楊 帥，陳俊英，周永財，崔文軒，楊 寧

（1.西北農林科技大學水利與建筑工程學院，陜西楊凌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，陜西楊凌712100）

0 引 言

快速、準確地獲取區(qū)域土壤含水率狀況對于判斷作物水分脅迫狀況、指導農業(yè)生產具有重要意義[1]。傳統(tǒng)的土壤含水率監(jiān)測方法眾多[2，3]，但都局限于點測范圍，沒有對區(qū)域土壤含水率狀況做出整體反映。1963年，Tanner[4]首次發(fā)現(xiàn)冠層溫度能夠作為指示作物水分的有效指標并首次使用紅外測溫儀來量化冠層溫度差異與作物水分脅迫之間的關系。隨后，Idso[5，6]利用冠層溫度與大氣溫度的差值建立了作物水分脅迫指數(shù)CWSI的經驗公式。Jackson[7]和Jones[8]相繼完善并補充了CWSI的定義公式。此后一大批國內外學者開始用CWSI反演土壤含水率[9-12]。近年來，隨著無人機遙感的快速發(fā)展，利用無人機遙感平臺搭載熱紅外成像儀快速獲取區(qū)域面狀溫度進而判斷區(qū)域水情和作物水分脅迫狀況逐漸成為熱點[13-15]，并為監(jiān)測土壤含水率提供了新的思路。Agam 等[16]探究了CWSI對太陽輻射的敏感程度。孫圣等[17]利用無人機熱紅外技術測定了北方核桃園區(qū)的土壤含水率分布。張立元等[18]將無人機遙感與田間空氣溫濕度數(shù)據(jù)結合建立了監(jiān)測大田玉米水分脅迫的經驗模型。張智韜等[18，19]探究了基于無人機尺度構造的覆蓋度和綜合溫度指數(shù)對不同深度土壤含水率的響應關系。邊江等[20]以遙感熱紅外波段反演的不同農作物土壤體積含水率與灌區(qū)的土地分類影像為依據(jù)，快速推求灌區(qū)灌溉需水量。尚曉英等[21]將3 種CWSI與棉花根域土壤含水率建立模型，確定了最佳反演模型。

要實現(xiàn)從無人機熱紅外圖像中準確提取作物冠層溫度信息，剔除土壤背景干擾必不可少[18,23]。目前，從熱紅外圖像中剔除土壤背景，提取特定地物信息的常見處理有兩種，一種是直接從熱紅外圖像中提取，主要思路為：①基于熱紅外圖像灰度分割閾值來剔除干擾背景；②基于熱紅外圖像特定地物形態(tài)邊緣特征來提取[22-24]，這兩種思路都對熱紅外圖像的分辨率有較高要求[25]。另一種處理是結合可見光和熱紅外圖像[26-28]，利用可見光圖像中各波段對地物特征的不同反映來輔助提取熱紅外圖像中的有效溫度信息，這種方法考慮了地物的形態(tài)學特征，對低分辨率的圖像效果較好[19]，但對圖像的配準精度要求較高。兩種處理都有其局限性。在實際運用中采用一種處理方法的較多，而同時使用兩種處理方法并對提取效果進行精度評價的研究較少。

由于拔節(jié)期玉米枝葉細長且相互交錯，在熱紅外圖像上表現(xiàn)為線條特征繁多凌亂，且伴隨有較大陰影覆蓋，傳統(tǒng)閾值分割方法沒有考慮到葉片邊緣特征以至于出現(xiàn)像素誤分從而影響提取精度。本文以拔節(jié)期玉米為研究對象，采用可見光和熱紅外圖像相結合的RGRI指數(shù)法，將可見光圖像中玉米形狀輪廓特征明顯的優(yōu)勢和熱紅外圖像的溫度敏感優(yōu)勢結合，剔除熱紅外圖像中的土壤背景，提取玉米冠層溫度，同時設置Otsu閾值處理法和不剔除土壤背景處理作為對照，將基于3種方法提取的冠層溫度與實測溫度作對比，然后用基于這3種方法建立的CWSI指標反演不同深度的土壤含水率，分析并評價基于何種方法建立的CWSI指標反演效果最佳。

