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

张智韬，边 江，韩文霆，付秋萍，陈硕博，崔 婷

（1.西北农林科技大学水利与建筑工程学院旱区农业水土工程教育部重点实验室，杨凌 712100；2.中国旱区节水农业研究院，杨凌712100；3.新疆农业大学水利与土木工程学院，乌鲁木齐830052）

0 引 言

及时获取作物水分胁迫状况可有效提高农业水资源利用效率，尤其对干旱半干旱地区农业来说极其重要。利用热红外遥感数据诊断作物水分胁迫状况具有快速和便捷的巨大优势，并成为当前研究的热点问题，国外学者进行广泛的探讨和深入的研究[1-3]，Idso将冠层温度与大气温度之差作为定义水分胁迫指数（crop water stress index，CWSI）的计算参数，由于上下基线的确定使用经验法，因此存在地区使用上的不统一性[4]。随后，Jackson等[5]进一步发展 Idso经验公式，利用冠层能量平衡公式推导出上下基线的理论计算方法，该公式具有完整的理论依据，但需要较多的气象因子，一般气象站很难收集齐全，在实际应用中受到极大的限制。近期，水分胁迫指数采用简化形式，利用干湿参考面确定上下温度极限值[6-9]，但是干湿参考面的材料选择会影响水分胁迫指数的误差。对于低覆盖率的作物来说，水分胁迫指数的另一影响因素则为土壤背景的干扰，为了克服这种困难，Moran 等[10]提出水分亏缺指数（water deficit index，WDI），利用冠层温度与植被指数共同诊断作物水分胁迫状况。国内学者张振华等[11-12]应用热红外技术对干旱研究也取得一定的进展。

尽管上述研究对诊断作物水分胁迫取得了一定的成果，但是这些指数计算的数据获取具有一定的难度，限制了在农业上的推广与使用，因此学者提出使用冠层温度的变异性诊断作物水分胁迫状况[13-14]。González-Dugo等[15]研究发现冠层温度标准差 σTc与适度水分亏缺处理的棉花水分胁迫指数CWSI具有线性关系，而σTc与高水分胁迫的棉花没有明显的相关关系，由于研究采用卫星遥感数据，其影像空间分辨率只有2.5 m，因此未能考虑土壤像元对棉花冠层温度变异性的影响。虽然 Han等[16-17]利用EM算法（expectation-maximization algorithm）模拟玉米冠层温度的高斯分布规律，采用 EM 模型结果将冠层像元与土壤像元分离后计算冠层温度标准差（standard deviation of canopy temperature，CTSD），并分析玉米冠层温度标准差 CTSD对作物水分胁迫的响应，但是计算冠层温度标准差CTSD的同时引入了EM算法的模拟误差，仅对冠层温度标准差 CTSD进行研究，并没有分析其他可以表征冠层温度变异性的统计参数。而现阶段，应用 Canny边缘检测算法消除土壤背景干扰，对比多种冠层温度变异性统计特征数对作物水分胁迫敏感程度的研究较少。

本文利用低空无人机遥感平台获取高分辨率热红外影像，采用 Canny边缘检测算法消除热红外图像土壤背景的干扰因素，应用温度直方图规律计算冠层温度特征数。同时研究冠层温度标准差 CTSD和冠层温度变异系数CTCV与棉花生理指标、水分胁迫指数CWSI、土壤含水率（soil volumetric water content，SWC）的相关关系，并分析冠层温度特征数对诊断棉花水分胁迫的适用性。

1 材料与方法

1.1 试验地概况

试验地位于陕西省杨凌示范区西北农林科技大学中国旱区节水农业研究院（108°4′20″E，34°17′42.17″N），海拔525 m，属于温带半干旱半湿润的大陆性季风气候，年平均降水量640 mm，平均蒸发量为993.2 mm，土壤质地为中壤土，0～1 m的平均田间持水率23%～26%，凋萎含水率8.6%（为质量含水率），地下水埋藏较深，地下水向上的补给量可忽略不计，试验期间平均大气温度为35 ℃，天气晴朗，无降水事件发生 。

1.2 试验设计

为了监测不同灌溉水平下的棉花根系连续耗水变化规律，本文设计4个水分处理小区I1，I2，I3，I4，分别以50%，65%，80%，95%～100%田间持水量为灌水上限，各处理小区设置3个重复试验，小区面积为4 m×5 m，如图1所示。

