覆盖度对无人机热红外遥感反演玉米土壤含水率的影响

2019-09-10张智韬许崇豪谭丞轩韩文霆

农业机械学报 2019年8期

张智韬许崇豪谭丞轩边江韩文霆

(1.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； 2.西北农林科技大学水利与建筑工程学院，陕西杨凌 712100； 3.西北农林科技大学水土保持研究所，陕西杨凌 712100)

0 引言

作物根系吸收的土壤水分超过90%通过蒸腾作用散发到空气中，而作物正是通过蒸腾作用维持冠层温度的平衡[1]。1963年，TANNER[2]首次提出采用冠层温度指示作物水分状况，此后许多学者对这一问题进行了研究，证明冠层温度可以作为评价作物缺水的指标[3-5]。文献[6]通过对玉米的研究发现，基于冠层温度的作物缺水指标与土壤水分有显著的线性关系；文献[4]试验发现，土壤水分对冠层温度在12：00—15：00时间段的影响最大。但在大田试验中，冠层温度不仅受土壤水分影响，空气温度等环境因素[7-9]也能影响冠层温度，因而若用冠层温度单一指标反演土壤含水率，其精确度并不高，许多学者由此提出利用冠层温度与大气温度差值预测作物或土壤水分状况[10-12]，并取得了较好的效果。以上冠层温度均是通过手持式测温仪获取的“点”数据，耗时、耗力，且对大面积区域不具代表性。随着无人机技术的成熟，基于无人机搭载热红外成像仪获取作物冠层温度，并用于旱情监测成为近几年研究的热点[13-14]。

国外利用无人机热红外技术获取冠层温度信息，并用于诊断作物或土壤含水率的研究较早[15-17]，国内则处于起步阶段[18-19]。当植被覆盖度较低，无人机热红外图像提取的温度信息是作物冠层和土壤的混合温度，因此剔除土壤背景是获得准确冠层温度的关键。目前，针对剔除热红外图像中的土壤背景问题，已有研究通过一些边缘检测算子[20]直接提取热红外图像中的特定地物[21-22]，但是这种方法要求热红外图像具有极高的分辨率。大田试验中为满足拍摄面积的需要，无人机飞行高度偏高导致热红外图像分辨率偏低，故仅仅依靠热红外影像往往不能把土壤和作物很好地区分开[23-24]。基于同一高度拍摄的可见光图像分辨率远高于热红外图像分辨率这一特点，文献[25]利用无人机热红外图像与数码影像相结合的方法提取大田玉米的冠层温度，经验证，提取的冠层温度与地面实测值具有高度一致性。但关于不同土壤背景剔除方法对冠层温度提取的影响还少有人研究。

此外，作为植被的表型参数，植被覆盖度是反映植被基本情况的客观指标, 在许多研究中常将其作为基本的参数或因子[26]。一些研究认为，植被覆盖度能够影响冠层温度的变化幅度[27]和冠层温度[25]，也有研究[28-29]指出，植被覆盖度与表层土壤水分含量、地表温度都存在一定的关系。而结合覆盖度的冠层温度反演土壤含水率却少有人研究，利用覆盖度通过比值法将某一区域冠-气温差平均值进行单位化处理，由此反演土壤含水率更未见报道。

本文以拔节期的大田玉米为对象，利用短时间内拍摄的同一试验区域的可见光(RGB)与热红外图像，经不同分类方法剔除图像中土壤背景，获取玉米覆盖度及玉米冠层温度。在此基础上，探究覆盖度对冠层温度的影响，并利用冠-气温差、冠-气温差与覆盖度之比反演不同深度土壤含水率，以确定冠-气温差与覆盖度之比反演土壤含水率的效果及最佳深度。

1 材料与方法

1.1 试验区域概况

试验区域位于内蒙古自治区鄂尔多斯市达拉特旗昭君镇，东经109°36′，北纬40°25′，海拔1 010 m。属于典型温带大陆性气候，干燥少雨，冬寒夏热，昼夜温差大，年均日照时数约3 000 h，年均气温6.1～7.1℃，无霜期135～150 d，太阳能、风能资源充裕。年均降水量240～360 mm，主要集中在7—9月。试验地土壤为砂壤土，0～90 cm深度平均田间持水率为18.5%(体积含水率)，土壤容重为1.56 g/cm3。

