度，即可得到试验区冠层温度空间分布图。

为量化不同起飞时间冠层温度空间分布图的差异，将不同起飞时间的图像分别导入ArcGIS软件，利用“要素转点”功能将所有冠层温度导出，再分别利用SPSS软件进行特征值分析，计算不同起飞时间时田块内的冠层温度平均值、标准差和变异系数，计算式为

为量化不同飞行高度和起飞时间的冠层温度空间分布图对生成的变量灌溉处方图的影响，首先将冠层温度空间分布图导入ArcGIS软件，再利用栅格计算器将冠层温度对应计算为归一化冠层温度NRCT，最后将NRCT空间分布图与管理分区图进行叠加。根据喷灌机喷头水量分布特点，为满足管理区内的灌水均匀度，沿喷灌机桁架方向的管理分区是将4个喷头为一组后绘制的以喷灌机中心支轴为圆心的同心圆环，沿喷灌机行走方向是将90°控制面积以15°为间隔进行的等分，共有90个管理区。叠加后计算每个管理区内的NRCT平均值，再利用“K均值聚类法”将90个管理区的NRCT平均值进行聚类分析，分为3类管理区进行灌水管理。根据变量灌溉管理决策支持系统[18]，基于土壤水分传感器网络监测数据，当任一管理区内的土壤含水率低于田间持水量的65%时进行灌溉，灌溉用水需求量（即基础灌水量）为利用彭曼-蒙蒂斯公式[34]计算出的 2 次灌水时间间隔内的作物需水量，然后将与每类管理区的NRCT聚集中心值相乘得到对应管理区内的实际灌水量，将3类管理区的实际灌水量相加即可得到整个试验区内的总灌溉水量。NRCT的计算式为

式中为试验区内每个像素点冠层温度，℃；min为试验区内冠层温度最小值，℃；max为试验区内冠层温度最大值，℃。

基于热成像相机参数计算无人机获取影像的地面分辨率（GSD，cm），计算式如下：

GSD=（4）

式中为无人机飞行的相对行高，本文设置为70、90、110 m；为摄影镜头的焦距，本文所用热成像相机焦距为19 mm；为像元尺寸的大小，本文所用热成像相机像元尺寸为18 μm。

2 结果与分析

2.1 热成像相机颜色值与温度的转化方程

通过利用热成像系统对单张照片温度值的显示、设置不同黑体温度，以及在地面布置固定式红外温度传感器3种方法获取温度值后，绘制RGB与温度之间的关系曲线，结果如图2所示。利用3种方法获得的线性转化方程决定系数分别为0.93、0.98和0.96，均达到极显著水平（＜0.01），且利用黑体设置温度直接进行拍照的方法获得的RGB与温度的线性转化方程决定系数最大，说明此方法获得的温度值精度最高。下文中的冠层温度值均是由设置黑体温度法拟合的线性方程计算获得。

注：SRGB为红色、绿色、蓝色3色波段值之和。 Note: SRGB is the sum of band values of red, green, and blue.

2.2 起飞时间对变量灌溉动态分区管理的影响

2.2.1 不同起飞时间的冠层温度空间分布

冬小麦和夏玉米不同生长阶段，由无人机热成像系统获取的冠层温度空间分布在一天内不同起飞时间的变化规律相似（表1），以5月28日的冬小麦和8月2日的夏玉米为例，不同起飞时间的冠层温度空间分布如图3所示。对于冬小麦，不同起飞时间获取的冠层温度空间分布图基本一致，但在11:00和14:00，冠层温度的空间分布更为离散，呈散点状分布聚集性不强。与冬小麦不同，夏玉米生育期内不同起飞时间的冠层温度空间分布图差异增大，但11:00和14:00的分布图像较为相似，且11:00和14:00的冠层温度值域范围明显大于08:00和17:00，空间细节表达性更好。与冬小麦相比，夏玉米冠层温度空间分布随起飞时间变化较大的原因，与冬小麦采用了动态分区变量灌溉管理有关，降低了土壤水分的空间变异性。

表1 24 h内08:00－17:00在不同起飞时间下的标准差、变异系数和变量灌溉总灌水量

注：为灌溉用水需求量，mm。

Note:is the irrigation water demand, mm.