图1 试验地影像Fig.1 Test area image

本研究采用西北农林科技大学农学院培育的西农棉1008，于2017年4月19日人工覆膜种植，分别施用磷肥和尿素2 250、375 kg/hm2作为底肥，每小区播种七行并配有水表，采用滴灌方式灌溉。试验开始前12个小区的棉花受到一致的水分胁迫，统一灌水并且滞后效应消失后，无人机搭载热红外传感器于2017年7月11日—7月15日在中午13:00时连续获取5 d的棉花冠层热红外图像，无人机拍摄高度为15 m，像元分辨率为0.011 m。

1.3 热红外图像的获取和处理

1.3.1 热红外图像获取

本研究使用大疆公司研发的经纬600六旋翼无人机，该无人机飞行稳定，续航能力长达40 min，可以承受最大风速8 m/s，最大起飞质量为15.1 kg，最大上升和水平飞行速度分别为5、18 m/s。热红外传感器为大疆公司禅思 XT热红外成像测温仪，该成像仪使用 FLIR系统的Tau2机芯，分辨率为640～512像素，视场角32 °H×26 °V，波段范围 7.5～13.5 μm，温度测量范围-25～135 °C，照片可存储的格式为JPEG(8 bit)/TIFF(14 bit)。使用该无人机热红外系统可以快速全天候的监测棉花冠层温度的变化情况。

1.3.2 热红外图像处理

无人机热红外图像温度的校准利用地面手持测温仪的实测温度为基准，设置辐射率为 0.96，即可得到较为精准的棉花冠层红外图像。图 2为无人机热红外传感器获取的棉花热红外影像，其中主要包括2～3种像素类型：1）阳光直接照射的土壤（紫色点）、2）阴影土壤（蓝色点）、3）棉花冠层（绿色点），因此热红外图像预处理需要将图1中紫色和蓝色点据的像素剔除，本文利用Canny边缘检测算法将干扰背景剔除。Canny边缘检测算法可以明显地识别无人机高分辨率热红外影像冠层边界像元[18]，首先对无人机热红外影像自定义坐标系，利用 Canny边缘检测算法获取棉花冠层边缘特征图像；然后应用ArcGIS软件对边缘特征栅格图像进行栅格转线，闭合线图层，线转面，得到纯冠层的面状图层；最后将提取的棉花冠层面状矢量图导入ENVI软件中，裁剪并使用建立掩膜工具和掩膜统计功能导出纯冠层像元的温度值及像元个数，温度像元频率，并绘制温度直方图计算温度统计特征数。

图2 棉花热红外影像Fig.2 Cotton thermal infrared images

通过对图2a的热红外影像进行像元分离，绘制原始热红外图像和 2种不同像元类型的温度直方图，如图 3所示。

图3 两种像元类型的热红外影像温度直方图Fig.3 Thermal infrared image temperature histogram for two types of pixel types

图3a为2种像元类型的原始热红外影像温度直方图，从图中可以看出，2种像元类型的热红外温度直方图具有双峰特点，第一个峰像元数多，温度较低，为冠层像元，而第二个峰像元少，温度较高，为土壤像元。图3b和图3c分别为棉花冠层与阳光直接照射土壤温度直方图，其形状和位置大小与原始热红外影像温度直方图比较一致。

图4a为图2b 3种像元类型的热红外影像对应的温度直方图。从图4a可以看出，3种像素物质类型分别对应温度直方图中的 3个峰，并占有不同的温度范围，阳光直接照射土壤温度最高，其对应图4a中第三个峰，阴影土壤温度次之，对应第二个峰，棉花冠层温度最低，因此对应第一个峰，并占据最多的像元数量。图 4b、4c、4d分别为棉花冠层温度，阴影土壤温度与阳光直接照射土壤温度直方图，分离后的 3种像素类型温度直方图与原始热红外温度直方图的局部具有极高的相似性。

通过Canny边缘检测算法、ArcGIS、ENVI等图像处理后，可将2种像元及3种像元类型的热红外影像分别进行像元分离并进一步统计温度特征数，Canny边缘检测算法直接对无人机热红外影像进行分割处理，相比可见光阈值法[17,19]和二值化阈值法[20]更为简单和准确。