1 材料與方法

1.1 試驗地概況

試驗地位于陜西省楊凌示范區(qū)西北農林科技大學旱區(qū)節(jié)水農業(yè)研究院（108°4'E，34°42N'），地處關中平原，屬于東亞暖溫帶半濕潤半干旱氣候區(qū)，具有夏熱多雨、秋熱涼爽多連陰雨等明顯的大陸性季風氣候特征。年均降水量635.1 mm，平均蒸發(fā)量為993.2 mm，土壤質地為中壤土。

1.2 試驗設計

試驗地劃分為12 個小區(qū)，設置4 種水分梯度處理（T1、T2、T3、T4），分別以95%～100%、80%、65%、50%田間持水量為灌水上限，以80%、65%、50%、40%田間持水量為灌水下限，每個處理設置3 個重復試驗。每個小區(qū)面積為4 m×4 m，小區(qū)間距為1.5 m，每個小區(qū)采用行播的方式播種7行玉米種子，并以滴灌方式進行灌溉。試驗開始前2 d 內對小區(qū)進行控水處理，以確保水分梯度。

1.3 數(shù)據(jù)采集

在玉米拔節(jié)期階段，試驗分別于2019年7月27日（拔節(jié)前期）、7月31日（拔節(jié)中期）、8月2日（拔節(jié)后期）三日13：00進行，通過大疆M600六旋翼無人機平臺搭載可見光相機和大疆禪思XT 熱紅外測溫成像儀進行圖像信息采集，飛行高度為20 m，期間地面同步進行手持測溫槍采集玉米冠層、水桶和輻射定標板溫度信息。飛行任務結束后，通過打土鉆的方式獲取各小區(qū)內10、20、30、40、60 cm 深度的土樣，放入鋁盒內采用烘干法來測定各深度土樣的質量含水率。

1.4 無人機圖像處理

1.4.1 熱紅外圖像校準和灰度值轉換

獲取的原始熱紅外圖像，首先要導入Flir tools軟件并根據(jù)地面手持測溫槍實測的水溫和輻射定標板溫度進行校準，設置輻射率為0.96。將校準后的溫度信息導至ENVI 軟件中與原圖像進行波段疊加。再通過ENVI 拓展工具對疊加圖像中灰度波段和溫度波段進行統(tǒng)計，得到灰度值與溫度值的線性轉換關系式。

1.4.2 基于RGRI指數(shù)法的圖像處理

可見光圖像中的綠波段對于植物綠反射較為敏感，紅波段穿透性強，能較好減輕陰影帶來的干擾，因此通過二者比值構造RGRI指數(shù)能較好區(qū)分玉米前景和土壤、陰影等背景，對于RGRI指數(shù)的計算見下式。

式中：bandred為可見光圖像中的紅波段；bandgreen為可見光圖像中的綠波段。

對于獲取的可見光圖像，其視場角較廣，包含多個小區(qū)，首先選取出具有各試驗小區(qū)正射視角的可見光圖像作為各小區(qū)的代表圖像進行裁剪，裁剪尺寸為512×512像素。將裁剪后的可見光圖像和校準后的熱紅外圖像導入Arcgis軟件中定義相同地理坐標系，接著在ENVI 軟件中根據(jù)地物特征進行配準，并將配準后的可見光圖像進行波段運算，得到RGRI指數(shù)圖。通過RGRI統(tǒng)計直方圖（圖1）可以看到玉米像素和土壤像素二者有較為明顯的RGRI分界值，由此確定玉米和土壤的分類閾值。

通過Arcgis 軟件根據(jù)確定的分類閾值對RGRI指數(shù)圖進行二值化操作，把玉米像素定義為1，把土壤像素定義為0，并對玉米像素進行提取，接著通過柵格轉面操作得到具有玉米像素邊界特征的矢量圖層（圖2）。最后將該矢量圖層與配準后的熱紅外圖像導入到ENVI軟件中進行掩膜處理（圖3），統(tǒng)計得到小區(qū)內玉米像素灰度值表，根據(jù)前面算出的灰度溫度轉換關系式即可得到相應的玉米冠層溫度值表。

