覆蓋度對無人機熱紅外遙感反演玉米土壤含水率的影響

張智韜 許崇豪 譚丞軒 邊 江 韓文霆

(1.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； 2.西北農林科技大學水利與建筑工程學院， 陜西楊凌 712100； 3.西北農林科技大學水土保持研究所， 陜西楊凌 712100)

0 引言

作物根系吸收的土壤水分超過90%通過蒸騰作用散發到空氣中，而作物正是通過蒸騰作用維持冠層溫度的平衡[1]。1963年，TANNER[2]首次提出采用冠層溫度指示作物水分狀況，此后許多學者對這一問題進行了研究，證明冠層溫度可以作為評價作物缺水的指標[3-5]。文獻[6]通過對玉米的研究發現，基于冠層溫度的作物缺水指標與土壤水分有顯著的線性關系；文獻[4]試驗發現，土壤水分對冠層溫度在12：00—15：00時間段的影響最大。但在大田試驗中，冠層溫度不僅受土壤水分影響，空氣溫度等環境因素[7-9]也能影響冠層溫度，因而若用冠層溫度單一指標反演土壤含水率，其精確度并不高，許多學者由此提出利用冠層溫度與大氣溫度差值預測作物或土壤水分狀況[10-12]，并取得了較好的效果。以上冠層溫度均是通過手持式測溫儀獲取的“點”數據，耗時、耗力，且對大面積區域不具代表性。隨著無人機技術的成熟，基于無人機搭載熱紅外成像儀獲取作物冠層溫度，并用于旱情監測成為近幾年研究的熱點[13-14]。

國外利用無人機熱紅外技術獲取冠層溫度信息，并用于診斷作物或土壤含水率的研究較早[15-17]，國內則處于起步階段[18-19]。當植被覆蓋度較低，無人機熱紅外圖像提取的溫度信息是作物冠層和土壤的混合溫度，因此剔除土壤背景是獲得準確冠層溫度的關鍵。目前，針對剔除熱紅外圖像中的土壤背景問題，已有研究通過一些邊緣檢測算子[20]直接提取熱紅外圖像中的特定地物[21-22]，但是這種方法要求熱紅外圖像具有極高的分辨率。大田試驗中為滿足拍攝面積的需要，無人機飛行高度偏高導致熱紅外圖像分辨率偏低，故僅僅依靠熱紅外影像往往不能把土壤和作物很好地區分開[23-24]?；谕桓叨扰臄z的可見光圖像分辨率遠高于熱紅外圖像分辨率這一特點，文獻[25]利用無人機熱紅外圖像與數碼影像相結合的方法提取大田玉米的冠層溫度，經驗證，提取的冠層溫度與地面實測值具有高度一致性。但關于不同土壤背景剔除方法對冠層溫度提取的影響還少有人研究。

此外，作為植被的表型參數，植被覆蓋度是反映植被基本情況的客觀指標, 在許多研究中常將其作為基本的參數或因子[26]。一些研究認為，植被覆蓋度能夠影響冠層溫度的變化幅度[27]和冠層溫度[25]，也有研究[28-29]指出，植被覆蓋度與表層土壤水分含量、地表溫度都存在一定的關系。而結合覆蓋度的冠層溫度反演土壤含水率卻少有人研究，利用覆蓋度通過比值法將某一區域冠-氣溫差平均值進行單位化處理，由此反演土壤含水率更未見報道。

本文以拔節期的大田玉米為對象，利用短時間內拍攝的同一試驗區域的可見光(RGB)與熱紅外圖像，經不同分類方法剔除圖像中土壤背景，獲取玉米覆蓋度及玉米冠層溫度。在此基礎上，探究覆蓋度對冠層溫度的影響，并利用冠-氣溫差、冠-氣溫差與覆蓋度之比反演不同深度土壤含水率，以確定冠-氣溫差與覆蓋度之比反演土壤含水率的效果及最佳深度。

