基于红外热成像的棉花叶片温度分布量化方法研究

冯璐，邢芳芳，杨北方，韩迎春，王国平，雷亚平，李亚兵

（中国农业科学院棉花研究所/ 棉花生物学国家重点实验室，河南安阳455000）

温度是作物表面能量通量的主要决定因素，反映了作物和大气之间的能量交换，是监测作物生长的重要指标，被广泛地应用[1-2]。 作物温度主要包括作物的冠层温度、生长点温度、作物根和茎的温度、不同高度位置的叶片温度等[3]。叶片是棉花生理生长和物质生产的农艺学最小单位，占作物绿色面积的80%左右[4]。 叶片温度与棉花生长发育和健康生长有着密切的关系，是反映棉花生长状况的准确指标[5]。

近年来，随着传感器技术的不断发展进步，以叶片温度为基础来监测作物长势的研究受到越来越多的关注。自20 世纪70 年代以来，红外技术的逐渐成熟使得红外成像技术开始大量应用于农业生产[6-11]。 由于植物的热辐射率达到0.95～0.97，使用红外温度传感器测量植物温度的误差较小[12]。红外热成像相机通过红外探测器接收被测物体的红外辐射， 通过信号处理技术将其转换成被测物体的热图像，能够快速准确获得叶片温度信息，为叶片温度和冠层温度的研究提供了新的技术手段[13]。 然而，直接利用热成像相机获取的作物图片虽能反映温度信息差异， 但是每张图片包含了目标区域外的背景， 提取目标区域的温度信息是热红外图片的分析难点[14-15]；此外，受环境影响，每张图片中的温度标尺不同， 相同颜色所反映的实际温度的高低也存在差异，叶片最大温差（Maximum temperature difference,MTD） 并不能准确量化温度的变化[16]，很难进行图片间温度差异的比较。 因此，利用热成像图像所包含的数据信息，借助计算机图像处理技术和空间统计学理论， 统一温度标尺，量化温度差异，能够更有效地监测作物的叶片温度变化，进而更快速地进行管理[17-18]。

红外热成像技术在病害监测、水分管理以及品种抗旱性筛选方面得到了广泛应用，可在肉眼可见前观察到作物的胁迫状况，以便做好及时预警[19-23]。 徐小龙发现在可控条件下，感病的黄瓜叶片和对照叶片约有1 ℃的温度差异，感病的番茄叶片比对照叶片的温度低0.5～1.2 ℃，表明叶片温度的差异可以作为辨别作物感病的可靠指标[24]。在干旱胁迫下，叶片产生应激反应，气孔关闭，水分蒸发减少，叶片温度升高，叶温差可作为抗旱性初步筛选的重要指标[16]。近年来，利用红外热成像技术的研究开始涉及到农田养分管理，然而主要是关于氮素对冠层温度的影响[25-29]。 大部分学者研究表明合理施氮可以构建良好的植株群体，有效降低叶片和冠层的温度，提高作物抗热害能力[25-26]；也有学者发现不同品种冠层温度对施肥量的反应不同，且超过一定范围后冠层温度随施氮量增加而上升[29]。 钾是作物生长的必需元素，能够促进叶绿素合成，提高光合速率，增强气孔导度和蒸腾强度，在植物生长发育中发挥不可替代的作用[30]，然而关于其与冠层温度的关系还未见报道。

综上所述，叶片温度是反映作物生长发育状况和产量的指标之一，准确监测棉花叶片温度对指导棉花生产管理，具有重要的现实意义。 本研究利用红外热成像相机获取缺钾和正常叶片的热红外图像，探索基于计算机技术和地统计学理论去除背景、 量化热红外图像温度信息的方法，从而更有效地比较不同施肥处理的叶片温度差异，从而为棉花合理施肥和长势监测提供技术支持。

1 材料与方法

试验品种选择中棉所60，于2017 年6－9 月在中国农业科学院棉花研究所光照培养室内进行棉花水培试验。6 月5 日，选取优质细沙高温灭菌处理后装入塑料盆，棉花种子用双氧水浸泡2 h后点播到沙盆中。 出苗后， 待真叶长到3～4 片时，选取长势均匀一致的棉苗用蒸馏水冲洗干净根系后进行营养液培养。 采用规格为1 L 的不透明塑料花盆进行水培，营养液以霍格兰溶液为基础液，每隔5 d 更换1 次，每天定时加氧20 min，白天和晚上的培养温度均基本保持在28～30 ℃，光照时间维持在12 h。 棉苗在营养液中生长大约10 d 后，采用霍格兰溶液和缺钾营养液（pH 值约为6.5）分别培养正常棉株（对照）和缺钾棉株，每处理设3 次重复，每个重复包含10 盆棉苗，每盆1 株棉花。 缺素处理持续35 d 左右，缺钾症状明显时，即可用于拍照。

