剔除土壤背景的棉花水分脅迫無人機熱紅外遙感診斷

張智韜 邊 江 韓文霆 付秋萍 陳碩博 崔 婷

(1.西北農(nóng)林科技大學旱區(qū)農(nóng)業(yè)水土工程教育部重點實驗室， 陜西楊凌 712100； 2.西北農(nóng)林科技大學水利與建筑工程學院， 陜西楊凌 712100； 3.新疆農(nóng)業(yè)大學水利與土木工程學院， 烏魯木齊 830052)

0 引言

土壤水分是影響農(nóng)作物生長的關鍵因素，也是指導灌溉的理論依據(jù)，利用熱紅外非接觸性診斷作物水分狀況成為當前熱點[1-2]。1963年，TANNER[3]首先研究發(fā)現(xiàn)冠層溫度可以指示作物水分脅迫，隨后，IDSO等[4-6]利用空氣溫度Ta和冠層溫度Tc之差與上下基線建立經(jīng)驗法水分脅迫指數(shù)CWSI。但經(jīng)驗法CWSI上下基線存在誤差和不確定性，所以JACKSON等[7]根據(jù)冠層能量平衡推導出CWSI中上下基線的理論計算公式，用于小麥的水分診斷研究，取得較好的診斷精度，并一直作為水分診斷的可行方法[8-10]。由于理論公式所需參數(shù)較多，JONES等[11-12]將CWSI計算方法進行簡化，利用干濕參考面確定上下溫度極限值，使CWSI更加容易指導生產(chǎn)實踐，而簡化法CWSI評估棉花水分虧缺狀況也取得了一定進展。MERON等[13]研究了冠層陽光直接照射葉片溫度、冠層陰影葉片溫度、土壤溫度對熱紅外診斷棉花水分狀況的影響。XU等[14]進一步將CWSI與蒸騰速率、凈光合作用、氣孔導度的關系作了深入的分析。近年來，作物水分脅迫指數(shù)CWSI在國內也逐漸成為研究的熱點[15-18]，張立偉等[19]分析了冠層溫度、冠氣溫度比、冠氣溫度差與玉米根系土壤含水率的相關關系，蔡甲冰等[20]將冠層溫度作為自動灌溉決策系統(tǒng)的核心理論基礎。

以上研究都是基于地面點測方式獲取的冠層溫度，然而將點狀溫度轉為面狀冠層溫度具有一定誤差和不確定性。隨著低空無人機遙感平臺的發(fā)展，快速獲取高時間和空間分辨率的熱紅外圖像成為可能,有效解決了面狀冠層溫度采集的問題。HOFFMANN等[21]利用無人機熱紅外技術采集冠層溫度信息，并且結合多種植被指數(shù)共同診斷大麥的水分脅迫狀況。BALUJA等[22]利用無人機熱紅外圖像計算CWSI，用于評估葡萄園水分空間狀況的差異性。RUD等[23]研究發(fā)現(xiàn)，無人機熱紅外圖像計算的CWSI與馬鈴薯土壤含水率具有顯著的相關關系，EGEA等[24]將CWSI應用在高密度的橄欖園及桃園的土壤水分監(jiān)測中，并取得較好的研究成果。然而無人機熱紅外圖像受到土壤背景的干擾，作物水分脅迫狀況的監(jiān)測精度普遍較低，HAN等[25]利用EM算法研究冠層溫度的分布及土壤背景的干擾情況，但并沒有將土壤背景進行有效剔除。Canny算子是一種圖像邊緣檢測技術，可以提取不同物質類型的邊界像元，PARK等[26]應用Canny邊緣檢測技術優(yōu)化了水分脅迫指數(shù)CWSI干濕參考溫度的計算，但利用Canny邊緣檢測算法剔除熱紅外圖像土壤背景的研究較少。

本文以4種不同水分處理的花鈴期棉花為研究對象，采用無人機高分辨率熱紅外成像儀連續(xù)監(jiān)測，并分別采用二值化Ostu算法和Canny邊緣檢測算法對熱紅外圖像進行掩膜處理，實現(xiàn)對土壤背景的剔除，然后分別計算兩種熱圖像處理算法和包含土壤背景的作物水分脅迫指數(shù)CWSI，并研究3種方法計算的CWSI與棉花葉片氣孔導度Gs的關系模型。