1 材料與方法

1.1 試驗區域概況

試驗區域位于內蒙古自治區鄂爾多斯市達拉特旗昭君鎮，東經109°36′，北緯40°25′，海拔1 010 m。屬于典型溫帶大陸性氣候，干燥少雨，冬寒夏熱，晝夜溫差大， 年均日照時數約3 000 h，年均氣溫6.1～7.1℃，無霜期135～150 d，太陽能、風能資源充裕。年均降水量240～360 mm，主要集中在7—9月。試驗地土壤為砂壤土，0～90 cm深度平均田間持水率為18.5%(體積含水率)，土壤容重為1.56 g/cm3。

1.2 試驗設計

試驗地(圖1a)為半徑60 m的圓狀區，面積為1.13 hm2，將其劃分為5個等面積的扇形區域，每個扇形區域的灌水量不同(相當于5個水平處理)，每個扇形區域設置3個6 m×6 m的正方形采樣區(相當于3個重復)，每個正方形采樣區按對角線設置A、B、C3個采樣點(圖1c)，每次試驗數據采集在這3個點上進行。在每個扇形區域的中心埋設有小型氣象站(高度2 m)，記錄空氣溫濕度、風速等；在T2、T3、T4、T5扇形區域中心以及噴灌機軸心標有事先用RTK(Real-time kinematic)測定的5個地理位置幾何控制板(圖1b)，用于圖像拼接的幾何校正。

玉米播種時間為2018年5月11日，出苗時間為5月18日，收獲時間為2018年9月8日，全生育期歷經114 d。玉米播種深度約5 cm，行距50 cm、株距25 cm，行沿東西走向。灌溉方式采用中心軸式噴灌機。對于扇形區域T1進行充分灌溉(田間持水率的95%)，將其作為不受水分脅迫的試驗區域；對于扇形區域T4進行嚴重的水分脅迫處理(田間持水率的40%)；T2、T3、T5水分梯度分別設置為田間持水率的80%、70%、60%。灌溉量通過安裝在噴灌機上的流量計(MIK-2000H型)控制，但由于其誤差較大以及大田試驗易受降水的影響，實際灌溉量可能存在偏差，特別是對于嚴重水分脅迫處理的T4區域，即使試驗前不灌溉，其實際土壤含水率也可能高于試驗方案中設計的土壤含水率(40%田間持水率)。

圖1 試驗區域布置圖Fig.1 Layouts of test area

1.3 無人機圖像及地面數據獲取

在玉米拔節期，選擇天氣晴朗無風的日期，分別在2018年7月4日、7月8日、7月12日、7月17日進行無人機圖像以及地面數據的采集，采集時間集中在每天的12：00—15:00(北京時間)之間。

(1)可見光(RGB)圖像的獲取

利用大疆精靈4Pro型無人機獲取可見光(RGB)圖像。無人機整機質量1 388 g，續航時間可達30 min。相機2 000萬像素，圖像采用3∶2寬高比，對應最大分辨率為5 472像素×3 648像素。試驗中無人機飛行高度50 m，重疊度90%，對應地面分辨率1.25 cm，按照規劃的飛行航線對試驗地進行拍攝。飛行時間在12:30—13:00，采集整個試驗區域大約用時25 min。

(2)熱紅外圖像的獲取

自主研發的六旋翼無人機，飛行姿態平穩，續航時間30 min以上，最大起飛質量15 kg。利用搭載的640像素×512像素VuePro 640R型熱成像儀獲取熱紅外圖像，VuePro 640R型熱成像儀質量130 g，鏡頭焦距19 mm，視場角32°× 26°，波長范圍7.5～13.5 μm。無人機飛行高度60 m，重疊度85%，對應地面分辨率7.8 cm。飛行時間在12:00—12:30，采集整個試驗區域大約用時20 min。

