考慮作物生長狀態的農田表面溫度數據精量甄別與區分

肖春安，蔡甲冰，常宏芳，張敬曉，許 迪

考慮作物生長狀態的農田表面溫度數據精量甄別與區分

肖春安，蔡甲冰※，常宏芳，張敬曉，許 迪

（1. 中國水利水電科學研究院，流域水循環模擬與調控國家重點實驗室，北京，100038；2. 國家節水灌溉北京工程技術研究中心，北京，100048）

農田表面溫度是土壤、作物和大氣之間進行水/熱交換傳輸的重要參數，也是灌區遙感反演模型的重要參量。在利用熱紅外傳感器連續獲取農田表面溫度數據時，由于作物的生長發育處于動態變化中，農田表面溫度數據往往混合了作物冠層溫度和土壤表面溫度。為精準甄別和區分田間海量監測數據，該研究結合Logistic作物生長模型，通過考慮作物生長狀態指標葉面積指數（Leaf Area Index，LAI）和作物冠層高度及其關鍵節點，構建了農田表面溫度監測數據的甄別算法。以內蒙古永濟試驗站玉米和向日葵實測數據對算法進行驗證，并利用解放閘灌域和吉林省長春試驗站的玉米和向日葵田間觀測數據進行校核。結果表明：考慮LAI和作物冠層高度并利用Logistic模型模擬的關鍵節點來建立甄別算法，能夠為農田稀疏植被表面溫度數據甄別提供高效判定。與人工測量值對比，冠層溫度優化幅度在10 個百分點左右（相對誤差），土壤表面溫度優化幅度超過5個百分點；甄別方法可以明顯提升冠層和土壤表面溫度的獲取精度。甄別算法中校正因子數值需根據作物種植密度及LAI確定，其中玉米校正因子選擇作物冠層溫度校正因子0.9，土壤表面溫度校正因子1.1；向日葵校正因子以葉面積指數最大值4為基礎，選取冠層溫度校正因子0.7，土壤表面溫度校正因子1.2；在不同地區應用時，向日葵葉面積指數最大值每增加1，推薦冠層溫度校正因子調高0.35，土壤表面溫度校正因子調低0.18。研究結果可為精量灌溉提供技術支撐，提高了農田監測數據的性能，為無人機遙感和衛星遙感數據的精量甄別提供算法和驗證。

溫度；傳感器；土壤；冠層；數據甄別；Logistic模型

0 引 言

隨著物聯網、云平臺等無線通信技術的進步與發展，農業生產管理也逐步走向精準高效；精準農業能夠結合作物需求，根據農田環境實時信息精準并有針對性的對作物生長進行管理，為實現作物高效生產提供重要保障[1-3]。其中的精量灌溉依托于農情監測數據，對作物自身水分信息、農田小氣候以及土壤墑情等因素進行綜合評判，進而獲得最精準的信息進行灌溉決策、預報和管理[4-6]。

借助ZigBee、Wi-Fi、LoRa、NB-IoT和RFID技術等多種無線通信方式，無線傳感器網絡能高效準確地采集和傳輸農田環境信息，遠程監控模塊的增添實現了農田小氣候與視頻圖像信息參數采集與傳輸的高度集成[7-10]，三維GIS的應用可展示大規模農田作業區三維虛擬場景[11-12]。Sakamoto等[13]利用數碼相機捕捉作物近紅外圖像進而連續監測作物狀態，提供了可用于驗證來自MODIS等衛星系統長時間序列的地面真實數據的替代方法；Kim等[14]利用集成的低成本、近地表遙感系統對植被指數、光合有效輻射和葉面積指數進行植被冠層動態的持續監測；Xiang等[15]采用高時空分辨率的遙感系統自動捕獲田間多光譜圖像進而可對作物冠層反射率校準。農田遠程墑情、作物冠層溫度監測和農田環境信息的相結合，可為農田綜合灌溉決策提供及時、準確的數據[16-18]。