因此 Canny边缘检测算法和热红外图像温度直方图规律是较为可行的处理无人机热红外图像背景干扰问题的方法。

图4 三种像元类型的热红外图像温度直方图Fig.4 Thermal infrared image temperature histogram for three types of pixel types

1.3.3 水分胁迫指数CWSI

本研究利用Jones[6]定义的简化水分胁迫指数CWSI，如式（1）所示。

式中Tleaf为作物冠层温度，相同的气象环境中Twet和Tdry分别代表冠层温度的下限和上限，以上参数单位均为℃。

式（1）中的Twet与Tdry利用自然叶片干湿参考面进行观测，在试验的过程中，往棉花冠层叶片喷水的方式确定Twet，选取棉花冠层生长良好的叶片，正反面涂抹凡士林测定的叶片温度为Tdry。Twet和Tdry与无人机拍摄棉花热红外图像同步进行观测。

1.4 观测指标

1.4.1 作物生理指标数据

棉花叶片的气孔导度（Gs，moL/(m2·S)）和蒸腾速率（Tr，mmoL/(m2·S))采用美国Licor公司LI-6400便携式光合仪进行测定，每个水分处理小区选取代表性较好的3株棉花，倒三叶测定，并重复3次。

1.4.2 土壤水分数据

土壤体积含水率的采集使用北京联创思源公司三探头水分传感器，分别埋置每个试验小区中央15、30、45 cm的土层深度，传感器探头有效监测半径10 cm，采集间隔30 min。土壤水分传感器采集的土壤体积含水率数据利用土钻取土烘干法校准后作进一步的研究分析使用。

2 结果与分析

2.1 棉花冠层温度直方图分析

2.1.1 棉花冠层温度直方图规律

通过对无人机热红外图像的预处理，消除土壤背景影响，并绘制不同水分处理的棉花冠层温度直方图（图5）。

从图 5可以看出，不同水分处理的棉花冠层温度直方图整体上呈现单峰的偏态分布，从统计学规律来看，不同小区冠层温度直方图存在较大的差异。图5a为水分胁迫严重小区I1，从图中可知，I1小区的冠层温度变化范围为29.7～44.0 ℃，极差14.3 ℃，冠层温度像元最大频率为0.019，由于冠层温度直方图的主要贡献像元集中在温度直方图的前部，并且尾部像元温度误差较大，因此本文取冠层温度直方图 95%的累计像元为小区有效温度像元取值，由图5a可知，I1小区的有效温度区间为29.7～36.0 ℃。图5b为I2小区的冠层温度直方图，其温度像元变化范围为28.5～40.0℃，极差为11.5℃，温度像元最大频率为0.02，冠层有效温度范围为28.5～34.8 ℃，冠层温度的变异性小于I1小区。由图5c可得，I3小区的冠层温度范围为29.1～38.5 ℃，极差9.4 ℃，温度像元最大频率为 0.024，冠层有效温度范围为 29.1～34.4 ℃。图5d为充分灌溉对照组I4小区，其冠层温度的变化范围最小，温度像元的最大频率达到0.026，冠层有效温度范围为 27.8～31.0 ℃，而冠层温度像元主要集中在较低的温度范围，并且温度的离散性小。

图5 不同处理小区棉花冠层温度直方图Fig.5 Different treatment plots cotton canopy temperature histogram

2.1.2 棉花冠层温度直方图特征数分析

通过对冠层温度直方图作基本统计分析即可得到冠层温度特征数：冠层温度标准差 CTSD表征无人机热红外影像采集的试验小区冠层像元温度的离散程度大小，冠层温度变异系数CTCV表示冠层像元温度离散程度的无量纲数值，冠层温度最大频率为试验小区冠层相同温度像元个数最多的频率，冠层温度极差表示试验小区最大温度与最小温度之差。图 6为不同水分处理小区的有效冠层温度区间、CTSD、CTCV、冠层温度最大频率以及冠层温度极差的变化趋势。