本研究為了減少配準和RGRI分類時誤將土壤像素劃歸到玉米像素帶來的誤差，將得到的玉米冠層溫度直方圖剔除前后1%的溫度值（圖4），然后統(tǒng)計得到玉米冠層平均溫度。

1.4.3 基于Otsu閾值法的圖像處理

Otsu 閾值法又稱最大類間方差法，它可以對灰度圖像進行閾值分割，使得前景與背景圖像的類間方差最大，從而達到較為理想的分割效果。

本研究對經過校準的熱紅外圖像按小區(qū)進行裁剪，裁剪尺寸為480×480 像素。將裁剪后的各小區(qū)熱紅外圖像導入MATLAB 軟件中，通過編程實現(xiàn)玉米像素與土壤像素的分割，得到玉米像素溫度矩陣。為減少圖像閾值分割過程中誤將土壤像素識別為玉米像素帶來的干擾，對于獲得的玉米溫度采取剔除最大1%溫度的處理，由此得到的平均溫度作為小區(qū)玉米冠層平均溫度。

1.4.4 不剔除土壤背景的圖像處理

不剔除土壤背景將會導致圖像提取溫度偏高，本研究將其作為對照組。將校準后的熱紅外圖像導入至Flir tools 軟件中，通過軟件自帶的框選工具，框選整個小區(qū)，利用軟件的均值統(tǒng)計工具得到框選區(qū)內的平均溫度作為小區(qū)玉米冠層的平均溫度。

1.4.5 水分脅迫指數(shù)CWSI

本研究作物水分脅迫指數(shù)（CWSI）的計算參考JONES等[8]的簡化公式并借鑒了張智韜等[19]的研究。本研究中選取12 個小區(qū)中冠層溫度均值最大值Tmax加上5 ℃作為干參考面，以小區(qū)中冠層溫度均值最小值Tmin減去2℃作為濕參考面。具體計算見下式。

式中：TC為作物冠層平均溫度；Tmax為小區(qū)作物冠層平均溫度最大值；Tmin為小區(qū)作物冠層平均溫度最小值。

1.5 評價指標

本研究選取決定系數(shù)R2和均方根誤差RMSE作為回歸評價指標，R2越接近1，RMSE越接近0，模型反演效果越顯著。采用F檢驗來統(tǒng)計樣本顯著性，若F0.05≤F≤F0.01，即0.01＜P≤0.05，則各處理間差異顯著；若F≥F0.01，即P≤0.01，表示各處理間差異極顯著。

2 結果與分析

2.1 基于熱紅外圖像提取溫度與實測溫度相關性分析

將基于圖像提取的冠層溫度與實測溫度進行線性擬合，如圖5所示。從相關性來分析，在整個拔節(jié)期3 個階段，基于RGRI指數(shù)法提取的溫度與實測溫度擬合效果最好，R2分別為0.909、0.891、0.828，其次是基于Otsu 閾值法，R2分別為0.862、0.865、0.875，而不剔除土壤背景提取溫度表現(xiàn)最差，R2為0.787、0.645、0.676。對比均方根誤差RMSE，按照RGRI指數(shù)法、Otsu 閾值法、不剔除土壤背景的順序，在拔節(jié)前期，三者RMSE分別為0.65、1.10、2.46 ℃，在拔節(jié)中期，三者RMSE分別為0.58、0.57、1.00 ℃，在拔節(jié)后期三者RMSE分別為0.54、0.89、1.31 ℃。整體來看，RGRI指數(shù)法表現(xiàn)最好，誤差最小，其次是Otsu 閾值法，而不剔除土壤背景誤差最大。對比溫度擬合線趨勢，RGRI指數(shù)法和Otsu 閾值法二者趨勢線較低且互有交叉，提取溫度與實測溫度較為接近，而不剔除土壤背景趨勢線較高，由于土壤背景的干擾使得提取溫度與實測溫度相差較遠，溫度偏高。

2.2 不同水分梯度下CWSI指標變化趨勢

根據(jù)式（2）計算出基于3 種方法的CWSI值，為了對比3種方法提取CWSI指標的差異性，本研究取每種水分梯度下3個重復小區(qū)的CWSI均值作為該水分梯度下的CWSI值。