1 材料與方法

1.1 研究區(qū)概況及試驗設計

1.1.1研究區(qū)概況

試驗田位于陜西關中平原腹地，西北農(nóng)林科技大學中國旱區(qū)節(jié)水農(nóng)業(yè)研究院(108°4′20″E，34°17′42.17″N)，該地區(qū)平均年降雨量640 mm，平均蒸發(fā)量為993.2 mm，海拔525 m，地下水位埋藏較深，屬于暖溫帶季風半濕潤氣候區(qū)，土壤質地為中壤，平均田間持水率23%～26%，凋萎含水率8.6%(均為質量含水率)，平均土壤干容重1.44 g/cm3。試驗田開闊平坦配備遮雨架進行控水措施，并設有可移動式小型氣象站，試驗期間天氣晴朗，總輻射較強,無陰雨天氣干擾。

1.1.2試驗設計

試驗設計4個水分梯度I1(50%田間持水量)、I2(65%田間持水量)、I3(80%田間持水量)、I4(對照組95%～100%田間持水量)，每個水分處理設置3個重復試驗，共12個小區(qū)，小區(qū)面積4 m×5 m。小區(qū)配有水表，采用滴灌的方式進行灌溉，棉花每行放置一條滴灌帶，滴頭濕潤半徑20 cm，并且小區(qū)之間設有寬壟，以盡量避免各個小區(qū)土壤水分側向入滲的影響(圖1，2017年7月11日13:00采集)。圖中小區(qū)編號I11代表1區(qū)的1個重復，其他編號類似。本研究選用西北農(nóng)林科技大學農(nóng)學院培育的新品種西農(nóng)棉1008，于2017年4月19日人工覆膜播種，施用225 kg/hm2磷肥和375 kg/hm2尿素作為底肥，棉花苗期不做控水處理。試驗時間為2017年7月11—15日，連續(xù)監(jiān)測5 d，棉花處在花鈴盛期，是棉花結鈴生長發(fā)育的關鍵生育期。試驗開始前棉花水分脅迫出現(xiàn)明顯狀態(tài)，參考設置合理的計劃濕潤層深度，嚴格按照4個水分處理進行灌溉，試驗期間不進行任何灌水，每天于09:00、13:00、17:00進行無人機冠層溫度采集。

圖1 試驗小區(qū)可見光影像Fig.1 Visible light image of experimental area

1.2 無人機熱紅外系統(tǒng)

1.2.1無人機系統(tǒng)

無人機系統(tǒng)采用大疆公司Matrice600搭載禪思XT熱紅外(TIR)相機(FLIR系統(tǒng)，Tau2機芯)獲取棉花花鈴期的冠層溫度影像。Matrice600六旋翼無人機具有飛行姿態(tài)穩(wěn)定且續(xù)航能力長等特點，最大起飛質量15.1 kg，最大可承受8 m/s風速(圖2)。TIR相機工作的波段為7.5～13.5 μm，空間分辨率為640像素×512像素，溫度靈敏度0.05℃，鏡頭焦距19 mm，視場角32°H×26°V(圖3)。為了拍攝分辨率較高且質量較好的熱紅外影像，無人機懸停15 m高度采集棉花冠層的熱紅外影像，圖像分辨率為0.011 m。

圖2 大疆Matrice600無人機Fig.2 DJI M600 UAV

圖3 大疆禪思XT熱紅外成像測溫儀Fig.3 DJI Zenmuse XT thermal infrared imaging thermometer

1.2.2熱紅外圖像的校準

熱紅外圖像采用地面實測葉片溫度與水溫進行校準。無人機采集棉花冠層溫度時，每個試驗小區(qū)均勻選取陽光直接照射棉花葉片,地面同步利用手持熱紅外測溫儀測量其葉片溫度，最終取所測溫度的平均值，并采集試驗區(qū)放置的器皿中水的溫度。將無人機采集的熱紅外圖像輸入FLIR Tools(禪思XT熱紅外影像處理軟件)，設置輻射率為0.96，將葉片平均溫度和水溫作為參考溫度，通過對比參考溫度和熱紅外圖像上相應像元溫度的方法進行紅外溫度圖像的校準，即可得到溫度較為準確的無人機熱紅外溫度圖像。