(3)地面數據的采集

無人機圖像采集完成后，進行地面數據采集，主要是大氣溫度和土壤含水率。土壤含水率的測定采用傳統的取土干燥法(精確度高)，在每個正方形采樣區的中心進行土鉆取土，取土深度為10、20、30、45、60 cm，土樣取出后迅速裝入鋁盒進行稱量，放入干燥箱在105℃溫度下干燥8 h后再稱量，計算土壤質量含水率，乘以土壤容重得土壤含水率(SMC)。4次試驗T1～T5區域不同深度的土壤含水率列于表1。大氣溫度從埋設在扇形區域中心的小型氣象站下載，5個扇形試驗區域對應5個大氣溫度。

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

1.4 無人機圖像的處理

1.4.1圖像拼接與配準

為得到完整的試驗區圖像，需要將無人機一次試驗拍攝的圖像進行拼接。采用PIX4D mapper軟件，拼接過程中需要導入事先用RTK(Real-time kinematic)測定的5個地面控制點的矢量文件，并通過5個幾何控制板(圖1)手動校準，確保拼接后圖像中地理坐標與實際地理坐標一致。為保證兩幅拼接圖像中的地物更加吻合，還需對熱紅外與可見光(RGB)圖像進行配準。利用ENVI Classic軟件，以可見光(RGB)圖像為基準圖像，熱紅外圖像為配準圖像，手動選取兩幅圖像中同一地物明顯的特征點(本研究中均選取15個以上)進行配準。

1.4.2熱紅外圖像的溫度轉換與校準

VuePro 640R型熱成像儀獲取的熱紅外原始圖像是灰度圖像，需用配套的轉換公式(T=0.04VDN-273.15，式中T為溫度，VDN為灰度)將灰度圖像轉換為溫度圖像。為降低誤差，還需進行溫度校準，方法如圖2所示，利用各個方向反射率相同的“黑布”“灰布”各一塊(標準反射板，其反射率見表2)，以及近似黑體的一盆水，通過查閱非金屬發射率，確定標準反射板的發射率(比輻射率)在0.94～0.96之間，水的發射率為0.96。當無人機升至60 m高度時獲取3個地物的熱紅外圖像并提取溫度，同時用手持熱紅外測溫儀(美國雷泰RayTek ST60+型，光譜響應范圍8～14 μm，輻射率設置為0.97，測溫范圍-32～600℃，測量精度± 1% 或± 1℃中較大者)測定3個地物的溫度，為保證測定溫度的準確性，測定時手持熱紅外測溫儀垂直地面(與無人機熱紅外成像儀觀測角度一致，即垂直地面)掃描“黑布”“灰布”及水，由此得出的數值是掃射路徑溫度的平均值，并且每個物體掃射3次，再取平均值。建立圖像溫度與實測溫度的關系式(圖2b中關系式為4次試驗溫度校準關系式)，即溫度校準式。熱紅外圖像的溫度轉換與校準工作均在ENVI軟件中通過波段運算完成。

圖2 溫度校準方法Fig.2 Temperature calibration method

1.4.3可見光(RGB)圖像中的植土分離

可見光(RGB)圖像的分辨率較高，因此在可見光(RGB)圖像中對地物進行分類進而提取玉米冠層比較容易實現。本研究采取灰度分割法[30]、RGRI[31]植被指數法和GBRI植被指數法3種分類方法對可見光(RGB)圖像中玉米植株冠層與土壤分類，對比哪種方法更適用于大田玉米的分類。

表2 RedEdge多光譜相機參數及反射板對其中心波長的反射率Tab.2 RedEdge multispectral camera parameters and reflectance of reflector to its center wavelength

由于可見光(RGB)圖像中綠(G)波段對植物的綠反射敏感，藍(B)波段對葉綠素濃度反應敏感，嘗試通過綠(G)波段與藍(B)波段比值來進行分類從而提取玉米的冠層區域，由此提出GBRI植被指數。