1.2 试验设计

试验地(图1a)为半径60 m的圆状区，面积为1.13 hm2，将其划分为5个等面积的扇形区域，每个扇形区域的灌水量不同(相当于5个水平处理)，每个扇形区域设置3个6 m×6 m的正方形采样区(相当于3个重复)，每个正方形采样区按对角线设置A、B、C3个采样点(图1c)，每次试验数据采集在这3个点上进行。在每个扇形区域的中心埋设有小型气象站(高度2 m)，记录空气温湿度、风速等；在T2、T3、T4、T5扇形区域中心以及喷灌机轴心标有事先用RTK(Real-time kinematic)测定的5个地理位置几何控制板(图1b)，用于图像拼接的几何校正。

玉米播种时间为2018年5月11日，出苗时间为5月18日，收获时间为2018年9月8日，全生育期历经114 d。玉米播种深度约5 cm，行距50 cm、株距25 cm，行沿东西走向。灌溉方式采用中心轴式喷灌机。对于扇形区域T1进行充分灌溉(田间持水率的95%)，将其作为不受水分胁迫的试验区域；对于扇形区域T4进行严重的水分胁迫处理(田间持水率的40%)；T2、T3、T5水分梯度分别设置为田间持水率的80%、70%、60%。灌溉量通过安装在喷灌机上的流量计(MIK-2000H型)控制，但由于其误差较大以及大田试验易受降水的影响，实际灌溉量可能存在偏差，特别是对于严重水分胁迫处理的T4区域，即使试验前不灌溉，其实际土壤含水率也可能高于试验方案中设计的土壤含水率(40%田间持水率)。

图1 试验区域布置图Fig.1 Layouts of test area

1.3 无人机图像及地面数据获取

在玉米拔节期，选择天气晴朗无风的日期，分别在2018年7月4日、7月8日、7月12日、7月17日进行无人机图像以及地面数据的采集，采集时间集中在每天的12：00—15:00(北京时间)之间。

(1)可见光(RGB)图像的获取

利用大疆精灵4Pro型无人机获取可见光(RGB)图像。无人机整机质量1 388 g，续航时间可达30 min。相机2 000万像素，图像采用3∶2宽高比，对应最大分辨率为5 472像素×3 648像素。试验中无人机飞行高度50 m，重叠度90%，对应地面分辨率1.25 cm，按照规划的飞行航线对试验地进行拍摄。飞行时间在12:30—13:00，采集整个试验区域大约用时25 min。

(2)热红外图像的获取

自主研发的六旋翼无人机，飞行姿态平稳，续航时间30 min以上，最大起飞质量15 kg。利用搭载的640像素×512像素VuePro 640R型热成像仪获取热红外图像，VuePro 640R型热成像仪质量130 g，镜头焦距19 mm，视场角32°× 26°，波长范围7.5～13.5 μm。无人机飞行高度60 m，重叠度85%，对应地面分辨率7.8 cm。飞行时间在12:00—12:30，采集整个试验区域大约用时20 min。

(3)地面数据的采集

无人机图像采集完成后，进行地面数据采集，主要是大气温度和土壤含水率。土壤含水率的测定采用传统的取土干燥法(精确度高)，在每个正方形采样区的中心进行土钻取土，取土深度为10、20、30、45、60 cm，土样取出后迅速装入铝盒进行称量，放入干燥箱在105℃温度下干燥8 h后再称量，计算土壤质量含水率，乘以土壤容重得土壤含水率(SMC)。4次试验T1～T5区域不同深度的土壤含水率列于表1。大气温度从埋设在扇形区域中心的小型气象站下载，5个扇形试验区域对应5个大气温度。

