基于無人機熱紅外遙感的冬小麥水分脅迫研究

姚志華，陳俊英，張智韜，邊 江，魏廣飛，許崇豪，譚丞軒

(1.西北農林科技大學水利與建筑工程學院，陜西 楊凌 712100；2.西北農林科技大學旱區農業水土工程教育部重點實驗室，陜西 楊凌 712100)

0 引 言

及時準確地獲取作物水分脅迫狀況對提高農業用水效率，指導農業生產有著十分重要的意義[1]。針對作物水分脅迫的研究，國外的學者起步較早，Tanner[2]早在1963年便發現了冠層溫度與作物水分脅迫之間存在著一定的關系。隨后，Idso等在1981年提出了計算CWSI的經驗關系式[3]。由于經驗法存在著基線方程不穩定的問題，Jackson等[4]在冠層能量平衡的基礎上提出了理論計算模式，得到了廣泛的認可。為了簡化CWSI的計算，使其能夠更好地用于實踐，Jones等[5-7]利用干濕參考面實測溫度來代替基線溫度，這種簡化算法因為熱紅外畫像技術的普及得到了更廣泛的應用[8,9]。在我國，張仁華等[10]最早采用遙感信息研究作物缺水狀況。隨后，蔡煥杰等[11]嘗試采用冠層溫度來診斷小麥的缺水狀況，袁國富等[12]則著重比較了作物水分脅迫指數CWSI的經驗模式和理論模式在我國華北平原地區冬小麥上的應用。

雖然冠層溫度是判斷作物缺水的一項非常重要的指標[13]，但作物的水分狀態往往與多種因素有關。趙煥等[14]研究發現土壤濕度降低會使作物的生長受到水分脅迫，Junzeng Xu等[15]的研究則證明了CWSI與氣孔導度、蒸騰速率、凈光合速率之間有著密切的關系。隨后，有較多的學者開始開展相關的研究，并取得了一定的進展[16-18]。然而，傳統的遙感設備采集圖像存在分辨率低、處理困難等問題，且與采集的其他作物指標存在著時間上的滯后性，難以準確地反映出作物水分脅迫狀況。近年來，由于無人機遙感技術采集圖像具有高時效、高分辨率、低成本、低風險等特點，在國內外被廣泛應用。BALUJA等[19]利用無人機熱紅外和多光譜圖像來評估葡萄園內水狀態的空間變異性，RUD等[20]則以馬鈴薯為研究對象利用無人機熱紅外圖像獲取CWSI數據評估水分狀況。在我國，張智韜等[21,22]借助無人機遙感平臺，對棉花的水分脅迫狀況進行了重點研究，并取得一定成果。張立元等[23]則利用獲取的無人機數據對大田玉米水分脅迫指數經驗模型的建立方法進行了探究。

然而，利用無人機針對冬小麥的水分脅迫研究相對較少。因此，本文以不同水分處理的冬小麥為研究對象，利用無人機熱紅外遙感平臺，結合作物生理指標數據(Gs、Tr)和土壤水分數據，分別采用一元和多元線性回歸方程建模并驗證，對四個生育期的冬小麥進行了水分脅迫研究。

1 材料與方法

1.1 研究區概況

試驗田位于陜西省楊凌示范區西北農林科技大學中國旱區節水農業研究院(108°04′E，34°17′N，海拔523 m)。該區域屬于暖溫帶季風半濕潤氣候區，年平均降雨量650 mm，平均蒸發量1 000 mm，年平均氣溫在15 ℃左右，極端高溫42 ℃，極端低溫-19.4 ℃，主導風向為東風和西風，全年無霜期200 d。試驗田土壤質地為中壤，田間持水率為25%(質量含水率)，凋萎含水率為8.3%，平均土壤干容重為1.44 g/cm3，有機碳含量8.25 g/kg，全氮含量0.65 g/kg。試驗田面積約333 m2，配備有移動式遮雨棚以及可讀數水表來進行控水，同時周圍地勢開闊，衛星信號良好，可以保證無人機數據的正常采集。

1.2 試驗設計

試驗田冬小麥于2017年10月12日播種，于2018年6月14日成熟收獲。試驗采用小區進行，共分為12個小區，每個小區面積4.3 m×4.6 m，小麥種植行數20行，行距30 cm，每行種植小麥為31.25 g，同時設置寬度為2 m的保護行，試驗田中間預留道路寬1 m。試驗設置4個水分梯度，分別為田間持水量的50%、65%、80%、95%，每個梯度設置3個重復試驗，共分為4個灌水時期進行試驗：拔節期、抽穗期、開花期和灌漿期，試驗前后用打土鉆取土的方式對田間水量作校準。

