張智韜，于廣多，吳天奎，張譽馨，白旭乾，楊 帥，周永財

（1. 西北農林科技大學水利與建筑工程學院，楊凌 712100；2. 西北農林科技大學旱區(qū)農業(yè)水土工程教育部重點實驗室，楊凌 712100）

0 引 言

及時準確地獲取作物水分脅迫狀況對發(fā)展節(jié)水灌溉農業(yè)、提高水分利用效率有重要意義[1]。冠層溫度由土壤—植物—大氣連續(xù)體內熱量的傳輸與轉換決定[2]，冠層溫度及其相關指數可以指示作物水分脅迫狀況[3-4]，其中以作物水分脅迫指數（Crop Water Stress Index，CWSI）應用最為廣泛。Idso 等[5]提出基于冠層溫度的CWSI 經驗公式，而后又有學者提出了CWSI 的理論公式與簡化公式[6-8]，通過蒸散模型計算CWSI 的理論公式考慮了諸多氣象因素[9]，理論基礎較強，監(jiān)測精確度較高。近年來，國內外低空無人機遙感技術快速發(fā)展，可借助熱紅外成像儀快速、大面積地采集冠層溫度信息，為監(jiān)測作物水分提供了一種可靠路徑[10-12]。然而當作物未達到全覆蓋時，無人機獲取的試驗區(qū)域圖像中包含冠層、土壤等多種地物信息，并且不同地物的溫度在一定范圍內存在交集，這對提取冠層溫度有較大的干擾，因此剔除無人機影像中的土壤背景可以提高作物水分脅迫的監(jiān)測精度[13-14]，快速準確地對熱紅外圖像進行地物分類并提取其中的冠層溫度是十分必要的。

按照是否借助可見光圖像可將冠層溫度提取方法分為兩類：一種是依據冠層與土壤的溫度信息差異，直接在熱紅外圖像上分類，如經驗公式法[15]、邊緣檢測法等[16-17]，統(tǒng)稱為直接法。經驗公式法十分依賴所測定的大氣溫度的準確性，誤差較大[18]；邊緣檢測法要求圖像具有較高的分辨率、不同地物溫度差異較大且地物類別不宜過多[19]，這些因素在一定程度上限制了此方法的應用。另一種是借助可見光圖像的光譜信息實現熱紅外圖像地物分離的間接法[20-22]。雖然高分辨率的可見光相機能夠很好地區(qū)分出復雜地物信息，但在實際操作中，受相機自身參數、拍攝角度、氣象因素以及人為因素等多個因素的干擾，兩圖像像元無法準確無誤地一一對應[23]，這直接影響冠層溫度的提取精度。直接法與間接法各有優(yōu)缺點，而現階段對兩類方法的分類效果進行比較，并將兩類方法相結合來協(xié)同提取冠層溫度的研究較少。

鑒于此，本研究以4 種不同水分處理的拔節(jié)期夏玉米為研究對象，利用無人機獲取試驗區(qū)域每日13:00 的熱紅外和可見光圖像資料，分別采用 Otsu 算法、EXG-Kmeans 算法和Otsu-EXG-Kmeans 算法獲取冠層區(qū)域圖像，并從冠層輪廓圖、冠層區(qū)域提取精度、溫度直方圖以及與實測冠層溫度相關情況4 個方面對提取結果進行精度評價，以確定提取熱紅外圖像冠層溫度的最佳方法，而后求得相應CWSI，分析CWSI 同土壤含水率相關關系以及CWSI 日平均變化趨勢，對玉米水分虧缺狀況進行定性分析，以期為無人機遙感精準監(jiān)測作物水分脅迫狀況提供參考。

1 材料與方法

1.1 研究區(qū)域概況

研究區(qū)域位于陜西省楊凌示范區(qū)的中國旱區(qū)節(jié)水農業(yè)研究院，34°17′N，108°04′E，海拔525 m。該區(qū)域屬于溫帶大陸性季風氣候，多年平均降水量約640 mm，主要集中在7－9 月，試驗期間大氣平均溫度為33 ℃，總輻射較強。試驗區(qū)域的土壤類型為中壤土，凋萎系數8.6%，0～1 m 平均田間持水量為23%～26%（均為質量含水率），平均土壤干容重1.44 g/cm3，地下水埋藏較深，其向上的補給量忽略不計。