图3 24 h内08:00—17:00不同起飞时间下冠层温度空间分布

为了进一步量化图3中不同起飞时间试验区冠层温度的分布特征和变异程度，分别将不同起飞时间的冠层温度频率分布直方图绘于图4，冠层温度标准差和变异系数计算结果如表1所示。以冬小麦5月28日为例，11:00时的冠层温度分布范围最宽，最高和最低温度相差22.71 ℃；起飞时间为14:00时，冠层温度分布在30 ℃以上的概率明显降低；在08:00和17:00时，冠层温度分布范围更小，分别主要集中在27.65 ℃和27.15 ℃附近，表明11:00时冬小麦冠层温度空间分布差异最大，在测量日期内，CTSD的最大值为3.08 ℃，CTCV的最大值为0.12，呈中等变异程度。夏玉米变化规律与冬小麦相似，以8月2日为例，无人机起飞时间为08:00和17:00时的冠层温度分布范围仍然较小，但起飞时间为11:00和14:00时的冠层温度分布范围及其发生概率相似，分布范围分别在18.50～39.88 ℃和18.43～39.96 ℃，最高和最低温度分别相差21.38 和21.53 ℃，最大频率均发生在23.75 ℃，表明11:00和14:00时夏玉米冠层温度空间分布差异最大，在测量日期内，CTSD的最大值为3.80 ℃，CTCV的最大值为0.15，呈中等变异程度。与8月17日和9月13日相比，CTSD和CTCV在8月2日明显偏大的原因，主要与8月2日较高的大气温度有关。08:00和17:00时，冬小麦和夏玉米任一测量日期的冠层温度空间变异均呈弱变异程度。

图4 24 h内08:00—17:00不同起飞时间下冠层温度频率分布直方图

2.2.2 不同起飞时间的变量灌溉处方图

基于图3冠层温度计算NRCT，并将之与管理分区图叠加生成变量灌溉处方图，如图5所示，对于冬小麦，不同起飞时间获取的变量灌溉处方图差异不大，但在11:00和14:00，灌溉小区离散成小块，细节表达性更好。与冬小麦不同，夏玉米生育期内不同起飞时间的变量灌溉处方图差异较大，无明显规律变化。根据各类管理区内灌水量计算得到的所有测量日期的总灌水量列于表1。分析可知，即使在同一测量日期，因为不同起飞时间获得的冠层温度空间分布图存在差异，经计算后得到的变量灌溉处方图也存在较大差异。冬小麦生育期内，08:00、11:00、14:00、17:00飞行无人机热成像系统所获得的试验区内总灌水量平均分别为0.38、0.34、0.36、0.43，表现为11:00时总灌水量最小，且稍低于14:00，最大的总灌水量在17:00获得，08:00、14:00、17:00时的总灌水量分别比11:00时平均高11.8%、5.8%、20.6%。08:00、11:00、14:00、17:00时平均CTSD分别为1.40、3.00、2.51、0.94 ℃，平均CTCV分别为0.05、0.11、0.10、0.04。对比不同起飞时间的总灌水量和CTSD、CTCV发现，总灌水量日变化规律和CTSD、CTCV变化规律相反，即CTSD和CTCV越大，总灌水量越小。夏玉米生育期内，由08:00、11:00、14:00、17:00起飞时间得到的试验区内总灌水量平均分别为0.42、0.38、0.37、0.44。表现为14:00时总灌水量最小，且稍低于11:00，最大的总灌水量在17:00获得，08:00、11:00、17:00时的总灌水量分别比14:00时平均高13.5%、2.7%、18.9%。08:00、11:00、14:00、17:00时平均CTSD分别为0.98、2.36、2.67、1.24 ℃，平均CTCV分别为0.04、0.09、0.09、0.06。与冬小麦相同，总灌水量日变化规律和CTSD、CTCV变化规律也相反。总灌水量随CTCV增大而减小的原因，与图4中的冠层温度频率分布有关，不同起飞时间时，冠层温度的平均值相似，08:00、11:00、14:00、17:00飞行时，冬小麦平均冠层温度分别为26.84、26.18、26.17、27.22 ℃，夏玉米分别为26.97、25.86、25.77、26.45 ℃，但在11:00和14:00时，部分冠层温度分布在了距离平均值较远的位置，导致最高最低温度差值增大（式（3）），所以总灌水量相对较小。

