热红外遥感在农田环境水分监测中的应用进展

卜小东 郭辉 黄可京

摘要：农田环境中的土壤水分监测和植被水分监测对作物生长具有重要的意义。热红外遥感能快速、有效地测量农田地表温度，因此成为农田土壤水分监测的有力工具。近年來，热红外遥感在农田水分监测方面的研究取得了较快的发展，为了解农田土壤水分和作物冠层水分状态提供了更便捷且有效的途径，进而给田间管理提供决策支持。本文讨论了热红外遥感在农田环境水分监测方面的最新技术和应用进展，针对农田环境和作物生长期的不同情况，主要采用裸土土壤水分热红外遥感反演与植被覆盖下的农田土壤水分热红外遥感反演两大类方法进行土壤水分监测。田间的土壤被植被覆盖时难以直接监测。在热红外遥感技术的基础上，对于覆盖作物的农田环境水分，可通过测试作物自身的植被指数与水分胁迫指数来进行表征和反演。热红外遥感的优势：（1）基于热红外遥感技术能够快速地监测植被生长期冠层含水量;（2）基于热红外遥感技术能够准确地在植被生长期反演农田土壤水分的变化;（3）全面动态地掌握农田生产区域植被的水分胁迫情况。实际的应用中在数据获取过程中依然存在着包括大气衰减和吸收、校准、气候条件、作物生长阶段等因素的影响有待解决。

关键词：农田环境;土壤;水分监测;热红外遥感;植被冠层;反演

中图分类号： S127;TP79  文献标志码： A  文章编号：1002-1302（2020）20-0025-06

水是重要的自然资源。随着全球人口的大量增长，水资源变得越来越宝贵。农业用水是造成水资源短缺的主要因素之一，农业灌溉用水量占世界总用水量的70%左右[1-2]。目前全球水资源短缺形势的日益严峻，因此必须有效节约农业生产环节中的水资源消耗。此外，日益频发的农业干旱风险加重了农业用水的需求负担[3]。干旱环境下，农作物的水分蒸散量会增加，作物的灌溉用水需求会进一步升高。因此，及早地发现和监测农作物的水分胁迫情况是很重要的。利用遥感技术可以快速、有效地获得农作物种植区域的大面积影像数据，该技术具有重要的农业监测使用价值[4-6]。热红外遥感能探测远距离外的植被等地物所反射或辐射的红外信息，所拍摄的影像可以表征地面物体的性质、状态和变化规律[7]。热红外遥感在农业上的应用越来越广泛，主要应用在对土壤和植被水分的监测方面。

热红外遥感可测量物体表面发出的辐射并将其转换为温度。地球上的地物在自然环境中都会发生辐射。辐射量则是表面温度发射率的函数[8]。作物冠层温度通常与作物的蒸腾速率有关。大多数情况下土壤表面温度可用土壤水分含量和大气蒸发力的相关函数式表示[9]。因此，基于热红外遥感确定作物冠层温度，并将其作为量化作物水分胁迫的一种指标，在农业生产中尤其在农田灌溉管理决策中具有重要意义。此外，热红外遥感还可以量化土壤水分和土壤蒸散发状态。许多研究已经使用热红外遥感技术评估了多种农作物的水分胁迫状态[10-13]。另有一些研究指出，尽管热红外遥感能够提取作物水分胁迫的时空信息，但是在使用热红外遥感图像时必须考虑如下几个问题：图像的拍摄时间和空间分辨率、获取图像时的环境大气条件、热红外传感器的高度和视角、作物种类和作物生长期的变化[14-15]。

利用热红外遥感监测地表土壤水分含量对干旱预警具有重要意义。近些年来星载热红外遥感技术快速发展，可以实现对没有地面观测站点的区域进行大范围、快速的热辐射遥感观测。在此基础上，全球的主要空间机构提供了多种用于区域和全球尺度土壤水分观测的产品[16-18]。无人机遥感的快速兴起使得基于无人机平台搭载热红外传感器的土壤含水量监测研究成为热点。