1.2 試驗設計

試驗設置嚴重水分脅迫（T1）、中度水分脅迫（T2）、輕度水分脅迫（T3）以及充分灌溉（T4）4 種水分處理梯度，土壤含水率分別維持在田間持水量的50%、65%、80%以及95%～100%[17]，每個水分處理設有3 個重復，共計12 個小區(qū)（圖1），小區(qū)為4 m×4 m，2 個小區(qū)之間布置保護行。玉米品種為“華農138”，播種時間為2020年6 月14 日，出苗時間為6 月20 日，播種深度約5 cm，種植行距60 cm，株距30 cm，行沿南北走向。試驗區(qū)域設置小型氣象站，并配有移動折疊雨棚以防止降雨干擾。

1.3 數據采集

拔節(jié)期玉米水分脅迫程度直接影響玉米長勢，且無人機相機在晴朗無風天氣拍攝效果較好?？紤]以上因素，本研究選擇在2020 年7 月26 日、7 月27 日、7 月29 日、7 月31 日、8 月2 日的13:00 進行無人機圖像以及地面數據的采集。

1）熱紅外與可見光圖像采集

使用大疆公司研發(fā)的Matrice600Pro 六旋翼無人機，并搭載ZENMUSE XT 熱紅外相機與ZENMUSE X3 可見光相機進行圖像采集。設置無人機飛行高度為20 m，鏡頭垂直地面進行拍攝，熱紅外相機工作波段為7.5～13.5μm，像素為640×512，水平視場角32°，垂直視場角26°，鏡頭焦距19 mm，溫度分辨率0.05 ℃，20 m 圖像分辨率為1.8 cm?？梢姽庀鄼C像素為4 000×3 000，視場角94°，鏡頭焦距20 mm，20 m 圖像分辨率為1.0 cm。

2）地面數據采集

在各小區(qū)內選取可以代表小區(qū)平均長勢且生長良好的3 株玉米植株進行標記[24]，在圖像采集完成后，及時利用測溫槍獲取標記植株承光面的冠層溫度，同時利用土鉆取土，取土深度為20 cm[25]，并通過烘干法測定土壤含水率。

1.4 熱紅外圖像處理

1.4.1 無人機圖像預處理

首先采用PIX4D 軟件對可見光與熱紅外圖像進行拼接處理，而后以熱紅外圖像為基準，利用ENVI Classic軟件手動選取熱紅外與可見光圖像中明顯的地物特征點進行配準（特征點選取30 個以上，且保證每個小區(qū)包含至少2 個特征點，特征點均方根誤差小于1），最后利用FLIR Tools 軟件將熱紅外圖像的灰度值轉換為溫度，并用實測水溫校準溫度。

1.4.2 熱紅外圖像冠層溫度提取

1）Otsu 算法

熱紅外相機獲取的圖像可分為兩類：1）冠層像元，2）土壤像元[13]。Otsu 算法是灰度圖像閾值分割的經典自適應閾值算法，該算法以像元類間方差為分割標準，將兩種像元類間方差最大時的閾值作為冠層與土壤溫度的分界線，其核心公式如下[26]：

式中σ2為類間方差；k為閾值；σ2(k)取最大值時的k值即為最佳閾值；w0為冠層像元出現的概率；w1為土壤像元出現的概率；μ為圖像灰度均值；μ0為冠層灰度均值；μ1為土壤灰度均值。

2）EXG-Kmeans 算法

可見光圖像的空間分辨率較高，且玉米冠層對綠波段反射強烈而土壤對綠波段反射較弱[27]，故本研究采用EXG 指數[28]區(qū)分冠層與土壤信息，EXG 指數計算式如下：

式中R、G、B分別表示可見光圖像紅、綠、藍波段灰度值。

同時為避免分類結果受主觀因素的影響，采取非監(jiān)督分類中的Kmeans 算法對EXG 指數圖像進行分類，生成包含玉米冠層像素輪廓特征的矢量文件，而后對熱紅外圖像進行掩膜處理獲取冠層溫度信息。

3）Otsu-EXG-Kmeans 算法

研究表明Otsu 算法可以有效剔除圖像中陽光直射土壤，而對陰影覆蓋土壤剔除效果較差[29]；借助可見光圖像可以準確確定冠層區(qū)域，對陰影土壤與陽光直射土壤的剔除效果較好，但由于存在配準偏差，導致少量土壤區(qū)域被誤分到冠層區(qū)域中[23]，影響EXG-Kmeans 算法提取冠層溫度的精確度。因此本研究首先利用Otsu 算法剔除圖像中陽光直射土壤，而后利用EXG-Kmeans算法剔除陰影土壤，稱為Otsu-EXG-Kmeans 算法，冠層溫度提取過程通過MATLAB 與ENVI 實現，計算流程如圖2 所示。