如图6a所示，不同小区冠层有效温度范围存在较大的差异，I1小区的冠层温度区间较宽，并且冠层温度高，I4小区的有效冠层温度区间窄，冠层温度较低，而 I2与I3小区的有效冠层温度范围也具有明显的差异性，其变化趋势介于 I1与I4小区之间。随着水分胁迫的减弱，棉花冠层温度逐渐减小，有效冠层温度的区间变窄，因此水分胁迫越强，棉花冠层温度的差异性越大，冠层温度的离散程度也越强。

由图6b可知，I1、I2、I3、I4小区的棉花冠层温度标准差CTSD分别为 5.6、3.6、3.3、2.3，4个水分处理小区冠层温度具有较好的差异性，I1、I2、I3、I4小区的棉花冠层温度变异系数CTCV分别为0.168、0.111、0.103、0.101，I1小区的冠层温度变异系数CTCV明显高于I2、I3和I4小区的冠层温度变异系数，从不同小区水分胁迫的趋势来看，CTCV也可以说明不同水分处理小区冠层温度存在差别，并与水分胁迫强度呈正比关系。

图6 不同水分处理小区的统计参数Fig.6 Statistical parameters of different treatment plots

图6c表明，不同小区冠层温度直方图的最大像元频 率关系为I4＞I3＞I2＞I1，可知I4小区冠层温度像元的数量最多，而I1小区的冠层温度像元最少，4种水分胁迫处理形成不同覆盖度的棉花冠层，因此棉花冠层像元数量随水分胁迫的增加而递减。图6d中，4个水分处理小区的极差大小关系为 I1＞I2＞I3＞I4，I1为水分严重亏缺小区，I1小区的棉花冠层表面受阳光直接照射的叶片温度是 4个水分处理最高的小区，而棉花冠层下部阴影叶片的温度小于阳光直接照射叶片的温度，因此 I1小区冠层温度直方图的温度范围变化大，温度的变异性也大。I4小区为充分灌溉对照组，该小区处于充分供水状态，棉花冠层顶部受阳光照射的叶片温度小于其他水分处理的叶片温度，而下部的冠层阴影叶片温度同样较低，温度的离散性相对较小。

通过以上分析，无人机热红外图像获取的不同水分胁迫棉花冠层温度具有显著性的差异，随着水分胁迫的减弱，冠层温度有效区间变窄，冠层温度降低，CTSD、CTCV、冠层温度极差明显减小，冠层温度最大频率上升。因此，冠层温度的离散程度（本文选取的统计学特征数有标准差SD，变异系数CV）与作物水分胁迫具有较强规律性。

2.2 冠层温度特征数的变化趋势

利用每天13:00无人机采集的棉花热红外图像，消除土壤背景影响然后计算不同水分处理小区的棉花冠层温度标准差CTSD和冠层温度变异系数CTCV，图7为冠层温度特征数CTSD与CTCV的变化趋势。

图7 棉花冠层温度特征数变化趋势Fig.7 Variation trend of cotton canopy temperature characteristics

图7a为4个水分处理小区的冠层温度标准差CTSD变化趋势图，从图7a中可知，随着小区灌水后日期的推移，4个处理小区的棉花冠层温度标准差CTSD都逐渐增大，并且I1、I2、I3、I4小区具有明显的差异。I1为水分胁迫严重小区，其冠层温度标准差 CTSD的变化范围为5.2～6.4，高于其他水分处理小区的CTSD，而I2与I3小区冠层温度标准差CTSD也呈现逐渐增大的变化趋势。I4为充分灌溉小区，其CTSD的变化范围为2.4～4.1，从图中总的变化趋势可知，I4小区的CTSD数值较小，其冠层温度标准差CTSD折线处在图中的最低位置。图7b为棉花冠层温度变异系数CTCV的折线图，从图中4个水分处理小区的总体变化趋势分析可知，棉花冠层温度变异系数CTCV与水分胁迫程度呈正相关关系，冠层温度变异系数可以表征不同水分处理小区的温度差异性，图 7b中7月13日的I1小区CTCV偏高，可能由于7月13日的平均大气温度较高，在13:00时，I1小区表现出短暂的极度缺水状态。

4个水分处理小区同时灌水后，随着时间的推移，土壤水分逐渐被棉花根系活动层消耗，棉花冠层温度数字特征CTSD和CTCV具有较明显的变化规律，都呈现增大的趋势，因此棉花冠层温度特征数可以响应作物水分胁迫状况。