1 热红外遥感监测农田土壤水分

土壤中水分的空间分布和时间动态性变化是影响生态圈生物多样性的主要因素。植物可以吸收来自土壤中的水分（植物可用土壤水）进行生理代谢过程。因此了解土壤在局部区域的水分迁移和循环对明确大气蒸发和植被蒸腾作用具有重要意义[19]。尤其是在农业生产中，保证作物生长期内水分的监测，对旱情预警、灌溉管理以及其他精细化管理意义重大，而运用红外线遥感技术能够很好地监测农田环境中土壤水分的变化情况。针对农田环境和作物生长期的不同情况，主要采用裸土土壤水分热红外遥感反演与植被覆盖下的农田土壤水分热红外遥感两大类方法进行土壤水分监测。

1.1 用于土壤水分遥感监测的热红外技术特点

目前，大多数研究认为，在对土壤系统内的水和能量通量进行监测和建模时，如何有效且充分地描述土壤水分的时空异质性是关键问题之一[20]。模型对土壤中水分和能量流通过程实现有效模拟的前提是获得关于较大尺度的土壤异质性和水分传输模式的先验知识。此外，土壤水分是研究水文和生物过程的关键变量[21]。土壤水分是该过程最重要的驱动因素，其作用大约占到生态系统多功能性变化的65%[22]。赵利君等研究发现，土壤水分含量增加促使草原环境下植物多样性的发展，另外计算了土壤水分的相对生态指标值，并发现不同类型的草地对放牧的反应差异很大[23]。草地类型从干旱型到湿润型不断变化，其对应的放牧效果也在呈不断增加的趋势。除此之外，自然环境中还存在着较为极端的环境条件，在该生态系统中，土壤水分和土壤碳物质的空间分布支配着土壤生物群落的分布。

传统的使用遥感技术监测土壤特征、水文特征以及土壤水分时空动态变化的方法主要分为2种：一种是直接监测土壤中没有植被或植被覆盖有限的区域，例如基于主动合成孔径雷达遥感的水分变化监测方法;另外一种是基于无源微波传感器或光学遥感数据对植被覆盖下的土壤水分进行间接观测，该方法使用植被特征替代土壤和土壤水分特征。对于间接测量土壤水分的方法，研究表明，使用光学热红外遥感技术可获得较好的观测结果。总的来说，目前已经出现的基于星载遥感数据的土壤水分监测产品在全球尺度下具有较高的监测精度，同时也得到了广泛应用。对于区域或田块尺度而言，由于现有的星载遥感数据大多不具备足够的时空分辨率，因此无法有效利用。然而，随着机载传感器和近地传感器的发展（例如具备一定穿透能力的雷达传感器的兴起），田块尺度下的土壤含水量监测成为可能[24]。

热红外传感器（Landsat系列，Sentinel-3和SEVIRI等）被广泛应用于地表土壤水分信息的获取[25-27]。这些传感器一般都能提供多时相的地表热红外图像。然而，土壤水分的时空变异性非常高，这就使得光学和热传感器获取的土壤水分相关信息的适用性在很大程度上取决于热红外传感器的空间、光谱和时间分辨率。迄今为止，研究人员已开发出一系列机载和卫星传感器，用来获取热红外图像数据，如LandsatTM/ETM+、MODIS、ASTER，还有正在开发的新型卫星，例如HyspIRI。基于无人机平台搭载热红外传感器的遥感数据获取方式在地表温度反演研究中的应用占据较大比例。遥感平台的热红外传感器可以提供地表温度在不同空间、频谱和时间分辨率下的热红外数据。就目前的发展现状来讲，机载热红外平台是在田块到区域尺度下监测土壤水分的具有高时空分辨率的重要方法。

1.2 裸土土壤水分热红外遥感反演方法与应用

由于不必考虑植被层对土壤水分反演的干扰，裸土区域的土壤水分热红外遥感反演研究发展较早，主要的研究方法有2种：土壤热惯量法和地表温度法。土壤热惯量法以土壤的热惯量属性作为土壤温度变化的理论基础，认为土壤热惯量和土壤水分密切相关，对于土壤水分的微小变化土壤热惯量均有响应[28-29]。基于热惯量法反演土壤水分的研究主要包含3个方面的内容：（1）建立土壤水分含量与土壤热惯量间的回归模型;（2）建立热红外遥感数据与土壤热惯量间的回归模型;（3）建立土壤表层水分含量与土壤不同深度层水分含量间的数值模拟模型[30]。在上述过程中，土壤热惯量回归模型的建立是联系热红外遥感信息与地表土壤参量的基础。在实际应用中，基于大量实测土壤表层含水量数据建立土壤热惯量和土壤水分间的回归模型则是应用热惯量法的前提。综上所述，热惯量法在研究区范围较小、土壤类型较为单一的土壤水分监测中具有较高的精度。