1.5 作物水分脅迫指數

采用Jones 等[7]提出并由張仁華[9]改良后的理論模型計算CWSI，公式如下：

式中Tc為圖像冠層溫度，℃；Ta為大氣溫度，℃；γ為濕度計常數，kPa/℃；Δ為飽和水汽壓與溫度曲線斜率，kPa/℃；d為空氣飽和差，kPa；Rn為太陽凈輻射，W/m3；G為土壤熱通量，W/m3；ra為空氣動力阻力，s/m；ρ為空氣密度，kg/m3；Cp為空氣比熱，J/(kg·℃)。

1.6 圖像分類精度評價

本研究采用生產者精度（Producer's Accuracy，PA）和用戶精度（User's Accuracy，UA）對熱紅外圖像冠層區(qū)域提取結果進行量化評價，兩者越接近100%，說明冠層區(qū)域提取精度越高，具體公式如下：

式中TP是預測為冠層的冠層樣本個數；FP是預測為冠層的土壤樣本個數；FN是預測為土壤的冠層樣本個數。

1.7 評價指標

本研究通過相關系數（r）評價兩者的相關關系，r越接近1 兩者相關性越高；通過均方根誤差（Root Mean Square Error，RMSE）評價預測值的誤差，RMSE 越接近0，預測值的誤差越小。

2 結果與分析

2.1 冠層區(qū)域提取結果分析

2.1.1 不同算法冠層區(qū)域提取結果分析

以8 月2 日T1-1 小區(qū)中心區(qū)域為例，分別在RGB 影像與熱紅外影像中繪制不同算法確定的冠層區(qū)域圖（圖3）。對比RGB 影像可知，Otsu 算法確定的冠層區(qū)域包含極大部分玉米像元以及部分溫度與冠層溫度相近的土壤像元，而EXG-Kmeans 算法可在RGB 影像中準確剔除陰影覆蓋土壤與陽光直射土壤。由于RGB 影像與熱紅外影像在配準時存在細微偏差，導致少量高于冠層溫度的土壤像元被誤劃于冠層區(qū)域，對比熱紅外影像可知，EXG-Kmeans 算法無法避免此類現象發(fā)生，而Otsu-EXG-Kmeans 算法由于加入溫度閾值條件，可更好地剔除高于冠層溫度的土壤像元。

2.1.2 不同水分處理冠層區(qū)域提取結果分析

分別運用 Otsu 算法、 EXG-Kmeans 算法和Otsu-EXG-Kmeans 算法對熱紅外圖像進行分類處理，每種方法的生產者精度和用戶精度如表1 所示。

表1 不同提取方法分類精度Table 1 Classification accuracy of different extraction methods

依據圖3 所示冠層區(qū)域并對比表1 中同一算法的生產者精度與用戶精度可知：由于Otsu 算法確定的冠層區(qū)域包含大量土壤樣本，而土壤區(qū)域只有極少數的冠層樣本， 此算法的生產者精度遠遠大于用戶精度（96.1%>66.6%）；利用EXG-Kmeans 算法進行地物分類，誤分到冠層區(qū)域的土壤樣本與誤分到土壤區(qū)域的冠層樣本數量相近，生產者精度與用戶精度相差較??；Otsu-EXG-Kmeans 算法可剔除誤分到冠層區(qū)域的土壤樣本，而無法將誤分到冠層區(qū)域的土壤樣本召回，故用戶精度大于生產者精度（95.9%>85.6%）。

對比Otsu 算法對不同水分處理的分類效果，其中T1處理的用戶精度高于T4 處理而生產者精度低于T4 處理(68.4%>64.0%，94.5%<97.2%)，由此推斷Otsu 算法在嚴重水分脅迫處理區(qū)域（T1）的適用性優(yōu)于充分灌溉處理（T4），但是誤分到土壤區(qū)域的冠層像元數量也要大于充分灌溉處理。EXG-Kmeans 算法中T4 處理的用戶精度與生產者精度均高于T1 處理(89.4%>77.9%，88.7%>79.1%)，故此算法對充分灌溉處理冠層區(qū)域提取效果要優(yōu)于嚴重水分脅迫處理。而Otsu-EXG-Kmeans 算法的用戶精度和生產者精度同水分脅迫情況呈負相關，且用戶精度均值達95.9%，對冠層提取效果優(yōu)于其他2 種算法。

2.2 冠層溫度頻率直方圖分析

水分脅迫處理越嚴重的小區(qū)冠層溫度越高，溫度極差越大[30]，不同算法溫度統(tǒng)計結果越明顯。以8 月2 日T1-1 小區(qū)為例，繪制原始圖像與不同分類方法獲得的冠層溫度頻率直方圖（圖4），并統(tǒng)計冠層溫度的最小值、最大值以及平均值（表2）。