上述结果证明了冠层温度标准差和冠层温度变异系数均能较好的诊断作物水分胁迫状况，与张智韬等[22,35]研究发现的棉花冠层温度标准差对适度的水分胁迫变化很敏感的结论相同，再次验证了由田间冠层温度空间变化决定的相对灌溉需求，不需要其他数据的辅助，即可用于制定变量灌溉处方图，以有效地在农田内分配水量[36]。另外，图5中不同起飞时间的变量灌溉处方图被人为划分为3类管理区，但管理区数量对变量灌溉效果的影响还不明确，基于模糊性能指标和归一化分类熵等评价指标[37-38]进一步优化管理区数量的方法在基于冠层温度的变量灌溉动态处方图中的应用还有待进一步研究。

图5 24 h内08:00—17:00不同起飞时间变量灌溉处方图

2.3 无人机允许飞行时间段的确定

由上述结果分析可知，冬小麦和夏玉米生育期内分别在11:00和14:00开始飞行无人机时获得的冠层温度空间分布图最为相似，冠层温度分布范围更广且空间变异程度更大，而计算的总灌水量最小，这与冠层温度在一天中随着气象因素的变化而变化有关。太阳辐射最强烈或大气温度最高时，作物蒸腾强度最大，此时期的作物耗水与土壤水分的供需矛盾最突出，水分亏缺导致作物气孔开度减小或关闭，限制作物的水分蒸腾，减少了能量潜热形式的消散[39-40]，因此冠层温度持续保持最高值的时间段被推荐为冠层温度观测时间。为了确定无人机热成像系统在变量灌溉管理时的允许飞行时间段，将所有固定点位红外温度传感器（图1c）测量的叶片冠层温度平均值日变化绘于图6。冬小麦生育期内，最大冠层温度发生在11:00－15:00，夏玉米生育期内发生在11:00－16:00，宜推荐为无人机热成像系统飞行时间段，这与ZHANG等[41]推荐的喷灌机机载式红外温度传感器系统运行时间基本相同。

图6 冠层温度日变化

2.4 飞行高度对变量灌溉动态分区管理的影响

由热成像相机拍照原理可知，不同的飞行高度对应不同的空间分辨率，飞行高度越高，空间分辨率越低。基于式（4）可得，无人机热成像系统70、90和110 m飞行高度对应的空间分辨率分别为6.7、8.7和11.2 cm。在上述推荐的飞行时间段内，由不同飞行高度时的冠层温度空间分布图生成变量灌溉处方图后，计算得到的试验区总灌水量如表2所示。随飞行高度的增加，总灌水量增大，与70 m飞行高度时变量灌溉处方图内的总灌水量相比，90 和110 m飞行高度时的总灌水量分别平均增大6.1%和12.1%，这是由于飞行高度越高，每个像元代表的采样面积越大，采样数量的减少，即地面采样率的降低，将不可避免地降低极值发生频率和削弱极值。另外，由7月18日、7月19日和7月20日连续3 d计算的灌水量可知，灌水量随时间呈增大趋势，验证了基于无人机热成像系统生成变量灌溉处方图的可行性。

表2 不同飞行高度的变量灌溉总灌水量

3 结 论

无人机热成像系统为变量灌溉动态分区管理提供了有效的决策工具，为了提高其测量精度，本研究构建了热成像相机颜色值与温度的线性转化方程，分析了不同起飞时间和飞行高度对冠层温度空间分布以及变量灌溉处方图的影响，获得的主要结论如下：