地表温度作为重要的农田状态变量之一，是区域尺度下水文建模的重要信息源[31]。地表温度与地表能量平衡有关，代表着地表能量与水平衡之间的相互作用。此外，热和水文特性也会使得地表温度发生变化。因此，地表温度被认为是研究生态变化的重要变量之一[32-33]。地表温度被用于各种环境研究中，例如描述水文循环活动、气候现象或植被动态研究。此外，地表温度通常被用于估算地表蒸散量，该变量受大气条件、土壤湿度以及地表水与地下水相互作用的影响[34]。

地表能量平衡可以通过不同通量方式的野外实地测量来进行量化。这种实地测量的方式在分析地物表面温度方面具有重要的应用价值。然而，该方式只适用于小范围区域。因此，要想利用该方式研究整个区域尺度下地表温度的空间分布具有一定的难度。这就使得利用热红外数据反演不同表面的地表温度更具研究价值。基于这些方面的考虑，以高时空分辨率热红外遥感监测农田地表温度，可以提供有关土壤层和大气之间的水和能量交换信息。

大量的研究表明，地表温度的时空差异性与植物种类及分布、当地的大气能量、水或土壤养分状况等均有关联。此外，地表温度还受到土地表面特征（如土壤、地形）的强烈影响[35]。因此，使用遥感技术记录地表表面特征及其异质性对于充分描述、解释和预测农田地表温度分布非常重要。虽然地表温度可以通过温度计在单点尺度上进行测量，但需要通过热红外遥感才能在较大的空间范围内以高时间和空间分辨率数据生产地表温度产品。星载热红外传感器上的辐射度测量数据不仅取决于地表温度，还与表面发射率和大气条件有关。因此，除了对原始热红外观测影像进行辐射定标外，还必须对发射率和大气效应进行校正。

1.3 植被覆盖下的农田土壤水分热红外遥感方法与应用

自然环境下，土壤水分是沿着土壤剖面动态变化的。热红外传感器可以在不同深度采集土壤湿度信息。在反演土壤含水量时，除了要考虑传感器的特性外，还要大量获取土壤水分含量的原始数据。由于热红外遥感数据具有较大的时空变异性，原始土壤含水量的测量数据（基于手持近地热红外传感器）通常不可靠。为了获得具有高时空分辨率的原始测量数据以及具有不同土地利用、土地覆盖和土壤特性的不同位置的土壤水分数据，近年来关于分布式土壤水分传感器网络的研究和应用越来越被重视。另外，星载和机载热红外遥感数据的校准和验证方法也需要不断被改进。在植被覆盖度较高的区域，基于光学传感器直接观测土壤湿度具有较大难度，这是因为这些区域的土壤大多常年被密度较高和物种种类较多的植被层覆盖。在这些区域，植被的生理生态、功能特性和植物的光谱特性均可作为反演土壤水分分布和土壤水分时空特征的替代指标。

大量基于热红外与其他光学遥感的研究表明，在作物覆盖的农田区域，与土壤含水量相关的因素可以分为植被冠层温度和植被长势2类。在植被覆盖的区域，土壤水分的盈亏直接影响植被蒸腾作用，进而导致植被冠层温度发生变化。杨文攀等基于无人机多光谱和热红外影像提取玉米冠层温度和温度植被干旱指数（TVDI），结果表明，拔节期和灌浆期玉米冠层温度的节律性与土壤干旱程度具有一定的相关性[36]。植被长勢与土壤水分密切相关，大量研究者基于遥感数据构建植被指数用以监测土壤水分含量。Kogan将极端气候条件（干旱和非干旱）下计算的归一化植被指数（NDVI）最大、最小值作为量化气候指标，进而提出了植被条件指数（vegetation condition index，VCI）[37]，该指数监测区域土壤水分比NDVI和降水量法更为有效。地表温度反映了地表过程中能量的平衡。鲍艳松等基于Savitzky-Golay滤波重构的中分辨率成像光谱仪（MODIS） NDVI和LST数据计算TVDI，构建土壤湿度反演模型，结果表明，TVDI方法能够实现研究区域土壤湿度的有效反演，且反演精度较高[38]。王鹏新等基于NDVI和LST的分布基础，提出了条件植被温度指数（VTCI）干旱监测方法，并用于陕西省关中平原春季（3月下旬）干旱情况的监测，结果表明，利用VTCI干早监测方法获得的监测结果和利用土壤热惯量模型反演的土壤表层含水量结果基本吻合[39]。