2 图像获取和信息提取

棉花叶片的红外热成像图片于棉花初花期（8 月25 日） 利用红外热成像相机 （FLIR T660,FLIR systems,Inc,Wilsonville,USA）进行采集。图像采集的室内环境温度保持在28～30 ℃， 相对湿度68%，辐射率0.96。 每个重复选取具代表性的2 盆棉花进行图像采集，图像采集的对象为倒4 叶，每盆获取1 张清晰的热红外图片，2 个处理一共采集12 张。 图像采集时相机镜头垂直叶片，与叶片距离10～15 cm。 为保证图片采集时间上的一致性，拍摄为连续进行。 棉花叶片图片的分辨率为640 像素×480 像素。采集后，利用FLIR tools 软件导出叶片的热成像图片以及图片中每个像素点的温度信息。 下面以某一代表性图片为例，说明图像信息获取的方法和步骤。 采集到的图像如图1 所示，可导出温度信息。

图1 棉花的叶片热红外图片Fig. 1 The infrared thermal images of cotton leaf

3 棉花叶片温度分布的量化方法

3.1 热红外图片的数字化

相机导出的热红外图片不能直接编辑，要对其进行数字化，具体做法：利用Stata 软件编程将热成像图片中提取的数字信息整理为带有横纵坐标的格式，使得热成像图片的数据信息具有空间位置， 其中横坐标x 的取值范围为0～640，纵坐标y 的取值范围为0～480，这与图片的分辨率一致， 之前的所有温度信息变成了含坐标的数据。 然后，再利用Surfer 软件的Grid 模块生成数字化的可编辑的温度分布图（图2）。 图2 不仅显示了图像中所有的像素点的温度信息，还显示了相同温度的等值线。 到此，热成像图片转变成了含有坐标信息的数字化的图片。

图2 数量化后的叶片温度分布Fig. 2 The leaf temperature contour map after quantification

3.2 背景区域的清除

图2 仍然存在大量的背景信息，使得所需目标信息的差异不明显。 为强化目标叶片的温度信息， 须进一步去除与棉花叶片无关的背景信息。具体方法是对每张图片利用Surfer 软件的digitize 模块在图2 上通过鼠标点选的方式生成所需叶片部分和要清除的背景部分的边界线，并分别生成**.bln 文件。 然后利用生成的**.bln 文件，通过Grid 模块的blank 功能将之前的**.grid 文件进行修改，去除无关的背景信息，重新生成一个只包括叶片内部区域温度信息的**.grid 文件。然后再利用新的**.grid 文件生成只包含叶片内部温度的等值线图，统一颜色标尺，如图3 所示。背景区域清除和标尺统一后，能明显看出叶片内部的温度分布和差异。

图3 去除无关背景后的叶片温度分布Fig. 3 The leaf temperature contour map after removal of irrelevant background

3.3 叶片不同区域温度差异

为了进一步比较分析叶片内部不同部位的温度差异，将叶片分为叶脉外叶片和叶脉。 与上述方法相同，利用Surfer 软件的digitize 模块，在叶片内部形成叶脉和叶脉外叶片的边界线，生成**.bln 文件。 利用生成的**.bln 文件，通过Grid模块的blank 功能将整个叶片区域的**.grid 文件进行修改，分别生成包括叶脉和叶脉外叶片温度信息的**.grid 文件。 再利用新的**.grid 文件分别生成叶脉和叶脉外叶片温度的等值线图，统一颜色标尺。

3.4 统计方法

对不同处理的3 个重复采集的图像分别进行图片数字化、背景区域清除和分区域统一标尺的处理，并计算叶片不同区域像素点温度的最大值、最小值以及平均值，利用MS Excel 2019 进行t 检验来比较不同处理叶片温度的差异。 从2 个处理在同一时间拍摄的图片中各选1 张代表性叶片的图像， 利用Surfer13.0 分析叶片内部温度的空间分布和概率分布。

4 结果与分析

4.1 不同处理叶片温度的差异

缺钾叶片和正常叶片在叶片和叶片内不同区域的温度上存在显著差异（表1）。 缺钾处理的叶片平均温度（28.95 ℃）、叶脉平均温度（29.12 ℃）和叶脉外叶片平均温度（28.89 ℃）均显著高于正常叶片，以叶脉处的温度差异最大（0.58 ℃）。