1.3 生理指標數(shù)據(jù)采集

棉花葉片的氣孔導度(Gs，mol/(m2·s))使用美國Licor公司LI-6400型便攜式光合測定儀測定。氣孔導度的測定與無人機采集熱紅外圖像同步進行，每個小區(qū)選取3株棉花樣本(倒三葉片)測量，每株重復3次。

1.4 氣象數(shù)據(jù)采集

使用自行搭建的可移動式小型氣象站自動收集氣象數(shù)據(jù)，主要氣象要素有：大氣溫度、相對濕度、風速、太陽凈輻射、土壤熱通量等，數(shù)據(jù)采集間隔為30 min，試驗期間(2017年7月11—15日)的主要氣象數(shù)據(jù)如表1所示。

表1 主要日平均氣象因子Tab.1 Values of major daily average meteorological factors

1.5 熱紅外圖像剔除土壤背景的方法

1.5.1二值化Otsu算法

無人機熱紅外成像測溫儀獲取的圖像具有兩類特征像元，一類為目標冠層像元，另一類為土壤背景像元。二值化Ostu算法(最大類間方差法)是灰度圖像閾值分割的經(jīng)典自適應閾值算法，在圖像處理領域得到廣泛的應用[27]，其核心理論公式為

σ2(k)=ω0(μ-μ0)2+ω1(μ-μ1)2

(1)

式中ω0——C0出現(xiàn)的概率

ω1——C1出現(xiàn)的概率

μ0——C0的灰度均值

μ——圖像總的灰度均值

μ1——C1的灰度均值

該算法以像元類間方差為分割標準，類間方差越大，說明兩種物質的差別越大，因此可以將圖像的背景與目標分割。設圖像的任意灰度k，1≤k≤L(L為圖像總灰度級)，將圖像按灰度k分為C0和C1兩類，σ2(k)取最大值的k即為最佳閾值。

1.5.2Canny邊緣檢測算法

無人機采集的高分辨率熱紅外影像冠層邊緣具有明顯的分界像元，因此可以對熱紅外圖像進行邊緣檢測，得到棉花冠層邊緣特征柵格圖，將邊緣特征柵格圖進行重分類、線轉面、裁剪等圖像處理操作即可將冠層像元與土壤背景有效分離。邊緣檢測是圖像預處理中的重要過程，其主要利用圖像灰度階躍變化的像素點集合，反映了圖像DN值的突變性。傳統(tǒng)的邊緣檢測算子有Sobel、Robert、Prewitt等[28]，但其都屬于局部窗口的梯度算子，邊緣檢測效果并不理想[29]。Canny邊緣檢測算法具有邊緣檢驗的3個判定準則[30]，因此對圖像進行邊緣提取具有較好的應用效果,并且Canny邊緣檢測算法在水平與垂直方向上的梯度變化檢測具有較大優(yōu)勢[31]。Canny邊緣檢測算法借助高斯濾波器進行平滑處理，其高斯函數(shù)為

(2)

式中σ——高斯濾波器參數(shù)

應用一階微分算子處理平滑后的影像I，并獲得相應的梯度幅值G和梯度方向θ，點I(i，j)處x和y的偏導數(shù)分別為Gx(i，j)和Gy(i，j)[30]，即

(3)

(4)

其中

Gx(i,j)=(I(i,j+1)-I(i,j)+
I(i+1,j+1)-I(i+1,j))/2

(5)

Gy(i,j)=(I(i,j)-I(i+1,j)+I(i,j+1)-
I(i+1,j+1))/2

(6)