2.3 冠层温度特征数与生理指标的关系研究

棉花叶片的气孔导度Gs和蒸腾速率Tr真实的表征棉花叶片水分状况，可以作为诊断农作物水分亏缺的有效生理指标[21-25]，因此利用气孔导度Gs与蒸腾速率Tr可以验证棉花冠层温度特征数CTSD和CTCV与作物水分胁迫的关系，如图8为CTSD和CTCV分别与气孔导度Gs与蒸腾速率Tr的关系模型。

图8 棉花冠层温度指标与生理指标的相关关系Fig.8 Correlation between cotton canopy temperature index and physiological indexes

从图 8可以看出，棉花冠层温度特征数 CTSD和CTCV与棉花叶片气孔导度Gs与蒸腾速率Tr呈现显著的负相关关系（P＜0.05）。冠层温度标准差CTSD和冠层温度变异系数 CTCV与棉花叶片气孔导度 Gs的决定系数R2都达到0.85以上，具有较强的线性关系，从图8a和8c可知，气孔导度Gs越大，冠层温度标准差CTSD和冠层温度变异系数 CTCV越小，因此水分胁迫越弱，则CTSD和CTCV越小。同样，从图8b和8d也可知，冠层温度标准差CTSD与冠层温度变异系数CTCV与蒸腾速率Tr的决定系数R2分别为0.625和0.583，并且达到显著性相关水平（P＜0.05），蒸腾速率Tr越大，水分胁迫强度越弱，则对应的冠层温度特征数越小。

图8e可知，传统热红外温度指标CWSI与Gs的关系模型精度低于本文的冠层温度特征数与 Gs的模型精度，从图8f中可得，冠层温度特征数和传统热红外温度指标CWSI与Tr的模型精度大致相同，相关关系没有较大的提高。

从以上分析可知，冠层温度特征数 CTSD和 CTCV与棉花叶片气孔导度Gs和蒸腾速率Tr具有较强的相关关系，因此冠层温度特征数可以间接的响应棉花叶片水分消耗，并进一步诊断棉花的水分胁迫状况。冠层温度特征数相比传统热红外温度指标 CWSI响应作物水分状况的精度有所提高，其计算仅仅利用冠层纵向温度差异性和冠层温度横向的离散程度表征作物水分胁迫状态，极大的简化了无人机热红外诊断作物水分的应用基础，因此冠层温度特征数在计算方法与诊断精度上都具有较大的实践优势和应用潜力。

2.4 冠层温度特征数与水分胁迫指数CWSI的关系

本研究在试验阶段同步监测简化水分胁迫指数CWSI。利用干湿参考面计算的简化水分胁迫指数 CWSI在葡萄、橄榄、甘蔗、马铃薯、棉花等都有较多的研究[7,26-29]，水分胁迫指数 CWSI是传统上诊断作物水分亏缺的温度指标，具有较为广泛的理论应用价值，因此利用水分胁迫指数CWSI验证CTSD和CTCV与水分亏缺关系不失为一种可行的方法，图 9为冠层温度特征数与水分胁迫指数CWSI关系模型。

图9 棉花冠层温度数字特征与CWSI的关系Fig.9 Relationship between cotton canopy temperature characteristics and CWSI

由图9可知，冠层温度特征数CTSD和CTCV与水分胁迫指数CWSI具有较好的线性相关性，决定系数R2分别为0.673和0.620，均达到显著水平（P＜0.05）。可以看出，棉花水分亏缺越强，水分胁迫指数 CWSI越大，则对应的棉花冠层温度特征数CTSD和CTCV随之增大。对比CTSD和CTCV与水分胁迫指数CWSI的关系模型，冠层温度标准差 CTSD的相关关系高于冠层温度变异系数CTCV与CWSI的相关性。

2.5 冠层温度特征数与土壤水分的关系研究

棉花根系土壤水分是最直接反映作物水分亏缺的诊断指标，张振华等[11]研究表明红外温度指标与冬小麦根系土壤含水率具有相关关系，利用土壤水分数据在一定程度上可以说明冠层温度特征数对作物水分胁迫的敏感性。本文同步采集花铃期棉花根系活动层0～60 cm的平均土壤体积含水率，图10为冠层温度特征数与土壤体积含水率的关系模型。