表2 圖像冠層溫度統(tǒng)計Table 2 Image canopy temperature statistics ℃

地面實測數據表明，陽光直射土壤溫度大于冠層溫度，而陰影覆蓋土壤溫度與冠層溫度接近，甚至低于冠層溫度，故作物半覆蓋區(qū)域的溫度頻率直方圖大致為雙峰形狀。如圖4a 所示，原始溫度頻率直方圖左側峰頻率較大且溫度較低，代表冠層集中區(qū)域，右側峰頻率較小且溫度較高，代表土壤集中區(qū)域。原始圖像與EXG-Kmeans 算法相比于Otsu 算法與Otsu-EXG-Kmeans算法，提取的冠層溫度分布范圍更廣，進一步說明EXG-Kmeans 算法由于存在配準偏差的現象，少量高溫的光照土壤像元無法有效剔除。由表 2 可知，Otsu-EXG-Kmeans 算法取得的冠層溫度最小值與EXG-Kmeans 算法同為31.0℃，最大值與Otsu 算法同為46.4℃，故此方法有效地剔除了像元溫度低于冠層溫度的陰影覆蓋土壤以及像元溫度高于冠層溫度的陽光直射土壤。對比冠層溫度平均值，3 種方法均可有效降低土壤溫度的干擾，且Otsu-EXG-Kmeans 算法效果最佳，Otsu 算法次之，EXG-Kmeans 算法最差（冠層溫度：38.2℃<38.9℃<39.9℃<42.2℃）。

2.3 冠層溫度提取值與實測值相關性分析

為進一步評估不同方法的提取效果，圖像提取溫度與地面實測溫度進行相關性分析（n=60），如圖5 所示，隨著土壤像元的減少，圖像冠層溫度逐漸降低。對比3種處理方法，Otsu-EXG-Kmeans 算法提取的冠層溫度與地面實測溫度相關性最佳（r=0.788），誤差最小（RMSE=1.901 ℃），同時Otsu-EXG-Kmeans 算法的擬合直線相比較其他方法，截距更小且斜率（回歸系數）更接近1，整體趨勢更接近1:1 線，故利用Otsu-EXG-Kmeans算法得到的冠層溫度精確度更高。

2.4 玉米水分脅迫監(jiān)測分析

2.4.1 冠層溫度指標與土壤含水率相關性分析

上述研究表明，Otsu-EXG-Kmeans 算法對不同水分處理的適用性均較強，得到的冠層溫度精確度也較高，故可借助Otsu-EXG-Kmeans 算法監(jiān)測玉米水分脅迫狀況。作物通過根系吸收土壤水分來進行蒸騰作用，從而維持冠層溫度的平衡，因此土壤含水率與玉米缺水狀況呈負相關[31]，是監(jiān)測玉米缺水狀況的有效指標。Otsu-EXG-Kmeans 算法提取的冠層溫度值代入式（3）計算出相應的作物水分脅迫指數，將冠層溫度與作物水分脅迫指數分別同0～20 cm 土壤含水率進行相關性分析（n=60），以間接監(jiān)測玉米缺水狀況。結果表明（圖6），冠層溫度與作物水分脅迫指數均與土壤含水率負相關，即同玉米缺水狀況呈正相關，相比于冠層溫度，作物水分脅迫指數可以更為準確地指示作物的水分虧缺狀況（r= -0.738）。

2.4.2 冠層溫度與CWSI 日平均變化趨勢對比

分別取各水分梯度3 個重復小區(qū)的平均值作為本梯度的冠層溫度值與作物水分脅迫指數，由此繪制不同水分處理的冠層溫度與作物水分脅迫指數日平均變化趨勢線如圖7 所示，不同水分處理的冠層溫度與作物水分脅迫指數具有明顯差異，并且T1>T2>T3>T4。根據試驗記錄顯示，7 月28 日對T3、T4 處理進行了灌水處理，故2種處理在29 日出現拐點，而T1 與T2 梯度在試驗期間一直未進行灌水處理，隨著時間的推移，土壤水分不斷被作物消耗，玉米受水分脅迫程度逐漸增加，相比于冠層溫度，作物水分脅迫指數日平均變化趨勢更好地描述了這一現象。

2.4.3 冠層溫度與CWSI 分布圖

為更直觀地展示試驗區(qū)域不同處理的作物水分脅迫程度，以8 月2 日為例，繪制Otsu-EXG-Kmeans 算法獲取的冠層溫度與作物水分脅迫指數分布圖，如圖8 所示，整體冠層溫度在28～46.5 ℃之間分布，作物水分脅迫指數在0～1 之間分布。