2 热红外遥感监测作物冠层含水量

田间的土壤水分监测可为作物的精细化管理、灾害预警和灌溉指导提供重要依据，该过程主要发生在作物的生长期内，土壤被植被覆盖而难以直接监测。研究表明，在热红外遥感技术的基础上，对于覆盖作物的农田环境水分，可通过测试作物自身的植被指数与水分胁迫指数来进行表征和反演。

2.1 植被指数

Thomas等研究发现，植被叶片的相对含水量与光谱反射率在1 450～1 930 nm之间显著相关[40]。Gao将2个近红外波段（波段中心约为0.86、1.24 μm）作为水分敏感波段，构建归一化水体植被指数（NDWI）植被冠层水分遥感估测模型，并取得了较好的结果[41]。蒋金豹等研究发现，小麦冠层相对含水量的变化与近红外区域（900～1 300 nm）和短波红外区域（1 300～2 500 nm）的光照度密切相关[42]。通过对冠层光谱进行平滑处理，利用冠层光谱近红外与短波红外水分敏感波段构建比值指数，然后建立以比值指数为变量的反演小麦相对含水量的线性模型。

2.2 作物水分胁迫指数

目前，被广泛使用的基于作物冠层温度的植被冠层水分胁迫指标有很多，包括传统的作物水分胁迫指数（CWSI）[53]、高于冠层阈值的程度和高于非胁迫度的程度等。其中，植被冠层温度为评估植被冠层含水量的主要参数。研究人员评估了几个热红外遥感指数，发现基于作物冠层温度的水分胁迫指数对遥感数据的需求较少，且对作物冠层水分胁迫较敏感。基于冠层温度评估水分胁迫指数的方法与CWSI等数据密集型方法相比具有相似的作物冠层水分反演精度。Han等開发了1种新的基于冠层温度的作物冠层水分含量指标CTSD（冠层温度的标准偏差）[54]。研究人员使用玉米作物测试了该指数的实用性，发现该指数对水分胁迫的微小变化并不敏感。在这些指标中，CWSI被用作量化植被冠层水分胁迫的标准指标，它需要其他数据，例如蒸汽压差（VPD）、理想的天气条件等。在估算CWSI时，须要使用热成像相机获取作物冠层的发射率，用来计算与冠层温度有关的冠层水分胁迫。CWSI被定义为空气温度（Ta）与植被冠层温度（Tc）之间的差值，表达形式如式（1）所示。

式中：UL和LL分别表示上限值和下限值，研究人员根据不同方法确定UL和LL的值，这些方法主要分为2类：分析法和经验法，它们各具优势和缺点，但均已被广泛用于作物水分胁迫的监测研究中。

热红外遥感数据反演的CWSI也已被广泛应用于温室中玉米冠层水分胁迫的高时空监测。研究结果表明，根据冠层温度估算的CWSI可用于定量监测农田作物冠层含水量，并且表征作物冠层含水量的时空变异性[55]。除了使用作物冠层温度进行作物冠层水分胁迫监测之外，还可以基于热红外遥感数据获取的农田土壤水分指数和蒸散发模型来估测作物冠层水分胁迫情况。相关研究基于蒸散发模型估测大豆和玉米作物的日蒸散量，并取得了较好的结果[56]。

