基于无人机热红外遥感的冬小麦水分胁迫研究

2019-03-21姚志华陈俊英张智韬魏广飞许崇豪谭丞轩

节水灌溉 2019年3期

姚志华，陈俊英，张智韬，边江，魏广飞，许崇豪，谭丞轩

(1.西北农林科技大学水利与建筑工程学院，陕西杨凌 712100；2.西北农林科技大学旱区农业水土工程教育部重点实验室，陕西杨凌 712100)

0 引言

及时准确地获取作物水分胁迫状况对提高农业用水效率，指导农业生产有着十分重要的意义[1]。针对作物水分胁迫的研究，国外的学者起步较早，Tanner[2]早在1963年便发现了冠层温度与作物水分胁迫之间存在着一定的关系。随后，Idso等在1981年提出了计算CWSI的经验关系式[3]。由于经验法存在着基线方程不稳定的问题，Jackson等[4]在冠层能量平衡的基础上提出了理论计算模式，得到了广泛的认可。为了简化CWSI的计算，使其能够更好地用于实践，Jones等[5-7]利用干湿参考面实测温度来代替基线温度，这种简化算法因为热红外画像技术的普及得到了更广泛的应用[8,9]。在我国，张仁华等[10]最早采用遥感信息研究作物缺水状况。随后，蔡焕杰等[11]尝试采用冠层温度来诊断小麦的缺水状况，袁国富等[12]则着重比较了作物水分胁迫指数CWSI的经验模式和理论模式在我国华北平原地区冬小麦上的应用。

虽然冠层温度是判断作物缺水的一项非常重要的指标[13]，但作物的水分状态往往与多种因素有关。赵焕等[14]研究发现土壤湿度降低会使作物的生长受到水分胁迫，Junzeng Xu等[15]的研究则证明了CWSI与气孔导度、蒸腾速率、净光合速率之间有着密切的关系。随后，有较多的学者开始开展相关的研究，并取得了一定的进展[16-18]。然而，传统的遥感设备采集图像存在分辨率低、处理困难等问题，且与采集的其他作物指标存在着时间上的滞后性，难以准确地反映出作物水分胁迫状况。近年来，由于无人机遥感技术采集图像具有高时效、高分辨率、低成本、低风险等特点，在国内外被广泛应用。BALUJA等[19]利用无人机热红外和多光谱图像来评估葡萄园内水状态的空间变异性，RUD等[20]则以马铃薯为研究对象利用无人机热红外图像获取CWSI数据评估水分状况。在我国，张智韬等[21,22]借助无人机遥感平台，对棉花的水分胁迫状况进行了重点研究，并取得一定成果。张立元等[23]则利用获取的无人机数据对大田玉米水分胁迫指数经验模型的建立方法进行了探究。

然而，利用无人机针对冬小麦的水分胁迫研究相对较少。因此，本文以不同水分处理的冬小麦为研究对象，利用无人机热红外遥感平台，结合作物生理指标数据(Gs、Tr)和土壤水分数据，分别采用一元和多元线性回归方程建模并验证，对四个生育期的冬小麦进行了水分胁迫研究。

1 材料与方法

1.1 研究区概况

试验田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°04′E，34°17′N，海拔523 m)。该区域属于暖温带季风半湿润气候区，年平均降雨量650 mm，平均蒸发量1 000 mm，年平均气温在15 ℃左右，极端高温42 ℃，极端低温-19.4 ℃，主导风向为东风和西风，全年无霜期200 d。试验田土壤质地为中壤，田间持水率为25%(质量含水率)，凋萎含水率为8.3%，平均土壤干容重为1.44 g/cm3，有机碳含量8.25 g/kg，全氮含量0.65 g/kg。试验田面积约333 m2，配备有移动式遮雨棚以及可读数水表来进行控水，同时周围地势开阔，卫星信号良好，可以保证无人机数据的正常采集。