表1 T1～T5区不同深度的土壤含水率Tab.1 Soil water content at different depths in T1～T5 zones %

1.4 无人机图像的处理

1.4.1图像拼接与配准

为得到完整的试验区图像，需要将无人机一次试验拍摄的图像进行拼接。采用PIX4D mapper软件，拼接过程中需要导入事先用RTK(Real-time kinematic)测定的5个地面控制点的矢量文件，并通过5个几何控制板(图1)手动校准，确保拼接后图像中地理坐标与实际地理坐标一致。为保证两幅拼接图像中的地物更加吻合，还需对热红外与可见光(RGB)图像进行配准。利用ENVI Classic软件，以可见光(RGB)图像为基准图像，热红外图像为配准图像，手动选取两幅图像中同一地物明显的特征点(本研究中均选取15个以上)进行配准。

1.4.2热红外图像的温度转换与校准

VuePro 640R型热成像仪获取的热红外原始图像是灰度图像，需用配套的转换公式(T=0.04VDN-273.15，式中T为温度，VDN为灰度)将灰度图像转换为温度图像。为降低误差，还需进行温度校准，方法如图2所示，利用各个方向反射率相同的“黑布”“灰布”各一块(标准反射板，其反射率见表2)，以及近似黑体的一盆水，通过查阅非金属发射率，确定标准反射板的发射率(比辐射率)在0.94～0.96之间，水的发射率为0.96。当无人机升至60 m高度时获取3个地物的热红外图像并提取温度，同时用手持热红外测温仪(美国雷泰RayTek ST60+型，光谱响应范围8～14 μm，辐射率设置为0.97，测温范围-32～600℃，测量精度± 1% 或± 1℃中较大者)测定3个地物的温度，为保证测定温度的准确性，测定时手持热红外测温仪垂直地面(与无人机热红外成像仪观测角度一致，即垂直地面)扫描“黑布”“灰布”及水，由此得出的数值是扫射路径温度的平均值，并且每个物体扫射3次，再取平均值。建立图像温度与实测温度的关系式(图2b中关系式为4次试验温度校准关系式)，即温度校准式。热红外图像的温度转换与校准工作均在ENVI软件中通过波段运算完成。

图2 温度校准方法Fig.2 Temperature calibration method

1.4.3可见光(RGB)图像中的植土分离

可见光(RGB)图像的分辨率较高，因此在可见光(RGB)图像中对地物进行分类进而提取玉米冠层比较容易实现。本研究采取灰度分割法[30]、RGRI[31]植被指数法和GBRI植被指数法3种分类方法对可见光(RGB)图像中玉米植株冠层与土壤分类，对比哪种方法更适用于大田玉米的分类。

表2 RedEdge多光谱相机参数及反射板对其中心波长的反射率Tab.2 RedEdge multispectral camera parameters and reflectance of reflector to its center wavelength

由于可见光(RGB)图像中绿(G)波段对植物的绿反射敏感，蓝(B)波段对叶绿素浓度反应敏感，尝试通过绿(G)波段与蓝(B)波段比值来进行分类从而提取玉米的冠层区域，由此提出GBRI植被指数。

灰度分割法的前提是已知灰度分割区间，本研究在每次试验获取的可见光(RGB)图像中分别选取30个玉米植株和土壤的代表区域，统计玉米植株和土壤的绿(G)波段灰度，通过直方图对比发现两者并无明显的交叉区域(图3为7月4日玉米植株冠层与土壤样本的灰度直方图)，因此采用玉米植株绿(G)波段作为灰度分割波段，并确定玉米植株冠层的灰度区间(图3中左侧为玉米冠层灰度区间，右侧为土壤灰度区间)，得到最终分类图像，对分类图像进行二值化处理提取玉米冠层矢量文件。

图3 玉米冠层与土壤的G波段灰度直方图(2018-07-04)Fig.3 Histogram of G band DN value of corn canopy and soil (2018-07-04)

图4 玉米冠层与土壤的RGRI值直方图(2018-07-04)Fig.4 Histogram of RGRI values of corn canopy and soil (2018-07-04)

植被指数分类法需要确定阈值，本研究在植被指数RGRI(或GBRI)图像中分别选取30个玉米植株冠层与土壤的代表区域，利用直方图统计玉米植株冠层与土壤RGRI(或GBRI)的数值并确定阈值(图4 是7月4日玉米植株冠层与土壤的RGRI值直方图，左侧为玉米冠层的RGRI值)，然后进行二值化处理，提取玉米冠层的矢量文件。通过以上直方图法，2018年7月4日、7月8日、7月12日、7月17日4次试验，RGRI植被指数分类法玉米植株冠层与土壤的阈值分别为0.93、0.95、0.91、0.91，GBRI指数分类法玉米植株冠层与土壤的阈值分别为1.25、1.08、1.08、1.07。