灰度分割法的前提是已知灰度分割區間，本研究在每次試驗獲取的可見光(RGB)圖像中分別選取30個玉米植株和土壤的代表區域，統計玉米植株和土壤的綠(G)波段灰度，通過直方圖對比發現兩者并無明顯的交叉區域(圖3為7月4日玉米植株冠層與土壤樣本的灰度直方圖)，因此采用玉米植株綠(G)波段作為灰度分割波段，并確定玉米植株冠層的灰度區間(圖3中左側為玉米冠層灰度區間，右側為土壤灰度區間)，得到最終分類圖像，對分類圖像進行二值化處理提取玉米冠層矢量文件。

圖3 玉米冠層與土壤的G波段灰度直方圖(2018-07-04)Fig.3 Histogram of G band DN value of corn canopy and soil (2018-07-04)

圖4 玉米冠層與土壤的RGRI值直方圖(2018-07-04)Fig.4 Histogram of RGRI values of corn canopy and soil (2018-07-04)

植被指數分類法需要確定閾值，本研究在植被指數RGRI(或GBRI)圖像中分別選取30個玉米植株冠層與土壤的代表區域，利用直方圖統計玉米植株冠層與土壤RGRI(或GBRI)的數值并確定閾值(圖4 是7月4日玉米植株冠層與土壤的RGRI值直方圖，左側為玉米冠層的RGRI值)，然后進行二值化處理，提取玉米冠層的矢量文件。通過以上直方圖法，2018年7月4日、7月8日、7月12日、7月17日4次試驗，RGRI植被指數分類法玉米植株冠層與土壤的閾值分別為0.93、0.95、0.91、0.91，GBRI指數分類法玉米植株冠層與土壤的閾值分別為1.25、1.08、1.08、1.07。

以上對植被指數的計算以及地物分類均在ENVI軟件中進行，分類完成后在ArcGIS 10.4.1中裁剪出15個采樣小區，對采樣小區進行二值化處理提取玉米冠層矢量文件。

1.4.4剔除土壤背景后冠層溫度提取

將可見光(RGB)圖像分類后經二值化處理提取的玉米冠層矢量文件疊加到配準過的熱紅外圖像中，利用ENVI軟件進行掩膜處理，獲得玉米冠層掩膜文件，對熱紅外圖像做掩膜并進行數據統計，可得此區域每個像元對應的冠層溫度以及此區域冠層溫度最大值、最小值和平均值，此平均溫度即是該區域剔除土壤背景的冠層溫度平均值Tc。3種分類方法的分類效果以及熱紅外圖像冠層溫度的提取流程如圖5所示。

1.5 覆蓋度的計算

根據植被覆蓋度(FVC)的定義[32]，利用ENVI統計每個采樣小區的可見光(RGB)圖像中總像元數Sa，再統計每個采樣小區提取的玉米冠層矢量文件區域的像元數Sc，則此采樣小區的玉米覆蓋度Vc為

對15個采樣小區均做相同處理，則可得每個采樣小區的玉米覆蓋度。由于不同的分類方法提取的冠層區域大小有差異，因此由不同的分類方法計算的覆蓋度大小不一致。

1.6 模型的建立與精度評價

采用2018年7月4日、7月8日、7月12日、7月17日4 d的試驗數據(4次試驗)進行建模與驗證，試驗區域的15個采樣小區即每次試驗的15個數據，4次試驗共60個數據。每次試驗從T1～T5試驗區內分別抽取一個采樣小區做驗證，其余兩個采樣小區建模，即4次試驗建模集數據有40個，驗證集數據有20個。建模時通過決定系數R2，回歸模型整體的方差檢驗值F，方差檢驗的顯著性概率P判斷所建模型的相關程度以及顯著性，R2越接近于1，F值越大，P值越接近于0，表示方程越顯著，擬合程度也就越好。驗證時通過預測值與實測值的決定系數R2以及均方根誤差RMSE綜合評價模型的效果，其中R2越接近于1，則模型的擬合效果越好，而RMSE越接近于0，表征模型的預測精度越高，預測能力越強。