Canny邊緣檢測算法提取的邊緣特征圖像，首先將邊緣特征圖像在ArcGIS和ENVI中進行重分類和配準，再使用ArcToolbox工具中的柵格轉線，線轉面，拓撲檢查及高級編輯功能將邊緣線狀圖像進行閉合處理；最后將提取的棉花冠層面狀矢量圖導入ENVI軟件，裁剪并使用建立掩膜工具和掩膜統(tǒng)計功能導出純冠層像元的溫度直方圖和統(tǒng)計特征值，取本研究區(qū)具有代表性的局部，應用Canny邊緣檢測算法提取純冠層像元的具體流程及操作見圖4。

1.6 作物水分脅迫指數(shù)

冠層能量平衡公式[7]為

Rn=G+H+λE

(7)

其中

H=ρCp(Ta-Tc)/ra

(8)

(9)

式中Rn——太陽凈輻射，W/m2

G——土壤熱通量，W/m2

H——顯熱通量，W/m2

λE——潛熱通量，W/m2

ρ——空氣密度，kg/m3

Cp——空氣熱容量，J/(kg·K)

Ta——大氣溫度，℃

Tc——冠層溫度，℃

ra——空氣動力學阻力，s/m

ea——Ta時的水氣壓，Pa

rc——作物冠層阻力，s/m

γ——濕度計常數(shù)，Pa/℃

理論模式下的水分脅迫指數(shù)的計算公式為

(10)

(11)

式中rcp——潛在蒸散發(fā)下作物冠層阻力[32]，s/m

Δ——飽和水汽壓與溫度曲線的斜率，kPa/℃

2 結果與分析

2.1 剔除土壤背景圖像結果分析

應用二值化Ostu算法和Canny邊緣檢測算法分別對研究區(qū)的熱紅外影像進行土壤背景剔除(圖5)。

圖5a為原始無人機熱紅外影像，圖中包括4種水分處理(I1、I2、I3、I4)，每種處理3個重復，總共12個小區(qū)，并且4種水分處理的小區(qū)形成不同覆蓋度的棉花冠層。圖5b為二值化Ostu算法剔除土壤后的圖像，從圖中可以看出，二值化Ostu算法對于低覆蓋度的棉花冠層(I11、I12、I13)剔除土壤背景效果較為理想，其中I11小區(qū)的紅外影像由于光線太弱的緣故，導致較多的冠層像元被剔除；然而，該算法不能較好地區(qū)分高覆蓋度作物冠層(I41、I42、I43)的棉花與土壤像元，而對于中等覆蓋度的局部冠層分割效果也存在混合像元干擾問題，因此二值化Ostu算法的分割效果總體不理想。圖5c為利用Canny邊緣檢測算法進行熱紅外圖像邊緣檢測并利用本文的圖像處理操作后的分割效果，從圖中可得，Canny邊緣檢測算法可以精準地識別棉花冠層與土壤背景的邊界像元，并能較好地提取棉花純冠層像元，其分割效果優(yōu)于二值化Ostu算法。

圖5 剔除熱紅外圖像土壤背景的方法對比Fig.5 Comparison of different methods for removing soil pixels from thermal infrared images

2.2 剔除土壤背景溫度直方圖分析

圖6分別為圖4d研究區(qū)(2017年7月13日13:00采集)的原始熱紅外圖像、二值化Otsu算法剔除土壤背景、Canny邊緣檢測算法剔除土壤背景后的溫度直方圖。