以上对植被指数的计算以及地物分类均在ENVI软件中进行，分类完成后在ArcGIS 10.4.1中裁剪出15个采样小区，对采样小区进行二值化处理提取玉米冠层矢量文件。

1.4.4剔除土壤背景后冠层温度提取

将可见光(RGB)图像分类后经二值化处理提取的玉米冠层矢量文件叠加到配准过的热红外图像中，利用ENVI软件进行掩膜处理，获得玉米冠层掩膜文件，对热红外图像做掩膜并进行数据统计，可得此区域每个像元对应的冠层温度以及此区域冠层温度最大值、最小值和平均值，此平均温度即是该区域剔除土壤背景的冠层温度平均值Tc。3种分类方法的分类效果以及热红外图像冠层温度的提取流程如图5所示。

1.5 覆盖度的计算

根据植被覆盖度(FVC)的定义[32]，利用ENVI统计每个采样小区的可见光(RGB)图像中总像元数Sa，再统计每个采样小区提取的玉米冠层矢量文件区域的像元数Sc，则此采样小区的玉米覆盖度Vc为

对15个采样小区均做相同处理，则可得每个采样小区的玉米覆盖度。由于不同的分类方法提取的冠层区域大小有差异，因此由不同的分类方法计算的覆盖度大小不一致。

1.6 模型的建立与精度评价

采用2018年7月4日、7月8日、7月12日、7月17日4 d的试验数据(4次试验)进行建模与验证，试验区域的15个采样小区即每次试验的15个数据，4次试验共60个数据。每次试验从T1～T5试验区内分别抽取一个采样小区做验证，其余两个采样小区建模，即4次试验建模集数据有40个，验证集数据有20个。建模时通过决定系数R2，回归模型整体的方差检验值F，方差检验的显著性概率P判断所建模型的相关程度以及显著性，R2越接近于1，F值越大，P值越接近于0，表示方程越显著，拟合程度也就越好。验证时通过预测值与实测值的决定系数R2以及均方根误差RMSE综合评价模型的效果，其中R2越接近于1，则模型的拟合效果越好，而RMSE越接近于0，表征模型的预测精度越高，预测能力越强。

2 结果分析

2.1 不同分类方法计算的玉米植株覆盖度变化趋势

图6列出了T1～T5这5个试验区域由3种分类方法提取冠层区域计算的玉米植株覆盖度(Vc)变化趋势。

由图6可以看出，随着玉米的生长，覆盖度呈整体上升趋势，但增长的速率有所差异，在7月8—12日这一区间内增长较慢甚至出现负增长状况(T2、T3、T5)，实际中覆盖度并不是真正下降，4 d中7月12日大气温度最高、光照最强，使得玉米叶片发生卷缩，因此通过可见光(RGB)图像提取的玉米冠层区域相对减少，由此计算的覆盖度反而小于7月8日。而T1试验区域由于一直保持充分灌溉(不受水分胁迫)，其覆盖度始终保持增长趋势；T4试验区域一直受到水分胁迫，其覆盖度也始终增长，只是速率较慢。同时，对比T1区域(不受水分胁迫)和T4区域(受水分胁迫最严重)，T1区的覆盖度要远大于T4区，这表明一个区域覆盖度状况可以指示此区域的土壤水分状况，因为土壤水分是决定作物长势的关键因素。

图6 T1～T5试验区不同分类方法计算的覆盖度变化趋势Fig.6 Trends of coverage calculated by different classification methods in T1～T5 test areas

对比不同分类方法计算的覆盖度，同一区域不同分类方法计算的玉米覆盖度存在一定差距，本研究中选用的3种分类方法，由灰度分割法计算的玉米覆盖度偏大，RGRI指数法计算的覆盖度偏小。以T1区域为例，7月4日由灰度分割法分类后计算的玉米覆盖度为0.65，而RGRI指数法分类后计算的玉米覆盖度为0.33，由此看出，通过可见光(RGB)图像提取冠层区域计算覆盖度时，分类方法至关重要。