1.3 數據的采集與處理

1.3.1 作物熱紅外圖像數據

熱紅外圖像采集使用的是大疆公司生產的經緯M600六旋翼無人機搭載禪思XT熱紅外相機來進行。該相機的波段范圍是7.5～13.5 μm,空間分辨率為640×512像素，鏡頭焦距19 mm。熱紅外圖像的采集分別選在小麥長勢良好、地面覆蓋度較大的生育期中一天，包括拔節期(2018年3月15日)、抽穗期(2018年4月3日)、開花期(2018年4月19日)和灌漿期(2018年5月14日)。每天共采集兩次，分別為上午的11∶00和下午的1∶00。無人機飛行高度為15 m，在每個小區上方懸停并拍攝照片2～3張，鏡頭垂直向下，采集圖像分辨率為0.015 m。

1.3.2 作物生理指標數據

氣孔導度(Gs，mmol/(m2·s))和蒸騰速率(Tr，mmol/(m2·s))的測定使用的是美國 Licor 公司生產的 LI-6400 型便攜式光合測定儀，在無人機飛行結束后，從12個小區的每個小區均勻選擇3株長勢良好的麥苗植株葉片進行測量，最后取3株數據平均值作為該小區的作物生理指標數據。

1.3.3 土壤水分數據

土壤水分數據的采集使用的是美國Decagon公司所研制的EM50土壤水分數據采集器，EM50共有5個感應土壤水分的探頭，分別被埋設在10、20、30、40、60 cm的深度處，可以采集小區不同土層深度處的土壤水分，采集器每30 min記錄一次數據，數據導出后篩選出與無人機采集同步時間范圍內的水分數據，最終取5個不同深度處數據的平均值作為觀測結果。

1.3.4 數據的處理

在本研究中，無人機數據采集前，需要選擇特定的小麥植株，在小麥葉片兩面涂抹凡士林封閉氣孔來作為干參考面Tdry，同時以往葉片表面噴水的方式來確定濕參考面Twet，干濕參考面以及冠層溫度Tc的數值均通過熱紅外圖像提取，同時以地面手持紅外測溫儀測得實測溫度進行校準。本文中作物水分脅迫指數的計算采用的是簡化算法[5-8]，主要包括3種不同的簡化模型(CWSI、IG、ICWSI)，均用到了干濕參考面和冠層溫度信息，具體計算公式如下：

(1)

(2)

(3)

式中：Tdry為干參考面溫度；Twet為濕參考面溫度；Tc為冠層溫度。

1.4 數理統計與建模評價

1.4.1 建模集和驗證集的劃分

本次試驗共采集了冬小麥拔節期、抽穗期、開花期、灌漿期4個生育期4 d的數據，每天采集兩次，每次采集12個小區，總試驗數據為96個，從中隨機選取2/3的樣本(n=64)作為建模集，1/3的樣本(n=32)作為驗證集，最終建模集與驗證集的樣本比例為2∶1，保證了建模集樣本與驗證集樣本在一定范圍內的均勻性，從而更有利于評估模型的整體性能。

1.4.2 模型評價標準

試驗分別建立不同水分脅迫指數與氣孔導度(Gs)、蒸騰速率(Tr)和土壤含水率(SWC)的一元線性模型和多元線性回歸模型，對于模型的精度采用R2作為評價指標，R2越接近于1，說明回歸方程對樣本數據點的擬合優度越高;反之，R2越接近 0，擬合優度越低。模型的預測效果通過驗證R2和相對分析誤差RPD兩個參數來檢驗，驗證R2和相對分析誤差RPD越大，表征模型的預測反演效果越好。這兩個參數的計算公式如下：

(4)

(5)

2 結果與分析

2.1 水分脅迫指數與不同指標的相關性分析

通過對采集的數據進行整理和匯總，對樣本數據中的氣孔導度(Gs)、蒸騰速率(Tr)和土壤含水率(SWC)分別與不同的水分脅迫指數(CWSI、IG、ICWSI)進行相關性分析，并繪制出散點圖，結果見圖1～3。