如圖6所示，在玉米拔節(jié)期3 個階段，基于3 種方法得到的CWSI指標均在整體上表現(xiàn)出隨著土壤含水率的減少而呈現(xiàn)增大的趨勢，這表明CWSI指標與土壤含水率整體呈現(xiàn)出負相關的響應趨勢。在拔節(jié)前期，T1 和T2 水分梯度下3 種方法得到的CWSI值較低這可能是由于試驗前部分梯度小區(qū)要進行補水處理，而作物吸收水分時出現(xiàn)滯后效應導致的。隨著土壤水分的消耗，到了拔節(jié)中期和拔節(jié)后期，T1 和T2 水分梯度下3 種方法得到的CWSI值均較拔節(jié)前期有了增加。整體來看，CWSI在T3 和T4 水分梯度下增長較快，而在T1 和T2 水分梯度下增長較緩，這表明相比于土壤水分充足狀態(tài)，CWSI對于水分虧缺條件下作物的水分脅迫狀況較為敏感，對于該狀態(tài)下土壤含水率的變化應有較好的指示作用。從CWSI指數(shù)在不同水分梯度下的變化幅度來看，與拔節(jié)前期相比，拔節(jié)中期和拔節(jié)后期CWSI指數(shù)的下界增大，上界減小。這可能是因為隨著玉米生長，玉米對于水分的依賴性逐漸減弱。

2.3 CWSI與不同深度土壤含水率之間的相關關系

本研究將基于3 種方法得到的各小區(qū)CWSI值與玉米拔節(jié)前、中、后期不同深度土壤含水率數(shù)據(jù)在SPSS 軟件中采用線性回歸方法構建模型，判定哪種方法得到的CWSI反演土壤含水率效果最好，同時探究玉米不同時期下CWSI對土壤含水率的最佳響應深度，對應相關關系見表1～表3（表中Smc代表土壤含水率）。

表1 拔節(jié)前期CWSI與土壤含水率的回歸模型

表2 拔節(jié)中期CWSI與土壤含水率的回歸模型

由表1～表3可知，3 種方法得到的CWSI值與土壤含水率的擬合系數(shù)均為負值，呈現(xiàn)負相關關系。從3 種CWSI與各深度土壤含水率相關性的角度來分析。在拔節(jié)前期，CWSIRGRI與0～10、0～20、0～30、0～40 cm 土壤含水率相關關系較好，R2分別為0.513、0.632、0.761、0.675，CWSIOtsu效果次之，R2分別為0.452、0.496、0.592、0.640，CWSIsoil表現(xiàn)效果最差，R2為0.329、0.405、0.536、0.629，而在0～60 cm 深度內，CWSIsoil的R2達 到0.648，高 于CWSIOtsu的0.623 和CWSIRGRI的0.591。對于CWSIRGRI，其在拔節(jié)中期和拔節(jié)后期五個深度內的表現(xiàn)優(yōu)于CWSIOtsu和CWSIsoil，R2均大于0.5，效果顯著(P＜0.01)。對于CWSIOtsu和CWSIsoil，在拔節(jié)中期0～20、0～30 cm深度內，CWSIOtsu表現(xiàn)較好（R2為0.683、0.732），在0～10、0～40、0～60 cm則是CWSIsoil擬合效果更優(yōu)（R2為0.687、0.595、0.530），分析原因為在玉米拔節(jié)中期，部分地塊熱紅外圖像中的玉米像素與土壤像素灰度值較為接近，此時依靠Otsu 方法并不能很好的確定二者分類閾值，導致提取的玉米像素中摻雜了較多土壤像素，因此擬合效果較差。在拔節(jié)后期5個深度內，CWSIOtsu的R2整體高于CWSIsoil。因此整體來看，CWSIRGRI對各深度土壤含水率反演效果最好，CWSIOtsu次之，CWSIsoil效果最差。