对比T4和T5区，在7月12日之前T5区的覆盖度高于T4区，差别不明显的原因是，受降雨的影响，实际中很难达到40%田间持水率这么低的含水率，导致T4和T5区土壤含水率相差不大。而7月17日T4区覆盖度明显高于T5区的原因是，根据试验记录，7月13日对T4区进行了水肥一体化处理(尿素)，且7月15日有降雨发生，这使得7月17日采集数据时T4区的玉米长势优于T5区。

图7 T1～T5试验区不同分类方法提取的冠层温度变化趋势Fig.7 Trends of canopy temperature extracted by different classification methods in T1～T5 test areas

2.2 冠层温度的变化趋势

通过植土分离提取可见光(RGB)图像中的玉米冠层，生成玉米冠层的掩膜文件，叠加于热红外图像中提取玉米的冠层温度，由不同的分类方法提取的T1～T5试验区域冠层温度的变化趋势如图7所示。

由图7可以看出，各个试验区域玉米冠层温度的变化趋势大致相同，均在7月12日达到最大值，但不同试验区最大值又有所不同，T1区域低于30℃，T3、T4、T5则高于40℃，其中T4最高为43.65℃。出现此现象的原因是，T1试验区灌水充足，玉米不受水分胁迫，有足够的水分进行蒸腾作用降低冠层温度；而T4试验区受到严重水分胁迫，蒸腾速率降低致使冠层温度升高。5个试验区域对比可发现，玉米冠层温度的变化趋势与大气温度的变化趋势具有一致性，且T1区域(充分灌溉)中大气温度曲线位于冠层温度曲线之上，T4区域(水分胁迫)的大气温度曲线位于冠层温度曲线之下，其他3个试验区域(正常处理)的大气温度曲线则位于中间位置。表明大气温度是影响冠层温度的一个外界因素，土壤水分是决定冠层温度高低的内在原因，并且通过对比两者的高低(差值)也能大致判断土壤水分状况。

热红外图像未剔除土壤背景提取的玉米冠层温度均大于剔除了土壤背景提取的冠层温度，这说明通过热红外图像提取冠层温度时，土壤温度是影响精确度的重要因素，因此剔除土壤背景有助于提高冠层温度的精确度。对比不同的分类方法，灰度分割法分类后提取的冠层温度偏高，RGRI指数法分类后提取的冠层温度偏低，GBRI指数法提取的冠层温度相对适中，这与3种分类方法计算的覆盖度趋势一致。这是由于任何一种分类方法分类后的“冠层区域”都会包含土壤或其他地物，对于同一时期同一区域，分类后“冠层区域”越大(如灰度分割法)，计算的覆盖度越高，此中包含的非冠层就越多，由此提取的“冠层温度”也因此偏高。

2.3 覆盖度的差异性对冠层温度的表征

图8是7月4日、7月8日、7月12日、7月17日每天正午(12:00—14:00)玉米覆盖度与冠层温度的差异性对比图。

图8 不同分类方法提取的玉米覆盖度与冠层温度对比Fig.8 Comparisons of corn coverage and canopy temperature by different classification methods

由图8可以看出，覆盖度越低，则冠层温度越高，两者呈显著的线性关系(R2均在0.5以上，P<0.05)。但经验证此关系仅适用于短时间内获取的冠层温度和覆盖度(本研究采用一天内采集的数据)，若所用数据采集时间间隔较长，如对4次试验所有数据进行线性拟合，则线性相关性较弱(R2均小于0.1)，原因可能是随着玉米的生长，冠层温度处于稳定的变化区间内，覆盖度则处于动态增长的过程中。

同一天中由不同的分类方法提取的覆盖度与冠层温度均呈现负相关，但数值的大小有所差异，由灰度分割法获取的覆盖度、冠层温度相对较高，除7月8日，其他3次试验数据多数位于相关图的右上方，RGRI指数法获取的覆盖度、冠层温度相对较小，4次试验的数据多数位于关系图点的左下方，而GBRI指数法获取的覆盖度则相对适中，这与2.2节中得出的结论具有一致性。