表1 不同处理对叶片温度的影响Table 1 Treatment effects on leaf temperature ℃

4.2 叶片内部温度的概率分布

以不同处理的1 片代表性叶片为例分析不同处理叶片内部的温度分布情况（图3）。 叶片内部温度具有高度空间异质性。 对不同处理，叶片内部温度均呈从叶脉处向叶片边缘降低的趋势。同样以0.05 ℃为等值线间距，可以看出缺钾处理叶片内部的温度变化更快，且以叶脉周围的温度变化最快。计算结果（表2）显示，缺钾叶片内部温度最大值、 最小值和平均值分别高于对照叶片0.56 ℃、0.65 ℃和0.44 ℃；叶片内部的温度变幅正常叶片为0.54 ℃， 低于缺钾叶片的0.76 ℃；正常叶片内温度的变异系数（0.28%）小于缺钾叶片（0.38%），说明缺钾处理的叶片内部温度的变异程度高于正常叶片。 对于不同处理，叶片内部温度均以叶脉处变异系数最小。 进一步分析叶脉和叶脉外叶片的温度， 正常叶片和缺钾叶片叶脉平均温度均高于叶脉外叶片， 且以缺钾叶片的差异更大（正常叶片相差0.04 ℃，缺钾叶片相差0.16 ℃）。缺钾处理的叶脉和叶脉外叶片的平均温度高于正常叶片， 且以叶脉平均温度差异最大（0.53 ℃）。

表2 不同处理叶片内部温度空间分布统计信息Table 2 Statistical analysis for leaf temperature of different treatments

4.3 不同处理叶片内部温度的分布特征

通过计算得到不同处理四分之一、二分之一和四分之三分位的温度（图4）。对于正常棉株，叶片、叶脉和叶脉外叶片的四分之一、二分之一和四分之三分位温度差异较小，叶脉的温度分布更集中。 对于缺钾棉株，叶脉的温度（四分之一、二分之一和四分之三分位）较整个叶片和叶脉外叶片高，与正常叶片一样，缺钾棉株叶脉温度分布也更集中。 对比正常叶片和缺钾叶片，缺钾叶片、叶脉和叶脉外叶片的温度（最高、最低、四分之一、二分之一和四分之三分位）均高于正常叶片，以叶脉温度差异最大。 缺钾叶片温度和叶脉外叶片的四分位差（分别为0.16 ℃和0.12 ℃）高于正常叶片（分别为0.09 ℃和0.10 ℃），说明正常叶片的温度分布相对集中。

5 讨论

温度是作物表面能量通量的主要决定因素，是监测作物生长的重要指标。 与RGB （红光、绿光、蓝光）可见光图像比较, 作物热成像图片每个像素点还包含了直观的温度信息，温度信息能快速反映作物生理变化，可用于准确监测作物的生理信息与生态胁迫[15,31]。 作物热红外图像一般包含复杂的背景环境，目标区域温度特征的提取具有一定的难度[15]。 现有研究利用Canny 边缘检测算子、支持向量机、最大似然法和小波变换等算法在热红外成像图片中去除土壤等背景信息，这类算法对于目标与背景温度差异较大的情况效率较高，但确定合适的算法较难[32-34]。 本研究通过计算机编程以及Surfer 软件blank 功能实现对叶片热红外图片中目标信息的提取和数字化，对于目标是单个叶片以及目标与背景温度差异较小的情况十分适用。 通过对红外图片的数字化进一步对叶片温度空间分布进行量化，发现棉花叶片内部的温度具有高度的空间异质性；因此，在叶片上随机选取若干个点[35]或者某一区域[36]用平均值并不能准确代表叶片的温度特征。 比较缺钾叶片和正常叶片温度空间分布，结果表明，钾素影响叶片的温度，缺钾导致叶片温度升高，尤其是叶脉温度升高最多，这与前人在氮素上的研究结果[7,15,37]类似。叶片温度与作物生理特性相关，在施钾条件下，作物的生理活性变得更为旺盛，功能叶片衰老延缓，叶绿素含量提高，光合速率增加，气孔的闭合得到有效调节，这可能是正常叶片较缺钾叶片温度低的主要原因[30,38]。 由此可见，叶片温度是反映施肥水平的1 个有效指标，作物叶片的热红外图像分析能够作为作物缺素诊断的有效方法。 然而，本研究重点探讨图像的处理方法和缺钾处理与正常叶片的温度分布和差异，并未进一步将叶片温度和棉花的生理指标结合起来，综合分析叶片温度和棉花生长发育的关系。 因此，仍有必要继续开展相关研究，基于此方法进一步探讨和揭示棉花缺钾条件下叶片温度和生长发育的关系，进而为缺素诊断和精准管理提供依据。

图4 不同处理叶片温度分布情况Fig. 4 The leaf temperature distribution of different treatments

6 结论

本研究基于缺钾与正常棉花叶片的热红外图像，运用计算机技术和地统计学的原理，提出了1 种将热红外图像数字化的方法，能够去除背景区域，统一图片间的温度标尺，量化棉花叶片温度的空间分布。 通过对比缺钾叶片和正常叶片的温度空间分布差异，发现缺钾叶片内部温度的变幅（0.76 ℃）及变异系数（0.38%）均高于正常叶片（0.54 ℃，0.27%），以叶脉温度升高最多（0.53 ℃），且正常叶片温度分布相对集中，表明利用热红外图像能够快速掌握棉花缺素状况，有助于进一步准确监测棉花长势，指导棉花精准施肥管理。