圖6 不同處理方法的溫度直方圖Fig.6 Temperature histograms for different treatment methods

從圖6a可知，包含土壤背景的原始熱紅外圖像溫度直方圖為雙峰形狀[24, 28]，研究表明，雙峰形狀的直方圖代表兩種不同的物質類型，第1個峰占據(jù)大多數(shù)的溫度像元，其代表的物質類型為棉花冠層，第2個峰占據(jù)較少的像元，并且其像元溫度高于第1個峰的冠層像元溫度，因此代表的是土壤背景；本文的二值化Ostu算法與Canny邊緣檢測算法最終目的是將第2個峰消除，通過熱紅外圖像溫度直方圖的雙峰或單峰形狀可以判斷土壤背景是否剔除。圖6b為二值化Otsu算法處理后的冠層溫度直方圖，它的直方圖形狀與原始溫度直方圖的前半部分相似，該溫度直方圖粗糙，噪聲多，不符合自然界同種物質正態(tài)分布的規(guī)律。圖6c為Canny邊緣檢測算法剔除土壤背景后的冠層溫度直方圖，可以看出使用Canny邊緣檢測算法剔除土壤背景后的直方圖呈現(xiàn)明顯的單峰形狀，由于原始圖像溫度直方圖冠層像元部分具有凸起形狀，所以應用Canny邊緣檢測算法剔除土壤背景后的冠層溫度直方圖下側有小的凸起峰；該直方圖大致服從偏態(tài)分布，輪廓光滑平整，噪聲較少，因此本文的Canny邊緣檢測算法相比二值化Ostu算法具有較大優(yōu)勢。

通過以上分析可知，Canny邊緣檢測算法剔除熱紅外影像土壤背景干擾的效果較為理想，并且純冠層溫度直方圖為單峰形狀，為了進一步驗證Canny邊緣檢測算法的背景剔除效果，本文繪制12個試驗小區(qū)(2017年7月13日13:00采集)剔除土壤背景后的冠層溫度直方圖(圖7)。

圖7 不同試驗處理小區(qū)的冠層溫度直方圖Fig.7 Canopy temperature histograms of different treatment plots

圖8 不同圖像處理CWSI日平均變化趨勢Fig.8 Daily average trends of CWSI by using different image processing methods

從圖7可以看出，利用Canny邊緣檢測算法剔除12個試驗小區(qū)土壤背景后的冠層溫度直方圖都為單峰形狀，輪廓光滑，效果較好。通過對比分析圖7不同水分處理小區(qū)的冠層溫度直方圖可得，隨著水分脅迫程度的遞減，試驗小區(qū)冠層溫度逐漸降低，并且冠層溫度的變化范圍區(qū)間也隨之減小，因此，Canny邊緣檢測算法可以較好地剔除熱紅外土壤背景干擾，是提取無人機熱紅外純冠層溫度像元的可行方法。

2.3 CWSI日平均變化趨勢

利用式(10)分別計算Canny邊緣檢測算法與Ostu算法剔除土壤前后的水分脅迫指數(shù)CWSI，并繪制不同試驗處理小區(qū)日平均CWSI變化過程(圖8)。

圖8a是包含土壤背景的熱紅外圖像計算的水分脅迫指數(shù)CWSI，從圖8a可以看出，不同處理小區(qū)CWSI由大到小依次為：I1、I2、I3、I4，4種水分處理具有明顯的差異性，并且隨著灌水日期的推移土壤水分不斷被作物消耗，CWSI逐漸上升。圖8a的水分脅迫指數(shù)CWSI明顯高于圖8b和圖8c的CWSI，因此無人機高分辨率熱紅外圖像的土壤溫度像元對CWSI計算具有極大的影響，圖中對照組I4小區(qū)的水分脅迫指數(shù)大約為0.27，I1小區(qū)的水分脅迫指數(shù)高達0.55。對比分析可知，土壤溫度像元極大地高估了水分脅迫指數(shù)CWSI，嚴重影響無人機熱紅外診斷作物水分狀況的精度。

圖8b為二值化Ostu算法剔除土壤背景后的CWSI日平均變化趨勢。從CWSI的整體趨勢來看，二值化Ostu算法的CWSI相對包含土壤的CWSI整體偏小，其最大值為0.42，最小值為0.22。圖8c是利用Canny邊緣檢測算法剔除土壤背景后計算的水分脅迫指數(shù)CWSI，圖中對照組I4小區(qū)CWSI的曲線從0.2增大至0.25，其CWSI變化范圍較小，說明作物充分供水時水分脅迫指數(shù)相對偏小，I1為缺水處理小區(qū)，其CWSI最大值接近0.4，并小于包含土壤背景的水分脅迫指數(shù)CWSI。