1）热成像相机颜色值与冠层温度间存在极显著的线性关系，其中设置黑体温度法的相关性最好（2=0.98，<0.01），可在拼图时直接用于生成冠层温度空间分布图。

2）起飞时间对冠层温度的空间分布存在较大影响，无人机在11:00和14:00飞行时冠层温度空间分布差异最大，总灌水量相对较小。小麦生育期内，起飞时间为08:00、14:00、17:00时的总灌水量分别比11:00时平均高11.8%、5.8%、20.6%；夏玉米生育期内，起飞时间为08:00、11:00、17:00时的总灌水量分别比14:00时平均高13.5%、2.7%、18.9%。基于田间冠层温度最高值发生时间推荐无人机允许飞行时间段，冬小麦生育期内宜选择在11:00－15:00，夏玉米生育期内宜选择在11:00－16:00。

3）随着飞行高度的增高，总灌水量增大，与70 m飞行高度时变量灌溉处方图内的总灌水量相比，90和110 m飞行高度时的总灌水量分别平均增大6.1%和12.1%。为了提高处方图的精度，降低大气因素引起的误差，可在本文推荐的允许飞行时间段内，并在保证气象参数相对稳定的前提下，尽可能低地降低飞行高度。

[1] Evans R G, LaRue J, Stone K C, et al. Adoption of site-specific variable rate sprinkler irrigation systems[J]. Irrigation Science, 2013, 31(4): 871-887.

[2] Haghverdi A, Leib B G, Washington-Allen R A, et al. Perspectives on delineating management zones for variable rate irrigation[J]. Computers and Electronics in Agriculture, 2015, 117: 154-167.

[3] 李秀梅，赵伟霞，李久生，等. 圆形喷灌机变量灌溉效益的田间试验评估[J]. 农业工程学报，2022，38(21)：60-66.

Li Xiumei, Zhao Weixia, Li Jiusheng, et al. Field study on the benefits of the variable rate irrigation strategies for a center pivot system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(21): 60-66. ( in Chinese with English abstract

[4] 李茂娜，孙宇，严海军，等. 基于土壤表观电导率的变量灌溉管理分区方法[J]. 农业工程学报，2020，36(22)：172-180.

Li Maona, Sun Yu, Yan Haijun, et al. Method for variable rate irrigation management zone delineation based on apparent soil electrical conductivity[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 172-180. (in Chinese with English abstract)

[5] 赵伟霞，李久生，栗岩峰. 大型喷灌机变量灌溉技术研究进展[J]. 农业工程学报，2016，32(13)：1-7.

Zhao Weixia, Li Jiusheng, Li Yanfeng. Review on variable rate irrigation with continuously moving sprinkler machines[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 1-7. (in Chinese with English abstract)

[6] O’Shaughnessy S A, Evett S R, Colaizzi P D. Dynamic prescription maps for site-specific variable rate irrigation of cotton[J]. Agricultural Water Management, 2015, 159: 123-138.

[7] O’Shaughnessy S A, Evett S R, Colaizzi P D, et al. Identifying advantages and disadvantages of variable rate irrigation: An updated review[J]. Applied Engineering in Agriculture, 2019, 35(6): 837-852.

[8] Evans R G, LaRue J, Stone K C, et al. Adoption of site-specific variable rate sprinkler irrigation systems[J]. Irrigation science, 2013, 31(4): 871-887.

[9] Colaizzi P D, O'Shaughnessy S A, Evett S R, et al. Using plant canopy temperature to improve irrigated crop management[C]// Proceedings of the 24th Annual Central Plains Irrigation Conference Colby, Colby, Kansas, 2012: 203-223.

[10] Martínez J, Egea G, Agüera J, et al. A cost-effective canopy temperature measurement system for precision agriculture: A case study on sugar beet[J]. Precision Agriculture, 2017, 18(1): 95-110.

[11] Tanner C B. Plant temperatures[J]. Agronomy Journal, 1963, 55: 210-211.

[12] 刘云，宇振荣，孙丹峰，等. 冬小麦冠气温差及其影响因子研究[J]. 农业工程学报，2004，20(3)：63-69.

LiuYun, Yu Zhenrong, Sun Danfeng, et al. Difference of canopy-air temperature of winter wheat and its affecting factors[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(3): 63-69. (in Chinese with English abstract)

[13] 袁国富，罗毅，孙晓敏，等. 作物冠层表面温度诊断冬小麦水分胁迫的试验研究[J]. 农业工程学报，2002，18(6)：13-17.