圖1 CWSI與不同指標的相關性分析Fig.1 Correlation analysis of CWSI with different indicators

圖2 IG與不同指標的相關性分析Fig.2 Correlation analysis of IG with different indicators

圖3 ICWSI與不同指標的相關性分析Fig.3 Correlation analysis of ICWSI with different indicators

從圖1可以看出，CWSI隨著葉片氣孔導度(Gs)、蒸騰速率(Tr)和土壤含水率(SWC)的增大而減小，CWSI與各項指標呈現顯著的負相關關系(R2分別為：0.747 4、0.665 3、0.800 1)，而圖2則反映出IG與氣孔導度(Gs)、蒸騰速率(Tr)和土壤含水率(SWC)等指標呈現顯著的正相關關系(R2分別為：0.747 2、0.645 8、0.736 6)，說明IG的值越大，作物受到水分脅迫的程度越明顯。圖3則證明了ICWSI與各項指標呈現顯著的負相關關系(R2分別為：0.701 2、0.663 8、0.779 7)，與圖1的情況類似。從圖1～3可以看出氣孔導度(Gs)、蒸騰速率(Tr)和土壤含水率(SWC)與不同的水分脅迫指數之間均有較強的相關關系，可以用來同步反映冬小麥的水分脅迫狀況。

2.2 一元線性模型的建立與分析

利用建模集中的樣本分別建立不同水分脅迫指數與作物生理指標及土壤水分之間的一元線性模型，同時對模型進行相關性分析和F顯著性檢驗，結果匯總見表1。

表1 水分脅迫指數與各指標的一元線性模型Tab.1 Unitary linear model of water stress index and each index

從表1中可以看出，CWSI、IG、ICWSI與Gs、Tr、SWC的建模決定系數均達到了0.6以上，為了進一步驗證這9個模型的預測效果，將驗證集中的各個指標數據代入模型中，然后將模型實測值與預測值做相關性分析，求出二者之間的擬合方程，同時繪制出1∶1關系圖，結果匯總見圖4。

通過圖4觀察發現，不同水分脅迫指數與各項指標所建立的一元線性模型均展現了較好的預測效果，驗證R2分別達到了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的驗證R2為0.8569，相對分析誤差RPD為2.5997，是9個模型中的最大值，說明在一元線性模型中，土壤含水率對CWSI的反演預測效果更明顯，而模型4和模型7的驗證R2和相對分析誤差RPD則相對較小，說明氣孔導度對水分脅迫指數的預測效果要小于蒸騰速率和土壤含水率。同時，把9個模型一起比較可以發現，模型1、2、3的驗證R2和相對分析誤差RPD相比模型4、5、6和模型7、8、9更大一些，這表明用各項指標來反演不同的水分脅迫指數時，CWSI的預測效果最好。

2.3 多元線性回歸模型的建立與分析

為了探究各個指標對水分脅迫指數的綜合影響，分別建立水分脅迫指數與不同指標的多元線性回歸模型，共計3個，結果匯總見表2。

表2 水分脅迫指數與各指標的多元線性模型 Tab.2 Multivariate linear model of water stress index and each index

從表2可以看出不同水分脅迫指數與各個指標的多元線性回歸模型建模決定系數都達到了0.8以上，表現為顯著相關。為進一步檢驗模型的預測效果，將驗證集中的作物指標數據代入模型中求出不同水分脅迫指數的預測值，并將實測值與預測值作比較，繪制兩者之間的1∶1關系圖，結果匯總見圖5。

由圖5對比發現，3個模型中，模型10的預測效果最佳，驗證R2和相對分析誤差RPD分別達到了0.928 1和3.041 0，模型12次之，分別為0.902 5和3.035 9，模型11的驗證R2和相對分析誤差RPD最小，分別為0.901 4和2.753 1，說明在多元線性回歸模型中，用各項指標來反演CWSI可以達到更好的預測效果，這與一元線性模型得出的結論類似。

3 結 語

(1)用作物生理指標數據和田間土壤水分數據來反演作物水分脅迫指數時，不同的水分脅迫指數有著不同的反演效果，整體而言是：CWSI>ICWSI>IG。

(2)在反演水分脅迫指數的模型中，多元線性回歸模型的預測效果要優于一元線性模型。其中，一元模型中，以土壤含水率為自變量來反演CWSI的模型預測效果最佳，多元模型中，以氣孔導度、蒸騰速率和土壤含水率為自變量來反演CWSI的模型預測效果最佳。

(3)無論是一元模型還是多元模型，建模R2均達到了0.6以上，驗證R2均達到了0.7以上，相對分析誤差RPD均達到了1.4以上，說明用作物生理指標數據和田間土壤水分數據來反演冬小麥的水分脅迫狀況具有較高的可行性。

(4)由于本次試驗在冬小麥的四個生育期中只采集了一天的兩個時刻數據，隨著生育期增加以及數據量的加大，是否有同樣的預測效果還有待進一步研究。

(5)本研究以無人機為遙感平臺，通過采集不同水分處理下的冬小麥熱紅外圖像來反演作物水分脅迫狀況，對小區域作物實現精準灌溉具有重要意義，同時也為今后實現多區域、大尺度地監測作物水分脅迫狀況提供了一條新思路。