Canny邊緣檢測算法與二值化Ostu算法剔除土壤背景后，相對于包含土壤背景的水分脅迫指數(shù)CWSI都相應的減小，說明高分辨率無人機熱紅外圖像的土壤背景對水分脅迫指數(shù)具有較大影響。然而，Canny邊緣檢測算法小于二值化Ostu算法的CWSI，對比兩種算法可知，二值化Ostu算法剔除土壤背景局部效果較差，而Canny邊緣檢測算法可以完全剔除土壤背景，對于無人機熱紅外診斷棉花水分狀況具有重要的意義。

2.4 CWSI與棉花葉片氣孔導度的關系

棉花葉片的氣孔導度(Gs，mol/(m2·s))反映了棉花水分的真實情況，可以作為棉花是否缺水的判定標準。為了驗證剔除土壤背景后水分脅迫指數(shù)CWSI的準確性，本文利用棉花葉片的氣孔導度Gs與CWSI建立關系模型(表2)。

表2 CWSI與氣孔導度的相關性Tab.2 Correlation between CWSI and stomatal conductance

注：表中Y為氣孔導度Gs，X為水分脅迫指數(shù)CWSI。下同。

從表2可得，水分脅迫指數(shù)CWSI與葉片氣孔導度Gs具有極高的線性關系，在13:00時，包含土壤背景水分脅迫指數(shù)CWSI與氣孔導度Gs的模型決定系數(shù)R2為0.697，達到顯著相關，但09:00與17:00的模型相關性較低。二值化Ostu算法剔除土壤背景后的CWSI與氣孔導度Gs相關關系并沒有提高，可能由于Ostu算法對于低覆蓋度的棉花冠層剔除土壤效果理想，而高覆蓋度的棉花熱紅外冠層剔除土壤效果較差，因此最終計算的水分脅迫指數(shù)偏差更大，導致CWSI與氣孔導度Gs的關系較差。Canny邊緣檢測算法剔除土壤后的CWSI與氣孔導度Gs模型關系在13:00時的決定系數(shù)高達0.84，并且09:00與17:00的模型相關性也高于包含土壤背景處理。對比可知，土壤背景溫度對水分脅迫的計算具有較大的干擾，應用Canny邊緣檢測算法剔除無人機高分辨率熱紅外影像的土壤背景可以有效提高水分脅迫指數(shù)CWSI的計算精度。

2.5 CWSI與棉花葉片氣孔導度的模型驗證

利用棉花葉片實測氣孔導度Gs數(shù)據(jù)，驗證表2中的關系模型，均方根誤差RMSE和決定系數(shù)R2共同作為模型檢驗精度的評判標準(表3)。

從表3可知，3種熱紅外圖像處理方法的模型驗證精度均在13:00最高，并且包含土壤背景、二值化Ostu算法、Canny邊緣檢測算法的水分脅迫指數(shù)CWSI與棉花葉片氣孔導度Gs驗證精度在13:00的決定系數(shù)R2分別為0.734、0.775、0.893，均方根誤差RMSE分別為0.086、0.065、0.041，可得Canny邊緣檢測算法的模型驗證精度最高，二值化Ostu算法次之，包含土壤背景的驗證精度最差；在09:00與17:00的模型驗證精度，Canny邊緣檢測算法同樣高于包含土壤背景和二值化Ostu算法的模型驗證精度；從模型驗證的決定系數(shù)R2與均方根誤差RMSE來看，Canny邊緣檢測算法提高了CWSI計算精度，可以更準確地診斷棉花水分狀況。

表3 CWSI與氣孔導度關系的驗證Tab.3 Verification of relationship between CWSI and stomatal conductance

3 討論

本文選取二值化Ostu算法和Canny邊緣檢測算法分別對無人機熱紅外影像的土壤背景進行剔除。二值化Ostu作為一種優(yōu)化的算法，其可以直接對圖像進行閾值分割，而Canny邊緣檢測算法可以對圖像的邊緣特征柵格圖像處理后間接實現(xiàn)圖像分割處理，并且Canny邊緣檢測算法對無人機熱紅外圖像的閾值分割鮮有報道。研究表明，Canny邊緣檢測算法剔除無人機熱紅外圖像的土壤背景效果較為理想，而二值化Ostu算法只適用于低覆蓋度的棉花冠層。目前剔除土壤背景提取純冠層溫度像元的主要方法有：RGB圖像閾值法[33]、熱紅外圖像直方圖閾值法(Tair-10℃