2 結果分析

2.1 不同分類方法計算的玉米植株覆蓋度變化趨勢

圖6列出了T1～T5這5個試驗區域由3種分類方法提取冠層區域計算的玉米植株覆蓋度(Vc)變化趨勢。

由圖6可以看出，隨著玉米的生長，覆蓋度呈整體上升趨勢，但增長的速率有所差異，在7月8—12日這一區間內增長較慢甚至出現負增長狀況(T2、T3、T5)，實際中覆蓋度并不是真正下降，4 d中7月12日大氣溫度最高、光照最強，使得玉米葉片發生卷縮，因此通過可見光(RGB)圖像提取的玉米冠層區域相對減少，由此計算的覆蓋度反而小于7月8日。而T1試驗區域由于一直保持充分灌溉(不受水分脅迫)，其覆蓋度始終保持增長趨勢；T4試驗區域一直受到水分脅迫，其覆蓋度也始終增長，只是速率較慢。同時，對比T1區域(不受水分脅迫)和T4區域(受水分脅迫最嚴重)，T1區的覆蓋度要遠大于T4區，這表明一個區域覆蓋度狀況可以指示此區域的土壤水分狀況，因為土壤水分是決定作物長勢的關鍵因素。

圖6 T1～T5試驗區不同分類方法計算的覆蓋度變化趨勢Fig.6 Trends of coverage calculated by different classification methods in T1～T5 test areas

對比不同分類方法計算的覆蓋度，同一區域不同分類方法計算的玉米覆蓋度存在一定差距，本研究中選用的3種分類方法，由灰度分割法計算的玉米覆蓋度偏大，RGRI指數法計算的覆蓋度偏小。以T1區域為例，7月4日由灰度分割法分類后計算的玉米覆蓋度為0.65，而RGRI指數法分類后計算的玉米覆蓋度為0.33，由此看出，通過可見光(RGB)圖像提取冠層區域計算覆蓋度時，分類方法至關重要。

對比T4和T5區，在7月12日之前T5區的覆蓋度高于T4區，差別不明顯的原因是，受降雨的影響，實際中很難達到40%田間持水率這么低的含水率，導致T4和T5區土壤含水率相差不大。而7月17日T4區覆蓋度明顯高于T5區的原因是，根據試驗記錄，7月13日對T4區進行了水肥一體化處理(尿素)，且7月15日有降雨發生，這使得7月17日采集數據時T4區的玉米長勢優于T5區。

圖7 T1～T5試驗區不同分類方法提取的冠層溫度變化趨勢Fig.7 Trends of canopy temperature extracted by different classification methods in T1～T5 test areas

2.2 冠層溫度的變化趨勢

通過植土分離提取可見光(RGB)圖像中的玉米冠層，生成玉米冠層的掩膜文件，疊加于熱紅外圖像中提取玉米的冠層溫度，由不同的分類方法提取的T1～T5試驗區域冠層溫度的變化趨勢如圖7所示。

由圖7可以看出，各個試驗區域玉米冠層溫度的變化趨勢大致相同，均在7月12日達到最大值，但不同試驗區最大值又有所不同，T1區域低于30℃，T3、T4、T5則高于40℃，其中T4最高為43.65℃。出現此現象的原因是，T1試驗區灌水充足，玉米不受水分脅迫，有足夠的水分進行蒸騰作用降低冠層溫度；而T4試驗區受到嚴重水分脅迫，蒸騰速率降低致使冠層溫度升高。5個試驗區域對比可發現，玉米冠層溫度的變化趨勢與大氣溫度的變化趨勢具有一致性，且T1區域(充分灌溉)中大氣溫度曲線位于冠層溫度曲線之上，T4區域(水分脅迫)的大氣溫度曲線位于冠層溫度曲線之下，其他3個試驗區域(正常處理)的大氣溫度曲線則位于中間位置。表明大氣溫度是影響冠層溫度的一個外界因素，土壤水分是決定冠層溫度高低的內在原因，并且通過對比兩者的高低(差值)也能大致判斷土壤水分狀況。