1.2 试验设计

试验田冬小麦于2017年10月12日播种，于2018年6月14日成熟收获。试验采用小区进行，共分为12个小区，每个小区面积4.3 m×4.6 m，小麦种植行数20行，行距30 cm，每行种植小麦为31.25 g，同时设置宽度为2 m的保护行，试验田中间预留道路宽1 m。试验设置4个水分梯度，分别为田间持水量的50%、65%、80%、95%，每个梯度设置3个重复试验，共分为4个灌水时期进行试验：拔节期、抽穗期、开花期和灌浆期，试验前后用打土钻取土的方式对田间水量作校准。

1.3 数据的采集与处理

1.3.1 作物热红外图像数据

热红外图像采集使用的是大疆公司生产的经纬M600六旋翼无人机搭载禅思XT热红外相机来进行。该相机的波段范围是7.5～13.5 μm,空间分辨率为640×512像素，镜头焦距19 mm。热红外图像的采集分别选在小麦长势良好、地面覆盖度较大的生育期中一天，包括拔节期(2018年3月15日)、抽穗期(2018年4月3日)、开花期(2018年4月19日)和灌浆期(2018年5月14日)。每天共采集两次，分别为上午的11∶00和下午的1∶00。无人机飞行高度为15 m，在每个小区上方悬停并拍摄照片2～3张，镜头垂直向下，采集图像分辨率为0.015 m。

1.3.2 作物生理指标数据

气孔导度(Gs，mmol/(m2·s))和蒸腾速率(Tr，mmol/(m2·s))的测定使用的是美国 Licor 公司生产的 LI-6400 型便携式光合测定仪，在无人机飞行结束后，从12个小区的每个小区均匀选择3株长势良好的麦苗植株叶片进行测量，最后取3株数据平均值作为该小区的作物生理指标数据。

1.3.3 土壤水分数据

土壤水分数据的采集使用的是美国Decagon公司所研制的EM50土壤水分数据采集器，EM50共有5个感应土壤水分的探头，分别被埋设在10、20、30、40、60 cm的深度处，可以采集小区不同土层深度处的土壤水分，采集器每30 min记录一次数据，数据导出后筛选出与无人机采集同步时间范围内的水分数据，最终取5个不同深度处数据的平均值作为观测结果。

1.3.4 数据的处理

在本研究中，无人机数据采集前，需要选择特定的小麦植株，在小麦叶片两面涂抹凡士林封闭气孔来作为干参考面Tdry，同时以往叶片表面喷水的方式来确定湿参考面Twet，干湿参考面以及冠层温度Tc的数值均通过热红外图像提取，同时以地面手持红外测温仪测得实测温度进行校准。本文中作物水分胁迫指数的计算采用的是简化算法[5-8]，主要包括3种不同的简化模型(CWSI、IG、ICWSI)，均用到了干湿参考面和冠层温度信息，具体计算公式如下：

(1)

(2)

(3)

式中：Tdry为干参考面温度；Twet为湿参考面温度；Tc为冠层温度。

1.4 数理统计与建模评价

1.4.1 建模集和验证集的划分

本次试验共采集了冬小麦拔节期、抽穗期、开花期、灌浆期4个生育期4 d的数据，每天采集两次，每次采集12个小区，总试验数据为96个，从中随机选取2/3的样本(n=64)作为建模集，1/3的样本(n=32)作为验证集，最终建模集与验证集的样本比例为2∶1，保证了建模集样本与验证集样本在一定范围内的均匀性，从而更有利于评估模型的整体性能。

1.4.2 模型评价标准

试验分别建立不同水分胁迫指数与气孔导度(Gs)、蒸腾速率(Tr)和土壤含水率(SWC)的一元线性模型和多元线性回归模型，对于模型的精度采用R2作为评价指标，R2越接近于1，说明回归方程对样本数据点的拟合优度越高;反之，R2越接近 0，拟合优度越低。模型的预测效果通过验证R2和相对分析误差RPD两个参数来检验，验证R2和相对分析误差RPD越大，表征模型的预测反演效果越好。这两个参数的计算公式如下：

(4)

(5)

2 结果与分析

2.1 水分胁迫指数与不同指标的相关性分析

通过对采集的数据进行整理和汇总，对样本数据中的气孔导度(Gs)、蒸腾速率(Tr)和土壤含水率(SWC)分别与不同的水分胁迫指数(CWSI、IG、ICWSI)进行相关性分析，并绘制出散点图，结果见图1～3。