2.4 冠-气温差反演不同深度的土壤含水率

将冠-气温差(Tca)作为自变量，土壤含水率(Smc)作为因变量，建立一元线性回归模型，对比研究不同分类方法获取的冠-气温差反演不同深度土壤含水率相关程度，结果见表3。同时，为更直观显示变量和因变量之间的关系，将10～20 cm深度的散点图列于图9(y代表土壤含水率Smc，x代表冠-气温差Tca)。

表3 不同分类方法获取的冠-气温差与不同深度土壤含水率关系Tab.3 Relationship between crown-air temperature difference and soil moisture content at different depths obtained by different classification methods

图9 不同分类方法获取的冠-气温差与10～20 cm深度土壤含水率相关关系Fig.9 Correlation between crown-temperature difference obtained by different classification methods and soil moisture content at 10～20 cm depth

由表3可知，所有线性回归模型的回归系数均为负值，说明冠-气温差与土壤含水率具有负相关关系。同时不同分类方法获取的冠-气温差与土壤含水率的线性相关程度也具有一定差异性，以土壤深度0～10 cm为例，未剔除土壤背景建立的回归模型其决定系数小于剔除了土壤背景所建立回归模型的决定系数(R2=0.255，小于0.374、0.391、0.425)，这表明利用热红外图像提取的冠层温度信息反演土壤含水率时受土壤温度的影响较大。同样，土壤深度为10～20 cm时，R2=0.360，小于0.498、0.493、0.538；土壤深度为20～30 cm时，R2=0.131，小于0.212、0.211、0.258。因此热红外图像中剔除土壤背景获取单纯的作物冠层温度能够提高反演土壤含水率的精度。

对比3种剔除土壤背景的分类方法，通过GBRI指数法获取的冠-气温差与土壤含水率的线性相关程度最高，土壤深度0～10 cm时，R2=0.425，大于0.391、0.374；10～20 cm，R2=0.538，大于0.493、0.498； 20～30 cm时，R2=0.258，大于0.211、0.212，说明GBRI指数法获取的冠-气温差反演土壤含水率优于RGRI指数法和灰度分割法。通过前面的分析，并结合反演土壤含水率的精度，可以认为GBRI指数法对大田玉米的分类效果较优。

从反演土壤含水率深度来看，10～20 cm深度的效果最优，即使是未剔除土壤背景获取的冠-气温差与土壤含水率相关程度也达到极显著的水平(R2=0.36，P<0.001)，而经过GBRI指数法剔除土壤背景获取的冠-气温差与土壤含水率建立的线性模型，其相关程度更高(R2=0.538)。0～10 cm的效果次之，30 cm以下则几乎无相关性，由此知冠-气温差与表层(0～30 cm)土壤含水率具有较强的相关性。试验过程中通过取土发现，玉米在拔节期根系大多位于0～30 cm之间，在10～20 cm间的根系分布最广，由此表明冠-气温差能够较好地反演玉米根域深度的土壤水分状况。

2.5 冠-气温差与覆盖度之比反演土壤含水率

通过试验观察发现，当土壤含水率很低致使玉米发生严重水分胁迫时，玉米叶片会发生卷缩，而此时通过无人机可见光图像计算的覆盖度会大幅度降低，这印证了覆盖度在一定程度上能够预示土壤含水率。由2.4节已验证冠-气温差与土壤含水率存在较好的线性关系，将冠-气温差与覆盖度结合共同反演土壤含水率，结果见表4。

表4 冠-气温差与覆盖度之比与不同深度的土壤含水率关系Tab.4 Relationship between crown-temperature difference and coverage ratio and soil moisture content at different depths

由表4可以看出，回归系数均为负值，表明冠-气温差与覆盖度之比与土壤含水率具有负相关关系，3种分类方法监测20 cm以上的土壤含水率均达到极显著的水平(P<0.001)，在0～10 cm时决定系数R2分别为0.488、0.450、0.406，相比于冠-气温差R2(0.425、0.391、0.374)均有所提高；同理10～20 cm深度时，决定系数R2由0.538、0.493、0.498分别提高至0.600、0.550、0.564，利用冠-气温差与覆盖度之比反演表层土壤水分的精度要高于单一冠-气温差指标监测土壤水分的精度，由此得出冠-气温差与覆盖度之比是反演玉米根域深度土壤含水率效果更优的新指标。