Yuan Guofu, Luo Yi, Sun Xiaomin, et al. Winter wheat water stress detection based on canopy surface temperature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2002, 18(6): 13-17. (in Chinese with English abstract)

[14] Elsayed S, Rischbeck P, Schmidhalter U. Comparing the performance of active and passive reflectance sensors to assess the normalized relative canopy temperature and grain yield of drought-stressed barley cultivars[J]. Field Crops Research, 2015, 177: 148-160.

[15] Elsayed S, Elhoweity M, Ibrahim H H, et al. Thermal imaging and passive reflectance sensing to estimate the water status and grain yield of wheat under different irrigation regimes[J]. Agricultural Water Management, 2017, 189: 98-110.

[16] HowellT A, Evett S R, O'Shaughnessy S A, et al. Advanced irrigation engineering: Precision and Precise[J]. Journal of Agricultural Science and Technology A, 2012, 2(1A): 1-9.

[17] O’Shaughnessy S A, Evett S R, Colaizzi P D, et al. Wireless sensor network effectively controls center pivot irrigation of sorghum[J]. Applied Engineering in Agriculture, 2013, 29(6): 853-864.

[18] 赵伟霞，李久生，王春晔，等. 一种作物冠层温度获取系统：CN107192457A[P]. 2017-09-22.

[19] 赵伟霞，李久生，栗岩峰. 圆形喷灌机喷头配置方法及灌溉方法：CN106954531A [P]. 2017-07-18.

[20] 赵伟霞，张敏讷，李久生，等. 喷灌机机载式红外温度传感器系统采样时间间隔确定方法：CN111765975B [P]. 2021-05-18.

[21] 张敏讷，赵伟霞，李久生，等. 基于冠层温度的水分亏缺指标空间分布图插值方法研究[J].灌溉排水学报，2022，41(6)：31-38.

ZHANG Minne, ZHAO Weixia, LI Jiusheng, et al. Comparison of different interpolation method for calculating spatial distribution of crop water deficit based on canopy temperature[J]. Journal of Irrigation and Drainage, 2022, 41(6): 31-38. (in Chinese with English abstract)

[22] 张智韬，边江，韩文霆，等. 无人机热红外图像计算冠层温度特征数诊断棉花水分胁迫[J]. 农业工程学报，2018，34(15)：77-84.

Zhang Zhitao, Bian Jiang, Han Wenting, et al. Cotton moisture stress diagnosis based on canopy temperature characteristics calculated from UAV thermal infrared image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(15): 77-84. (in Chinese with English abstract)

[23] 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.

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 of Agricultural Engineering (Transactions of the CSAE), 2018, 34(17): 68-75. (in Chinese with English abstract)

[24] Zhang L, Niu Y, Zhang 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.

[25] 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.

[26] 姚志华，陈俊英，张智韬，等. 基于无人机热红外遥感的冬小麦水分胁迫研究[J]. 节水灌溉，2019(3)：12-17.

YAO Zhihua, CHEN Junying, ZHANG Zhitao, et al. Winter wheat water stress research based on thermal infrared remote sensing of unmanned aerial vehicle (UAV)[J]. Water Saving Irrigation, 2019(3): 12-17. (in Chinese with English abstract)

[27] Garcia-Vasquez A C, Mokari E, Samani Z, et al. Using UAV-thermal imaging to calculate crop water use and irrigation efficiency in a flood-irrigated pecan orchard[J]. Agricultural Water Management, 2022, 272: 107824.

[28] O'Shaughnessy S A, Rho H, Colaizzi P D, et al. Impact of zebra chip disease and irrigation levels on potato production[J]. Agricultural Water Management, 2022, 269: 107647

[29] 孙丽，宦克为，邸旭，等. 距离对红外热像仪测温精度的影响及校正方法研究[J]. 长春理工大学学报：自然科学版，2008，31(1)：33-35.