2.3 植被冠层温度应用讨论

基于植被冠层温度反演作物冠层含水量的方法虽然具有较好的精度和适用性，但该方法还有一定的缺陷，主要是单独使用叶片冠层温度不能直接反映作物的生理状态。这是因为自然条件下测定叶片冠层的温度是受多种环境因素影响的。这些因素主要包括空气温度、湿度、水汽压差（VPD）、风速以及入射辐射等[57]。目前，在进行野外测量获取原始冠层温度数据时，受限于测量平台和测量设备本身的精度误差，植被冠层温度的准确获取较为困难。

虽然基于温度指数监测植被冠层温度存在数据获取方面的问题，但是鉴于温度指数监测作物水分胁迫的巨大潜力，基于热红外遥感数据监测作物冠层含水量依然具有较好的应用前景。近年来，许多机载和星载热红外传感器已被开发并在农业中获得应用。然而，卫星传感器由于低空间和时间分辨率的限制，并没有在农业中获得广泛应用。随着硬件技术的发展，最近热红外遥感技术的发展经历了从星载卫星平台到无人驾驶飞行器（UAV）平台逐步过渡的过程，从而弥补了卫星传感器时空分辨率较低的缺点，为其在农业中的应用，尤其是田间管理方面提供了较高的应用潜力。

3 结论

本文讨论了热红外遥感在农田环境水分监测方面的最新技术和应用进展。农业中热红外图像的应用包括但不限于土壤水分监测和作物水分胁迫监测。尽管在土壤和作物冠层水分监测中，热红外遥感相比光学遥感具有一些潜在的优势：（1）基于热红外遥感技术能够快速地监测植被生长期冠层含水量;（2）基于热红外遥感技术能够准确地在植被生长期反演农田土壤水分的变化;（3）全面动态地掌握农田生产区域植被的水分胁迫情况。但是实际的应用中在数据获取过程中依然存在许多困难，包括大气衰减和吸收、校准、气候条件和作物生长阶段等因素的影响等，具体反映在以下几个方面：（1）由于采集设备的各种限制，如何最优地确定图像的拍摄时间和空间分辨率;（2）如何保证获取图像时的环境大气条件尤其是恶劣天气条件下对采集数据的影响最小;（3）根据不同的采集设备上搭载红外线传感器时，如何合理地设置热红外传感器的高度和视角;（4）如何针对不同作物种类和作物生长期的变化特点来规划数据采集方式。

未来，随着无人机低空遥感技术的进步和智慧农业的快速发展，上述问题有望获得有效解决。

参考文献：

[1]刘 文，彭小波. 我国的农业水资源安全分析[J]. 农业经济，2006（10）：56-58.

[2]赵培乐，谭海苗. 农业水资源的高效利用与可持续发展探讨[J]. 金田，2013（2）：304.

[3]马忠明. 有限灌溉条件下作物-水分关系的研究[J]. 干旱地区农业研究，1998，16（2）：75-79.

[4]童 辉. 卫星遥感信息增量挖掘方法研究：农业信息变化检测应用[D]. 北京：中国科学院对地观测与数字地球科学中心，2006.

[5]孙 丽，吴 全，张松岭，等. 小地物比例提取在河北耕地遥感调查中的应用研究[J]. 农业工程学报，2006，22（2）：79-82.

[6]刘晨晨，曹广真，张明伟，等. 时空尺度对利用MODIS地表温度估算空气温度的影响研究[J]. 遥感技术与应用，2014，28（5）：459-466.

[7]实 旺. 热红外遥感应用简介[J]. 遥感技术与应用，1992（4）：74.

[8]王春磊，晁 晖，孙 迪. 基于比辐射率先验的热红外反演地表温度算法[J]. 河北联合大学学报（自然科学版），2014，36（3）：86-91.

[9]张 川，闫浩芳，大上博基，等. 表层有效土壤水分参数化及冠层下土面蒸发模拟[J]. 农业工程学报，2015，31（2）：102-107.

[10]姚云军，程 洁，赵少华，等. 基于热红外遥感的农田蒸散估算方法研究综述[J]. 地球科学进展，2012，27（12）：1308-1318.

[11]沈彦俊，夏 军，张永强，等. 陆面蒸散的双源遥感模型及其在华北平原的应用[J]. 水科学进展，2006，17（3）：371-375.