熱紅外圖像未剔除土壤背景提取的玉米冠層溫度均大于剔除了土壤背景提取的冠層溫度，這說明通過熱紅外圖像提取冠層溫度時，土壤溫度是影響精確度的重要因素，因此剔除土壤背景有助于提高冠層溫度的精確度。對比不同的分類方法，灰度分割法分類后提取的冠層溫度偏高，RGRI指數法分類后提取的冠層溫度偏低，GBRI指數法提取的冠層溫度相對適中，這與3種分類方法計算的覆蓋度趨勢一致。這是由于任何一種分類方法分類后的“冠層區域”都會包含土壤或其他地物，對于同一時期同一區域，分類后“冠層區域”越大(如灰度分割法)，計算的覆蓋度越高，此中包含的非冠層就越多，由此提取的“冠層溫度”也因此偏高。

2.3 覆蓋度的差異性對冠層溫度的表征

圖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)玉米覆蓋度與冠層溫度的差異性對比圖。

圖8 不同分類方法提取的玉米覆蓋度與冠層溫度對比Fig.8 Comparisons of corn coverage and canopy temperature by different classification methods

由圖8可以看出，覆蓋度越低，則冠層溫度越高，兩者呈顯著的線性關系(R2均在0.5以上，P<0.05)。但經驗證此關系僅適用于短時間內獲取的冠層溫度和覆蓋度(本研究采用一天內采集的數據)，若所用數據采集時間間隔較長，如對4次試驗所有數據進行線性擬合，則線性相關性較弱(R2均小于0.1)，原因可能是隨著玉米的生長，冠層溫度處于穩定的變化區間內，覆蓋度則處于動態增長的過程中。

同一天中由不同的分類方法提取的覆蓋度與冠層溫度均呈現負相關，但數值的大小有所差異，由灰度分割法獲取的覆蓋度、冠層溫度相對較高，除7月8日，其他3次試驗數據多數位于相關圖的右上方，RGRI指數法獲取的覆蓋度、冠層溫度相對較小，4次試驗的數據多數位于關系圖點的左下方，而GBRI指數法獲取的覆蓋度則相對適中，這與2.2節中得出的結論具有一致性。

2.4 冠-氣溫差反演不同深度的土壤含水率

將冠-氣溫差(Tca)作為自變量，土壤含水率(Smc)作為因變量，建立一元線性回歸模型，對比研究不同分類方法獲取的冠-氣溫差反演不同深度土壤含水率相關程度，結果見表3。同時，為更直觀顯示變量和因變量之間的關系，將10～20 cm深度的散點圖列于圖9(y代表土壤含水率Smc，x代表冠-氣溫差Tca)。

表3 不同分類方法獲取的冠-氣溫差與不同深度土壤含水率關系Tab.3 Relationship between crown-air temperature difference and soil moisture content at different depths obtained by different classification methods

圖9 不同分類方法獲取的冠-氣溫差與10～20 cm深度土壤含水率相關關系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，所有線性回歸模型的回歸系數均為負值，說明冠-氣溫差與土壤含水率具有負相關關系。同時不同分類方法獲取的冠-氣溫差與土壤含水率的線性相關程度也具有一定差異性，以土壤深度0～10 cm為例，未剔除土壤背景建立的回歸模型其決定系數小于剔除了土壤背景所建立回歸模型的決定系數(R2=0.255，小于0.374、0.391、0.425)，這表明利用熱紅外圖像提取的冠層溫度信息反演土壤含水率時受土壤溫度的影響較大。同樣，土壤深度為10～20 cm時，R2=0.360，小于0.498、0.493、0.538；土壤深度為20～30 cm時，R2=0.131，小于0.212、0.211、0.258。因此熱紅外圖像中剔除土壤背景獲取單純的作物冠層溫度能夠提高反演土壤含水率的精度。