3 討 論

本研究結果表明，Otsu 算法對水分虧缺嚴重的區(qū)域分類效果較好，對充分灌溉區(qū)域分類效果較差，然而，EXG-Kmeans 算法對不同水分脅迫處理的分類效果與Otsu 算法截然相反。通過探究可知，在供水充足的狀態(tài)下，植物通過蒸騰作用散失大量輻射熱，從而降低葉溫和植物體溫，避免高溫傷害，同樣地表也可通過蒸發(fā)作用延緩土壤溫度上升，與此同時，作物體內的水分為葉片光合作用提供原料，葉綠體可正常工作，熱紅外圖像中的冠層與土壤溫度相差較小，而EXG-Kmeans 算法主要依據可見光圖像中冠層與土壤像元色彩差異對圖像進行分類，充分灌溉條件下，可見光圖像中的冠層像元為綠色，與棕黃色土壤色差較大，配準法較為實用。作物水分脅迫區(qū)域，作物蒸騰作用與土壤蒸發(fā)作用減弱，溫度均升高，而由于土壤的比熱容相對水較小，升溫比葉片速率快，同時缺水會導致葉片氣孔導度下降，進入葉內的二氧化碳減少，光合產物在葉片中積累對光合作用產生反饋抑制作用，也會影響細胞伸長并抑制蛋白質的合成，葉片易出現暫時性萎蔫，使光合面積降低[32]，嚴重缺水時甚至造成葉綠體類囊體結構被破壞，葉片對紅光與藍光吸收能力下降[33]，熱紅外圖像中的冠層與土壤溫度相差較大，可見光圖像中的冠層像元偏向黃色，與棕黃色土壤色差較小，而Otsu 算法主要依據熱紅外圖像中冠層與土壤溫度差異對圖像進行分類，故在水分虧缺時Otsu 算法分類效果較好。上述情況是水分脅迫程度與冠層溫度呈正相關的主要原因， 也是Otsu-EXG-Kmeans 算法在不同水分脅迫處理中適用性均較強的主要原因。

通過冠層溫度提取值與實測值相關性分析發(fā)現，水分脅迫嚴重的小區(qū)，部分冠層溫度提取值大于實測值，而充分灌溉的小區(qū)，部分冠層溫度提取值小于實測值。這一現象出現的原因是實測值選取的是生長良好的承光面冠層區(qū)域，然而水分脅迫過重的區(qū)域玉米長勢相對較差，且容易發(fā)生葉片卷曲現象（T1 處理中心區(qū)域），在提取過程中這部分溫度較高的區(qū)域參與計算，導致冠層溫度提取值高于實測值。反之充分灌溉區(qū)域玉米長勢較好，冠層覆蓋度較高，部分陰影投映在冠層區(qū)域，在提取過程中溫度較低的陰影冠層參與計算，導致冠層溫度提取值低于實測值。

本研究方法也存在不足之處：首先，在水分嚴重脅迫區(qū)域，部分玉米葉片變黃，其冠層溫度與土壤溫度接近，本研究提出的方法無法準確確定此部分冠層區(qū)域；其次，通過上述分析可知，由于剔除了可見光影像誤分到冠層中的土壤樣本，本研究方法確定的冠層區(qū)域小于僅借助可見光影像確定的冠層區(qū)域，即采用本研究方法計算的作物覆蓋度略低；此外，不同作物的耐旱性不同導致溫度分布不同，不同地區(qū)下墊面不同導致光譜信息不同，因此本研究提出的方法是否適用于其他地區(qū)的水分脅迫監(jiān)測仍需進一步研究與驗證。

4 結 論

本研究通過不同方法提取玉米冠層溫度，計算了基于冠層溫度的作物水分脅迫指數，探究了其在水分脅迫監(jiān)測中的精確度， 得出以下結論： 1 ） 利用Otsu-EXG-Kmeans 算法獲取的冠層區(qū)域圖像最優(yōu)，EXG-Kmeans 算法次之，Otsu 算法最差（用戶精度：95.9%>83.2%>66.6%）；Otsu-EXG-Kmeans 算法提取的冠層溫度與實測溫度相關關系接近1:1 線，相關性相比于其他方法更好（r=0.788），因此Otsu-EXG-Kmeans 算法是準確獲取圖像冠層溫度的有效方法。2）相比于冠層溫度，作物水分脅迫指數與土壤含水率的相關性更高，作物水分脅迫指數日平均變化趨勢更符合實際情況，可更加精確地監(jiān)測玉米缺水狀況。