[12]索尔 G J R. 利用遥感作物表面温度估算区域蒸散量和土壤水分状况[J]. 张 莉，译. 地理译报，1982，1（1）：2-10.

[13]熊 隽，吴炳方，柳树福. 遥感蒸散模型的分层分析与标定方法[C]//北京师范大学全球变化与地球系统科学研究院，遥感科学国家重点实验室. 遥感定量反演算法研讨会摘要集.2010.

[14]庄 媛，师春香，沈润平，等. 中国区域多种微波遥感土壤湿度产品质量评估[J]. 气象科学，2015，35（3）：289-296.

[15]郭 谦. 土壤湿度遥感产品真实性检验及空间尺度转换研究[D]. 成都：电子科技大学，2015.

[16]袁 雷. FY3-B土壤湿度监测产品在藏北草原的精度验证[J]. 贵州农业科学，2017，45（10）：134-138.

[17]曹小杰，江 洪，张兆明，等. Landsat系列卫星地表反射率产品研究进展[J]. 测绘与空间地理信息，2019，42（3）：103-106.

[18]李 星. 基于多源遥感数据的干旱监测方法及生态系统响应研究[D]. 成都：电子科技大学，2018.

[19]魏文秋，陈秀万. 热红外遥感监测土壤含水量模型及其应用[J]. 遥感技术与应用，1993，8（1）：17-25.

[20]胡 猛，冯 起，席海洋. 遥感技术监测干旱区土壤水分研究进展[J]. 土壤通报，2013，44（5）：252-257.

[21]赵杰鹏，张显峰，包慧漪，等. 基于可见光红外与被动微波遥感的土壤水分协同反演[J]. 红外与毫米波学报，2012，31（2）：137-142.

[22]程 宇. 考虑植被覆盖和热辐射方向性的热惯量法土壤水分反演研究[D]. 北京：中国科学院遥感应用研究所，2006.

[23]赵利君. 半干旱地区土壤水分对冷季型草坪植物（草地早熟禾）生理生态学特征的影响[D]. 呼和浩特：内蒙古大学，2006.

[24]赵 原，李晓鹏，纪景纯，等. 宇宙射线中子法在土壤水分监测研究中的应用进展[J]. 生态与农村环境学报，2019，35（5）：545-553.

[25]胡德勇，乔 琨，王兴玲，等. 单窗算法结合Landsat8热红外数据反演地表温度[J]. 遥感学报，2015，19（6）：96-108.

[26]毕 顺，李云梅，吕 恒，等. 基于OLCI数据的洱海叶绿素a浓度估算[J]. 湖泊科学，2018，30（3）：123-134.

[27]张霄羽，赵长森. 利用MSG数据估算裸土热惯量及地表热通量[J]. 自然资源学报，2008，23（6）：1078-1087.

[28]李亚春，徐 萌，唐 勇. 我国土壤水分遥感监测中热惯量模式的研究现状与进展[J]. 中国农业气象，2000，21（2）：40-43.

[29]李星敏，刘安麟，张树誉，等. 热惯量法在干旱遥感监测中的应用研究[J]. 干旱地區农业研究，2005，23（1）：54-59.

[30]余 涛，田国良. 热惯量法在监测土壤表层水分变化中的研究[J]. 遥感学报，1997，1（1）：24-31.

[31]姚 远，陈 曦，钱 静. 遥感数据在农业旱情监测中的应用研究进展[J]. 光谱学与光谱分析，2019，39（4）：15-22.

[32]张殿君. 土壤水分热红外遥感反演方法研究[D]. 北京：中国科学院大学，2015.

[33]赵杰鹏，张显峰，廖春华，等. 基于TVDI的大范围干旱区土壤水分遥感反演模型研究[J]. 遥感技术与应用，2011，26（6）：742-750.

[34]李亚春，徐 萌，唐 勇. 我国土壤水分遥感监测中热惯量模式的研究现状与进展[J]. 中国农业气象，2000，21（2）：40-43.

[35]薛 辉. 基于实测热红外光谱反演黄骅地区表层土壤含水量研究[D]. 南京：南京师范大学，2006.

[36]杨文攀，李长春，杨 浩，等. 基于无人机热红外与数码影像的玉米冠层温度监测[J]. 农业工程学报，2018，34（17）：68-75，301.