從無人機監(jiān)測作物水分脅迫狀況的最佳時間分析，本文研究了無人機監(jiān)測棉花水分脅迫狀況的3個時刻。通過對比分析可知，包含土壤背景、二值化Ostu算法和Canny邊緣檢測算法3種處理方法13:00的模型精度最高。并且，在13:00利用Canny邊緣檢測算法處理得到的水分脅迫指數(shù)CWSI與棉花葉片氣孔導度Gs的決定系數(shù)R2高達0.84，無人機熱紅外監(jiān)測棉花水分脅迫精度最高。棉花葉片氣孔導度Gs是反映作物葉片蒸騰強度和水分消耗規(guī)律的指標，隨著日出后太陽凈輻射的增強，大氣溫度回升，冠層溫度趨近于大氣溫度[36]，作物水分消耗速率和氣孔導度Gs逐漸增大，土壤可提供作物根系一定量的水分，以保證作物的生理活動。到13:00，如果土壤不能供給作物根系充足的水分，作物則表現(xiàn)出水分脅迫狀態(tài)，氣孔導度Gs變小，反之亦然。而此時，作物水分脅迫現(xiàn)象最為明顯，不同水分處理小區(qū)水分脅迫差異性最大，是作物水分脅迫診斷的最佳時刻，該時刻大氣溫度較高，作物耗水多，比較符合作物的生理耗水規(guī)律，這為無人機監(jiān)測作物水分狀況提供了實踐應用基礎。因此，13:00的作物水分脅迫指數(shù)CWSI與葉片氣孔導度Gs的相關關系高于其他時刻。

然而，本研究也存在不足，棉花冠層理論上可以分為陽光直接照射葉片和陰影葉片，并且兩種冠層葉片的溫度差別較大，將兩種冠層葉片分別進行分析，可以更深入地了解棉花不同冠層溫度對水分響應的變化規(guī)律，并能進一步提高無人機熱紅外診斷作物水分的精度。但是，從熱紅外圖像處理角度分析，區(qū)分兩種冠層葉片成分具有較大的難度，需要研究更優(yōu)化可行的圖像分割算法；從無人機熱紅外技術角度分析，熱紅外圖像空間分辨率較低仍是瓶頸問題。因此，無人機熱紅外診斷作物水分狀況所面臨的難點需要更深入的研究和探討。

4 結論

(1)Canny邊緣檢測算法剔除高分辨率熱紅外影像的土壤背景優(yōu)于二值化Ostu算法，對于不同覆蓋度的作物冠層，Canny邊緣檢測算法具有較大的適用性和理想的分割效果；原始熱紅外影像的溫度直方圖為雙峰形狀，其主峰為作物冠層，占據(jù)大部分像元，偏鋒為土壤背景像元，剔除土壤背景后的熱紅外圖像冠層溫度直方圖呈單峰形狀的偏態(tài)分布。

(2)Canny邊緣檢測算法剔除土壤背景后的水分脅迫指數(shù)CWSI最小，二值化Ostu算法次之，包含土壤背景的最大，土壤背景溫度像元對水分脅迫指數(shù)CWSI的影響較大，因此應用無人機熱紅外技術診斷作物水分狀況應該考慮土壤背景的影響。

(3)Canny邊緣檢測算法剔除土壤背景的水分脅迫指數(shù)CWSI與棉花葉片氣孔導度Gs的模型相關關系最高，優(yōu)于二值化Ostu算法和包含土壤背景的模型精度；通過對無人機熱紅外3個時刻監(jiān)測的水分脅迫指數(shù)CWSI分析可知，Canny邊緣檢測算法、二值化Ostu算法、包含土壤背景3種處理均在13:00的模型精度最高，09:00與17:00的模型精度相近，因此本研究的最佳無人機診斷作物水分狀況的時間為13:00，并且Canny邊緣檢測算法明顯提高棉花水分脅迫診斷的精度。