從CWSI對不同深度土壤含水率的響應程度來看，選取CWSIRGRI作為最優(yōu)CWSI指標，其在玉米拔節(jié)前、中、后期五個深度內的R2均表現(xiàn)出先增大后減小的趨勢，且減小幅度大于上升幅度，并在0～30 cm 處達到最大值，這可能是因為此時玉米根系主要集中在0～30 cm 深度內，并且此時玉米根系毛管大部分應集中在土壤20～30 cm 處，因此該深度對土壤含水率的響應最為敏感，而分布于土壤30 cm 深度下的玉米根系由于較少且分布遠不及0～30 cm 深度土壤內的根系分布，故而CWSIRGRI在0～40、0～60 cm 深度下的R2出現(xiàn)了明顯的下降趨勢?？傮w來說，CWSI對0～30 cm 深度土壤含水率反演效果最好，對0～60 cm土壤含水率反演效果最差。

2.4 模型驗證評價

本研究對3 種處理下的CWSI與不同深度的土壤含水率模型進行驗證，以拔節(jié)前期和拔節(jié)中期數(shù)據(jù)建立函數(shù)關系，以拔節(jié)后期數(shù)據(jù)進行驗證，通過對比決定系數(shù)R2以及均方根誤差RMSE對建立的3種模型進行評價（表4）。

從模型驗證表可以看出，整體R2均在0.5 以上。對于同一深度，RGRI指數(shù)法的決定系數(shù)最大，Otsu 閾值法次之，不剔除土壤背景效果最差。3 種方法在5 個土壤深度內的R2呈現(xiàn)單峰分布且都在0～30 cm處達到最大值（R2分別為0.801、0.658、0.552）?；赗GRI指數(shù)法的均方根誤差RMSE最小，均在0.1附近。3 種處理方法在不同土壤深度的RMSE表現(xiàn)呈現(xiàn)單峰波谷分布且都在0～30 cm 處達到最小值，這可能間接表明在玉米拔節(jié)期構建的CWSI指標能較好地反演0～30 cm 土壤深度內玉米根系活動層的土壤含水率。

3 討 論

本研究采用的RGRI指數(shù)法很大程度上依賴可見光圖像與熱紅外圖像的配準精度。在試驗過程中，無人機平臺無法同時搭載可見光相機與熱紅外相機，這就造成可見光圖像與熱紅外圖像的獲取過程會出現(xiàn)短暫的時差，在這時段內光照條件的突然變化以及風力擾動帶來玉米葉片的變化都會給配準精度帶來很大干擾。為了減少干擾，下一步研究將把研究區(qū)選定為大尺度區(qū)域以期通過增大尺度的方式來均攤干擾，提高整體精度。

CWSI的建立有很多種方法[5-8]，張智韜等[20]通過對棉花葉片涂凡士林和灑水的方式來營造干濕參考面，進而確定CWSI模型的上下基線。本研究建立的CWSI模型是基于小區(qū)平均冠層溫度來確定的干、濕參考面[27]，究竟哪種更適合還有待進一步探究。本次研究選取的數(shù)據(jù)樣本只選取了13：00一個時刻，且有一定的時間間隔，這也可能會對試驗結論的精確性產生一定的影響，下一步研究將考慮對連續(xù)時間內不同時刻的數(shù)據(jù)樣本進行分析。

隨著玉米生長階段的變化，玉米根系分布也會不同，導致CWSIRGRI的最佳土壤含水率反演深度也會發(fā)生變化，具體深度是多少還有待進一步探究。針對不同水分梯度對反演精度的影響，本研究也缺乏考慮，在今后的研究中還需要加以探究。

4 結 論

（1）在采取的3種方法中，借助可見光與熱紅外圖像，通過RGRI指數(shù)法提取的玉米冠層溫度表現(xiàn)效果要優(yōu)于只借助熱紅外圖像的Otsu 閾值法和不剔除土壤背景方法，其提取的冠層溫度與實測溫度R2較高，均在0.82 以上，RMSE均在1 ℃以內，較為接近實測溫度。

（2）在基于三種方法獲得的CWSI指標中，相比CWSIOtsu和CWSIsoil，CWSIRGRI與土壤含水率有較高的線性相關性，反演土壤含水率效果較好，說明基于RGRI 指數(shù)法建立的CWSIRGRI可以作為反演玉米地土壤含水率的有效指標。

（3）選取CWSIRGRI作為最優(yōu)CWSI指標，其在反演玉米拔節(jié)期0～10、0～20、0～30 cm 深度土壤含水率效果較好，R2呈上升趨勢，并在0～30 cm深度內達到最佳。