图1 CWSI与不同指标的相关性分析Fig.1 Correlation analysis of CWSI with different indicators

图2 IG与不同指标的相关性分析Fig.2 Correlation analysis of IG with different indicators

图3 ICWSI与不同指标的相关性分析Fig.3 Correlation analysis of ICWSI with different indicators

从图1可以看出，CWSI随着叶片气孔导度(Gs)、蒸腾速率(Tr)和土壤含水率(SWC)的增大而减小，CWSI与各项指标呈现显著的负相关关系(R2分别为：0.747 4、0.665 3、0.800 1)，而图2则反映出IG与气孔导度(Gs)、蒸腾速率(Tr)和土壤含水率(SWC)等指标呈现显著的正相关关系(R2分别为：0.747 2、0.645 8、0.736 6)，说明IG的值越大，作物受到水分胁迫的程度越明显。图3则证明了ICWSI与各项指标呈现显著的负相关关系(R2分别为：0.701 2、0.663 8、0.779 7)，与图1的情况类似。从图1～3可以看出气孔导度(Gs)、蒸腾速率(Tr)和土壤含水率(SWC)与不同的水分胁迫指数之间均有较强的相关关系，可以用来同步反映冬小麦的水分胁迫状况。

2.2 一元线性模型的建立与分析

利用建模集中的样本分别建立不同水分胁迫指数与作物生理指标及土壤水分之间的一元线性模型，同时对模型进行相关性分析和F显著性检验，结果汇总见表1。

表1 水分胁迫指数与各指标的一元线性模型Tab.1 Unitary linear model of water stress index and each index

从表1中可以看出，CWSI、IG、ICWSI与Gs、Tr、SWC的建模决定系数均达到了0.6以上，为了进一步验证这9个模型的预测效果，将验证集中的各个指标数据代入模型中，然后将模型实测值与预测值做相关性分析，求出二者之间的拟合方程，同时绘制出1∶1关系图，结果汇总见图4。

通过图4观察发现，不同水分胁迫指数与各项指标所建立的一元线性模型均展现了较好的预测效果，验证R2分别达到了0.818 9、0.786 4、0.856 9、0.797 8、0.789 7、0.829 3、0.811 3、0.796 8、0.820 1，其中模型3的验证R2为0.8569，相对分析误差RPD为2.5997，是9个模型中的最大值，说明在一元线性模型中，土壤含水率对CWSI的反演预测效果更明显，而模型4和模型7的验证R2和相对分析误差RPD则相对较小，说明气孔导度对水分胁迫指数的预测效果要小于蒸腾速率和土壤含水率。同时，把9个模型一起比较可以发现，模型1、2、3的验证R2和相对分析误差RPD相比模型4、5、6和模型7、8、9更大一些，这表明用各项指标来反演不同的水分胁迫指数时，CWSI的预测效果最好。

2.3 多元线性回归模型的建立与分析

为了探究各个指标对水分胁迫指数的综合影响，分别建立水分胁迫指数与不同指标的多元线性回归模型，共计3个，结果汇总见表2。

表2 水分胁迫指数与各指标的多元线性模型 Tab.2 Multivariate linear model of water stress index and each index

从表2可以看出不同水分胁迫指数与各个指标的多元线性回归模型建模决定系数都达到了0.8以上，表现为显著相关。为进一步检验模型的预测效果，将验证集中的作物指标数据代入模型中求出不同水分胁迫指数的预测值，并将实测值与预测值作比较，绘制两者之间的1∶1关系图，结果汇总见图5。

由图5对比发现，3个模型中，模型10的预测效果最佳，验证R2和相对分析误差RPD分别达到了0.928 1和3.041 0，模型12次之，分别为0.902 5和3.035 9，模型11的验证R2和相对分析误差RPD最小，分别为0.901 4和2.753 1，说明在多元线性回归模型中，用各项指标来反演CWSI可以达到更好的预测效果，这与一元线性模型得出的结论类似。