對比3種剔除土壤背景的分類方法，通過GBRI指數法獲取的冠-氣溫差與土壤含水率的線性相關程度最高，土壤深度0～10 cm時，R2=0.425，大于0.391、0.374；10～20 cm，R2=0.538，大于0.493、0.498； 20～30 cm時，R2=0.258，大于0.211、0.212，說明GBRI指數法獲取的冠-氣溫差反演土壤含水率優于RGRI指數法和灰度分割法。通過前面的分析，并結合反演土壤含水率的精度，可以認為GBRI指數法對大田玉米的分類效果較優。

從反演土壤含水率深度來看，10～20 cm深度的效果最優，即使是未剔除土壤背景獲取的冠-氣溫差與土壤含水率相關程度也達到極顯著的水平(R2=0.36，P<0.001)，而經過GBRI指數法剔除土壤背景獲取的冠-氣溫差與土壤含水率建立的線性模型，其相關程度更高(R2=0.538)。0～10 cm的效果次之，30 cm以下則幾乎無相關性，由此知冠-氣溫差與表層(0～30 cm)土壤含水率具有較強的相關性。試驗過程中通過取土發現，玉米在拔節期根系大多位于0～30 cm之間，在10～20 cm間的根系分布最廣，由此表明冠-氣溫差能夠較好地反演玉米根域深度的土壤水分狀況。

2.5 冠-氣溫差與覆蓋度之比反演土壤含水率

通過試驗觀察發現，當土壤含水率很低致使玉米發生嚴重水分脅迫時，玉米葉片會發生卷縮，而此時通過無人機可見光圖像計算的覆蓋度會大幅度降低，這印證了覆蓋度在一定程度上能夠預示土壤含水率。由2.4節已驗證冠-氣溫差與土壤含水率存在較好的線性關系，將冠-氣溫差與覆蓋度結合共同反演土壤含水率，結果見表4。

表4 冠-氣溫差與覆蓋度之比與不同深度的土壤含水率關系Tab.4 Relationship between crown-temperature difference and coverage ratio and soil moisture content at different depths

由表4可以看出，回歸系數均為負值，表明冠-氣溫差與覆蓋度之比與土壤含水率具有負相關關系，3種分類方法監測20 cm以上的土壤含水率均達到極顯著的水平(P<0.001)，在0～10 cm時決定系數R2分別為0.488、0.450、0.406，相比于冠-氣溫差R2(0.425、0.391、0.374)均有所提高；同理10～20 cm深度時，決定系數R2由0.538、0.493、0.498分別提高至0.600、0.550、0.564，利用冠-氣溫差與覆蓋度之比反演表層土壤水分的精度要高于單一冠-氣溫差指標監測土壤水分的精度，由此得出冠-氣溫差與覆蓋度之比是反演玉米根域深度土壤含水率效果更優的新指標。

3種分類方法中，通過對比冠-氣溫差與覆蓋度的比值與土壤含水率的相關性，以10～20 cm為例，0.600(GBRI指數法)>0.564(灰度分割法)>0.550(RGRI指數法)，說明用GBRI指數法分類的效果更優。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從大到小依次為0.600(20 cm)、0.488(10 cm)、0.290(30 cm))。以上表明，利用GBRI指數法分類后提取冠層溫度，通過冠-氣溫差與覆蓋度的比值反演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評價

通過以上分析建立了冠-氣溫差與覆蓋度之比這一指標與土壤含水率的線性回歸模型，為驗證其精確度，利用同時期采集的數據進行精度評價。對線性模型計算出的土壤含水率預測值與試驗中測得的實際值進行相關性分析，通過對比兩組變量的決定系數R2以及均方根誤差RMSE，對冠-氣溫差與覆蓋度之比這一新指標反演土壤含水率精度進行驗證，結果見表5(x為預測值，y為實測值)。