3种分类方法中，通过对比冠-气温差与覆盖度的比值与土壤含水率的相关性，以10～20 cm为例，0.600(GBRI指数法)>0.564(灰度分割法)>0.550(RGRI指数法)，说明用GBRI指数法分类的效果更优。而反演土壤含水率的深度依然是10～20 cm(玉米根域深度)效果最好(如GBRI法：R2从大到小依次为0.600(20 cm)、0.488(10 cm)、0.290(30 cm))。以上表明，利用GBRI指数法分类后提取冠层温度，通过冠-气温差与覆盖度的比值反演10～20 cm深度(玉米根域深度)的土壤含水率效果最好。

2.6 土壤含水率反演的精度评价

通过以上分析建立了冠-气温差与覆盖度之比这一指标与土壤含水率的线性回归模型，为验证其精确度，利用同时期采集的数据进行精度评价。对线性模型计算出的土壤含水率预测值与试验中测得的实际值进行相关性分析，通过对比两组变量的决定系数R2以及均方根误差RMSE，对冠-气温差与覆盖度之比这一新指标反演土壤含水率精度进行验证，结果见表5(x为预测值，y为实测值)。

表5 不同分类方法的土壤含水率预测值与实测值拟合结果Tab.5 Fitting curve between predicted and measured values of soil moisture content by different classification methods

从表5可以看出，深度为0～10 cm和10～20 cm时，由冠-气温差与覆盖度之比计算的土壤含水率预测值与实测值都具有很高的相关性，达到极显著的水平(P<0.001)。特别是10～20 cm时，验证集决定系数R2均达到0.7以上，且均方根误差RMSE均低于2%；而深度20～30 cm时，预测值与实测值的相关程度明显降低(R2低于0.5)，偏差显著增大(RMSE在2%以上)。对比3种分类方法，由GBRI指数法对应的土壤含水率预测值与实测值拟合效果最优(10～20 cm：R2=0.773，大于0.708、0.705；RMSE为1.36%，小于1.64%、1.55%)。

3 讨论

在分类方法的选取上，本研究不仅尝试了以上3种分类方法，还验证了其他几种分类方法[33-35]，但是在玉米的分类上效果均不如GBRI理想。利用GBRI指数分类时，部分与植株区分不明显的阴影会被归为玉米植株，这是导致提取的冠层温度存在误差的主要原因。本研究利用的无人机热红外图像与可见光(RGB)图像非同步拍摄(拍摄时间、高度与飞行航线均不同)，但拍摄角度均是垂直地面，即两种图像中真实的玉米冠层区域一致，由此提取的玉米冠层温度信息来反演土壤水分，并取得了较好的效果，验证了此方法也适用于短时间间隔内非同步拍摄的影像。但是提取的冠层温度与实际值会有所差异，非同步拍摄的图像由于太阳角有偏差，两种图像中同一玉米的阴影位置会变化，即配准时可见光(RGB)图像中的阴影可能对应热红外图像中太阳直射的土壤，由此提取的玉米冠层温度可能高于实际冠层温度，而杨文攀等[25]通过同步拍摄两种图像提取的冠层温度低于实际冠层温度。

针对冠层温度这一单一指标反演土壤含水率精度不高的问题，本文通过对玉米覆盖度的探究提出用冠-气温差与覆盖度之比来反演土壤含水率，经建模验证，此指标与土壤含水率呈显著的线性关系。但本研究的不足之处在于，对3种分类方法剔除土壤背景后获取的冠层温度以及覆盖度没有做精度评价，GBRI指数分类效果具体精度没有做定量考察。冠-气温差与覆盖度之比只能反演玉米根域深度(本研究中沙壤土拔节期玉米根域深度在0～30 cm之间)的土壤含水率，对于更深的土壤水分则效果较差。而且利用冠-气温差与覆盖度之比这一指数反演土壤含水率是否适用于玉米其他生育期、是否适用于其他作物还有待验证。