SUN Li, HUAN Kewei, DI Xu, et al. Research on the influence upon accuracy of IR thermal temperature measuring in distance and correction method[J]. Journal of Changchun University of Science and Technology (Natural Science Edition), 2008, 31(1): 33-35. (in Chinese with English abstract)

[30] 金蓉，赵立华，郑林涛，等. 无人机低空热红外遥感观测高度对地表温度反演的影响[J]. 建筑科学，2022(2)：89-98.

JIN Rong, ZHAO Lihua, ZHENG Lintao, et al. Influence of observation height of UAVs low altitude thermal infrared remote sensing on land surface temperature retrieval[J]. Building Science, 2022(2): 89-98. (in Chinese with English abstract)

[31] 张敏讷. 基于机载式红外温度传感器系统的圆形喷灌机变量灌溉动态分区管理研究[D]. 北京：中国水利水电科学研究院，2022.

ZHANG Minne. Dynamic Zoning Management of Variable Rate Irrigation Based on Infrared Thermometers Mounted on Moving Center Pivot Sprinkler Irrigation System[D]. Beijing：China Institute of Water Resources and Hydropower Research, 2022. (in Chinese with English abstract)

[32] 巨晓棠. 理论施氮量的改进及验证：兼论确定作物氮肥推荐量的方法[J]. 土壤学报，2015，52(2)：249-261.

Ju Xiaotang. Improvement and validation of theoretical N rate (TNR): Discussing the methods for N fertilizer recommendation[J]. Acta Pedologica Sinica, 2015, 52(2): 249-261. (in Chinese with English abstract)

[33] Millard J P, Jackson R D, Reginato R J, et al. Crop water-stress assessment using an airborne thermal scanner[J]. Photogrammetric Engineering and Remote Sensing, 1978, 44: 77-85.

[34] Allen R G, Pereira L S, Raes D, et al. FAO irrigation and drainage paper No. 56[R]. Rome: Food and Agriculture Organization of the United Nations, 1998, 56: 26-40.

[35] González-Dugo M P, Moran M S, Mateos L, et al. Canopy temperature variability as an indicator of crop water stress severity[J]. Irrigation Science, 2006, 24(4): 233-240.

[36] Siegfried J, Khosla R, Longchamps L. Infrared thermometry to quantify in-field soil moisture variability[J]. Journal of Crop Improvement, 2017, 31(1): 72-90.

[37] Höppner F, Klawonn F, Kruse R, et al. Fuzzy Cluster Analysis: Methods for Classification, Data Analysis and Image Recognition[M]. Hoboken: John Wiley & Sons, 1999.

[38] Fridgen J J, Kitchen N R, Sudduth K A, et al. Management zone analyst (MZA) software for subfield management zone delineation[J]. Agronomy Journal, 2004, 96(1): 100-108.

[39] 张振华，蔡焕杰，杨润亚. 红外遥感估算春小麦农田土壤含水率的试验研究[J]. 农业工程学报，2006，22(3)：84-87. ZHANG Zhenhua, CAI Huanjie, YANG Runya. Experiment on estimating soil moisture content of spring wheat field with infrared remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(3): 84-87. (in Chinese with English abstract)

[40] 蔡焕杰，张振华，柴红敏. 冠层温度定量诊断覆膜作物水分状况试验研究[J]. 灌溉排水，2001(1)：1-4.

CAI Huanjie, ZHANG Zhenhua, CHAI Hongmin. Crop canopy temperature as an index for assessing quantitatively water status of cotton and corn mulched with plastic film[J]. Irrigation and Drainage, 2001(1): 1-4. (in Chinese with English abstract)

[41] Zhang M, Zhao W, Meng F, et al. Research on conversion time and reference location of canopy temperature in scaled method for variable rate irrigation[C]//2021 ASABE Annual International Virtual Meeting. Michigan: American Society of Agricultural and Biological Engineers, 2021: 1.