[37]Kogan F N . Application of vegetation index and brightness temperature for drought detection[J]. Advances in Space Research，1995，15（11）：91-100.

[38]鲍艳松，严 婧，闵锦忠，等. 基于温度植被干旱指数的江苏淮北地区农业旱情监测[J]. 农业工程学报，2014，30（7）：163-172.

[39]王鹏新，龚健雅，李小文. 条件植被温度指数及其在干旱监测中的应用[J]. 武汉大学学报（信息科学版），2001，26（5）：412-418.

[40]Thomas J R，Namken L N，Oerther G F，et al. Estimating leaf water content by reflectance measurements[J]. Agronomy Journal，1971，63（6）：845-847.

[41]Gao B C. NDWI-a normalized difference water index for remote sensing of vegetation liquid water from space[J]. Proceedings of SPIE - The International Society for Optical Engineering，1996，58（3）：257-266.

[42]蒋金豹，黄文江，陈云浩. 用冠层光谱比值指数反演条锈病胁迫下的小麦含水量[J]. 光谱学与光谱分析，2010，30（7）：1939-1943.

[43]Gao B C. NDWI-a normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment，1996，58（3）：257-266.

[44]Defries R S，Townshend J R G. NDVI-derived land cover classification at a global scale[J]. International Journal of Remote Sensing，1994，15（17）：3567-3586.

[45]Wang L，Qu J J，Hao X. Forest fire detection using the normalized multi-band drought index （NMDI） with satellite measurements[J]. Agricultural & Forest Meteorology，2008，148（11）：1767-1776.

[46]Wang Z X，Liu C，Huete A. From AVHRR-NDVI to MODIS-EVI：Advances in vegetation index research[J]. Acta Ecologica Sinica，2003，23（5）：979-987.

[47]王晴晴，余 明. 基于簡单比值型水体指数（SRWI）的水体信息提取研究[J]. 福建师范大学学报（自然科学版），2014，30（1）：39-44.

[48]Olsen J L，Stisen S，Proud S R，et al. Evaluating EO-based canopy water stress from seasonally detrended NDVI and SIWSI with modeled evapotranspiration in the Senegal River Basin[J]. Remote Sensing of Environment，2015，159：57-69.

[49]Wang Z，Gang C，Li X，et al. Application of a normalized difference impervious index （NDII） to extract urban impervious surface features based on Landsat TM images[J]. International Journal of Remote Sensing，2015，36（4）：1-15.

[50]郑兴明，丁艳玲，赵 凯，等. 基于Landsat 8 OLI数据的玉米冠层含水量反演研究[J]. 光谱学与光谱分析，2014，34（12）：3385-3390.

[51]Wang L，Qu J J，Hao X. Forest fire detection using the normalized multi-band drought index （NMDI） with satellite measurements[J]. Agricultural & Forest Meteorology，2008，148（11）：1767-1776.

[52]Vanhellemont Q，Ruddick K. Advantages of high quality SWIR bands for ocean colour processing：Examples from Landsat-8[J]. Remote Sensing of Environment，2015，161：89-106.

[53]赵 晨，罗 毅，袁国富，等. 作物水分胁迫指数与土壤含水量关系探讨[J]. 中国生态农业学报，2001，9（1）：34-36.

[54]Han M，Zhang H，Dejonge K C，et al. Estimating maize water stress by standard deviation of canopy temperature in thermal imagery[J]. Agricultural Water Management，2016，177：400-409.

[55]刘学著，张连根，周守华. 基于冠层温度的冬小麦水分胁迫指数的实验研究[J]. 应用气象学报，1995，6（4）：449-453.

[56]樱谷哲夫，王学文. 作物蒸散的研究：无水分亏缺条件下大豆田间蒸发与蒸腾的分别计算[J]. 气象科技，1988（1）：76-82.

[57]唐锡华，李文安. 水稻光照发育阶段的研究——Ⅱ. 几种内外条件对水稻光照阶段发育的影响[J]. 作物学报，1964，3（3）：283-295. 孙继超，陈 晨，张东辉，等. 氟苯尼考的研究进展[J]. 江苏农业科学，2020，48（20）：31-36.