图10 棉花冠层温度数字特征与土壤体积含水率的关系Fig.10 Relationship between temperature characteristics of cotton canopy and soil volumetric water content

图10可得，冠层温度特征数与土壤体积含水率呈现幂函数的关系，土壤含水率越高，则冠层温度特征数越小，这比较符合前面已经总结出的规律，即水分胁迫越强，冠层温度特征数越大。冠层温度标准差CTSD与SWC的相关性较高，决定系数 R2为 0.55，达到显著性水平（P＜0.05），而冠层温度变异系数CTCV与SWC的相关性虽然达到显著水平，但相对CTSD与SWC的相关性来说，其决定系数R2低，相关关系并不理想。

通过以上分析，冠层温度特征数CTSD和CTCV与土壤含水率SWC具有一定的相关性，并且冠层温度特征数与土壤含水率呈现幂函数关系，以 70%的田间持水率为水分胁迫临界值，则CTSD和CTCV的胁迫阈值分别为3.0，0.1。冠层温度标准差CTSD与作物水分胁迫关系较好，决定系数R2高，因此冠层温度标准差CTSD对作物水分亏缺更为敏感，CTSD能较好的诊断作物水分胁迫状况。

3 讨 论

文章尝试探索新的热红外温度指数诊断作物水分胁迫状况，由于传统水分胁迫指数 CWSI的计算需要较多参数，下基线确定没有统一的计算标准，并易受气象因素的干扰[30]，推广使用具有较大的难度[31]，因此水分胁迫指数 CWSI的实践应用需要不断探索与研究。从棉花冠层热红外图像分析可以看出，棉花冠层阳光直接照射的叶片与阴影叶片的温度具有纵向差异性，受到太阳高度角的影响，棉花冠层具有横向的温度差别。本文提出冠层温度直方图的规律，即不同作物水分胁迫状况的冠层温度直方图具有离散和差异性规律，选取统计学表征离散程度的特征数标准差SD和变异系数CV，利用作物生理指标气孔导度 Gs，蒸腾速率 Tr和水分胁迫指数CWSI，土壤体积含水率SWC对冠层温度特征数的规律进行理论验证和分析，并且得到较好的效果。冠层温度特征数的计算不依赖任何气象因子，仅需要无人机获取的作物冠层热红外影像，Canny边缘检测算法得到冠层边缘特征栅格图，并利用ArcGIS和ENVI软件对其进行图像裁剪、掩膜统计等图像处理，直接剔除土壤背景后绘制冠层温度直方图，并对其作基本的统计分析，得到冠层温度特征数，本文应用的计算方法具有简单可行的实践基础，相比传统的热红外指数 CWSI具有较高的模型精度和应用潜力。

同时本研究存在不足，本文在棉花花铃期连续试验和监测5 d，虽然可以动态连续观测4种水分处理小区的棉花根域活动层水分消耗状况，但本研究提出的理论方法主要针对棉花花铃期的规律特征，因此后续工作将以本文为基础对棉花其他生育期作进一步的研究和探讨。

4 结 论

本文应用无人机高分辨率热红外图像的冠层温度直方图规律，提出冠层温度直方图的统计学特征数冠层温度标准差（standard deviation of canopy temperature，CTSD）和冠层温度变异系数（canopy temperature coefficient of variation，CTCV）作为指示作物水分胁迫的新指标，并得出以下结论：无人机高分辨率热红外影像的冠层温度特征数与棉花叶片气孔导度，蒸腾速率，水分胁迫指数（crop water stress index，CWSI）和作物根系活动层土壤体积含水率（soil volumetric water content，SWC）具有较强的相关关系，通过验证与分析，无人机冠层温度特征数可以诊断棉花花铃期的水分胁迫状况。冠层温度标准差CTSD与棉花叶片气孔导度，蒸腾速率，水分胁迫指数 CWSI和作物根系活动层土壤体积含水率SWC的决定系数R2分别为0.884、0.625、0.673、0.550，均高于冠层温度变异系数CTCV与它们的决定系数R2，冠层温度标准差CTSD相比冠层温度变异系数CTCV能更好的响应棉花花铃期的水分胁迫状况。