Determination of UAV altitude and take-off time in the design of a variable rate irrigation prescription map

ZHU Changxin, ZHAO Weixia※, SHAN Zhijie, LI Jiusheng

(,100048,)

Unmanned aerial vehicle (UAV) thermal imaging can serve as anexcellent platform torapidly obtain the spatial distribution of crop canopy temperature (CT) for dynamic variable rate irrigation (VRI). This study aims to improve the spatial distribution accuracy of crop water deficit using UAV thermal imaging.A conversion model betweenRGBand CT was established to clarify the effects of flight altitude and take-off time on the spatial distribution of CT. The experiment was conducted at the water and fertilizer integration experimental base in Dacaozhuang, Hebei Province of the North China Plain (36°28'12"N, 114°54'01"E). The UAV flight area was 1.78 ha under a three-span center-pivot irrigation system with an overhang. The experimental crops were taken as winter wheat and summer maize in 2022. Three procedures were used to determine the relationships between temperature andRGB. Firstly, the temperature andRGBwere displayed in the nine single photos. Secondly, the temperature andRGBwere extracted as the black body fromthe nine different temperature values, and then their photos were captured with the thermal imaging camera. Thirdly, the CT was measured with the nine stationary infrared thermometers (IRTs) that were installed in the experimental field.As such, theRGBwas obtained in these locations by the UAV thermal imaging system. In the field test, the flight date was selected in sunny and windless weather and then started at 08:00, 11: 00, 14: 00 and 17:00 with a flight altitude of 70 m and a flight period of 20 min. The flight altitude was set as 70, 90, and 110 m, according to the cruising ability of the UAV. The flight date was chosen on May 22, May 28, and June 1 at the grain-filling stage for the winter wheat,whereas,the summer maizewas on August 2, August 17, and September 13 from the twelfth leaf stage to the milk stage. The reason was that the crop canopy coverage posed some influence on the accuracy of CT during the thermal imaging system, in terms of take-off time in the experiments. The flight date was also selected on July 18, 19, and 20 at the sixth leaf stage of summer maizeover different altitudes. The results indicated that there was a significant linear relationship betweenRGBand CT. The highest accuracy was achieved in the temperature of the black body, with a determination coefficient of 0.98. The take-off time of UAV thermal imaging had a great influence on the spatial distribution of CT. The spatial variation of CT showed a weak degree of variationat the take-off time of 08:00 and 17:00. At the take-off time of 11:00 and 14:00, a moderate degree of variation was found with the greatest difference in the CT and the smallest total irrigation amount in the prescription map of VRI. During the growing season of winter wheat, the total irrigation amount at 11:00 was 11.8%, 5.8%, and 20.6% lower than that at 08:00, 14:00, and 17:00, respectively. The total irrigation amountof summer maize at 14:00 was 13.5%, 2.7%, and 18.9% lower than that at 08:00, 11:00, and 17:00, respectively. The image resolution decreased,as the flight height increasedduring UAV thermal imaging. The total irrigation amount at 90 and 110 m flight height was 6.1% and 12.1% higher than that at 70 m flight height, respectively. The highest CT was achieved in the winter wheat at 11:00-15:00 and the summer maize at 11:00-16:00, indicating the optimal flying time. The findings can provide technical support to the design accuracy of variable irrigation prescription maps for the winter wheat and summer maize in North China Plain using UAV thermal imaging system.

UAV; crops; temperature; thermal imaging; variable rate irrigation; prescription map

10.11975/j.issn.1002-6819.202210170

S274.3

A

1002-6819(2023)-05-0061-09

祝长鑫，赵伟霞，单志杰，等. 变量灌溉处方图设计中无人机飞行高度和起飞时间确定[J]. 农业工程学报，2023，39(5)：61-69.doi：10.11975/j.issn.1002-6819.202210170 http://www.tcsae.org

ZHU Changxin, ZHAO Weixia, SHAN Zhijie, et al. Determination of UAV altitude and take-off time in the design of a variable rate irrigation prescription map[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(5): 61-69. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202210170 http://www.tcsae.org

2022-10-24

2023-01-10

国家重点研发计划项目（2022YFD1900805）；国家自然科学基金面上项目（51979289）；流域水循环与调控国家重点实验室自由探索课题（SKL2022TS03）

祝长鑫，研究方向为大型喷灌机变量灌溉技术。Email：cxzhu08@163.com

赵伟霞，博士，正高级工程师，研究方向为灌溉理论与技术。Email：zhaowx@iwhr.com