表5 不同分類方法的土壤含水率預測值與實測值擬合結果Tab.5 Fitting curve between predicted and measured values of soil moisture content by different classification methods

從表5可以看出，深度為0～10 cm和10～20 cm時，由冠-氣溫差與覆蓋度之比計算的土壤含水率預測值與實測值都具有很高的相關性，達到極顯著的水平(P<0.001)。特別是10～20 cm時，驗證集決定系數R2均達到0.7以上，且均方根誤差RMSE均低于2%；而深度20～30 cm時，預測值與實測值的相關程度明顯降低(R2低于0.5)，偏差顯著增大(RMSE在2%以上)。對比3種分類方法，由GBRI指數法對應的土壤含水率預測值與實測值擬合效果最優(10～20 cm：R2=0.773，大于0.708、0.705；RMSE為1.36%，小于1.64%、1.55%)。

3 討論

在分類方法的選取上，本研究不僅嘗試了以上3種分類方法，還驗證了其他幾種分類方法[33-35]，但是在玉米的分類上效果均不如GBRI理想。利用GBRI指數分類時，部分與植株區分不明顯的陰影會被歸為玉米植株，這是導致提取的冠層溫度存在誤差的主要原因。本研究利用的無人機熱紅外圖像與可見光(RGB)圖像非同步拍攝(拍攝時間、高度與飛行航線均不同)，但拍攝角度均是垂直地面，即兩種圖像中真實的玉米冠層區域一致，由此提取的玉米冠層溫度信息來反演土壤水分，并取得了較好的效果，驗證了此方法也適用于短時間間隔內非同步拍攝的影像。但是提取的冠層溫度與實際值會有所差異，非同步拍攝的圖像由于太陽角有偏差，兩種圖像中同一玉米的陰影位置會變化，即配準時可見光(RGB)圖像中的陰影可能對應熱紅外圖像中太陽直射的土壤，由此提取的玉米冠層溫度可能高于實際冠層溫度，而楊文攀等[25]通過同步拍攝兩種圖像提取的冠層溫度低于實際冠層溫度。

針對冠層溫度這一單一指標反演土壤含水率精度不高的問題，本文通過對玉米覆蓋度的探究提出用冠-氣溫差與覆蓋度之比來反演土壤含水率，經建模驗證，此指標與土壤含水率呈顯著的線性關系。但本研究的不足之處在于，對3種分類方法剔除土壤背景后獲取的冠層溫度以及覆蓋度沒有做精度評價，GBRI指數分類效果具體精度沒有做定量考察。冠-氣溫差與覆蓋度之比只能反演玉米根域深度(本研究中沙壤土拔節期玉米根域深度在0～30 cm之間)的土壤含水率，對于更深的土壤水分則效果較差。而且利用冠-氣溫差與覆蓋度之比這一指數反演土壤含水率是否適用于玉米其他生育期、是否適用于其他作物還有待驗證。

4 結論

(1)在無人機可見光(RGB)圖像中提取玉米冠層區域，將其疊加于熱紅外圖像中，經掩膜處理后獲得無土壤背景的玉米冠層溫度，這為低分辨率下的熱紅外圖像地物分離提供了一種新方法，由此獲取的冠層溫度信息反演土壤含水率，其精度遠優于未剔除土壤背景的冠層溫度。

(2)不同分類方法獲取的玉米覆蓋度與冠層溫度存在差異，經驗證，GBRI指數法更適用于大田玉米的植土分離，且在短時期內(玉米長勢不變)，覆蓋度能夠表征玉米冠層溫度，覆蓋度越低，說明冠層溫度越高。

(3)在玉米拔節期，通過冠-氣溫差反演大田玉米土壤含水率取得了較優的效果，而利用冠-氣溫差與覆蓋度之比反演大田玉米的土壤含水率，相比前者其精度明顯提高，表明冠-氣溫差與覆蓋度之比是反演玉米根域深度土壤含水率效果更優的指標。