農田表面溫度常應用在估算農田蒸散發方法和模型中[19-21]。作物冠層溫度是研究土壤、作物和大氣之間進行水/熱交換傳輸的重要參數，可利用其與氣溫的差值來判斷作物缺水狀況[22-24]；準確的作物冠層溫度數據也可作為抗旱和耐熱作物品種選育的重要依據[25]。熱紅外傳感器測溫具有較高的穩定性，因其尺度擴展和適應性，在農田尺度和區域尺度都能廣泛使用[26-28]。可利用熱紅外傳感器自動監測系統對農田下墊面進行連續多點掃描[29]；因作物生長發育的進程，以及行距株距的存在，尤其是在作物生育早期所獲得的溫度數據可能會包含田間作物冠層溫度和土壤表面溫度。目前常使用監測溫度數據的均值，簡化了數據處理過程，但混合數據可能會影響精細農田灌溉模型計算精度。如常用的農田雙源蒸散發模型分別估算作物蒸騰和土壤蒸發，其關鍵點就是要準確獲取作物冠層和土壤表面的溫度及相關參量[30-33]。因此對農田表面溫度進行甄別與區分以獲得翔實的溫度數據，將有助于提升模型估算精度并得到有效應用。另外，通過對農田表面溫度進行有效甄別和區分，亦為研究農田水熱梯度變化規律提供了同步的作物冠層溫度和土壤表面溫度數據，可保證農田溫度時空差異性研究的精準可靠。

為有效甄別和區分農田表面溫度數據并提高數據的有效性及可利用性，本文利用作物生長指標構建一種溫度數據甄別方法，對玉米和向日葵2種作物的農田表面溫度監測數據進行優化處理。以內蒙古河套灌區永濟灌域的田間試驗觀測數據為例，綜合評判甄別區分后所得作物冠層溫度和土壤表面溫度數據的有效性；進一步應用河套灌區解放閘灌域和吉林省長春試驗站的田間實測數據進行評估驗證，探究該甄別方法的適用性，以期為精準農業和精量灌溉的農田實時數據提供高效管理方法和處理依據，為科學灌溉的實施提供重要技術支撐。

1 材料與方法

1.1 試驗區與觀測項目

1.1.1 監測系統的布設

2021年5—9月作物主要生育期內，在內蒙古河套灌區永濟試驗站（107°16′35″E，40°44′11″N）玉米（科合699）和向日葵（谷豐6號）的田塊中間分別安裝CTMS-On line系統，如圖1所示。本年度玉米和向日葵播種日期分別是5月20日和6月12日，出苗日期為5月28日和6月19日，收獲日期分別是10月2日和9月30日。玉米和向日葵的種植密度分別為7.5和4株/m2。CTMS-On line系統通過旋轉平臺驅動懸臂梁末端的熱紅外溫度傳感器，對田間下墊面進行多點掃描，其詳細工作原理可見參考文獻[18]。如圖1c所示，置于監測系統旋轉臂上的熱紅外傳感器每次環繞中心立柱，按照固定角度均勻掃描下墊面1周，可獲取10個點位溫度數據。掃描系統采集時間間隔為30 min，同步連續監測的其他指標還包括太陽輻射、光合有效輻射、空氣溫/濕度、風速、大氣壓強，以及作物根區土壤溫/濕度（作物根區10、20和40 cm）等。由于作物冠層發育過程和作物行距株距的存在，掃描點位可能在作物冠層和行間距間的土壤表面（圖1c）。

圖1 玉米和向日葵試驗地CTMS-On line監測系統的布設與手持熱紅外測溫儀觀測情況

2016年內蒙古河套灌區解放閘灌域在向日葵和玉米地分別布置CTMS-On line系統（106°43′～107°27′E，40°34′～41°14′N），向日葵和玉米的種植密度分別為5 和7.5株/m2。2018—2019年在吉林省長春試驗站（125°19′8″E，43°38′40″N）玉米地布設了相同監測系統，兩年玉米的種植密度均為8株/m2。以上系統連續監測所獲得的數據用于設計算法和模型驗證。

1.1.2 其他監測項目

作物出苗后，每2 d于10:00—18:00間隔2 h使用手持熱紅外測溫儀（ST80+，美國雷泰公司），在布設監測系統的玉米和向日葵地定點測取8～10組作物冠層溫度和土壤表面溫度（圖1d），并對其進行均值化處理以消除測量主觀誤差和隨機誤差。此數據將用于與CTMS-On line系統監測數據的驗證和對比。

在生長季內，分別在玉米和向日葵地固定選取3株，每隔7～10 d測量作物冠層高度（）、葉長和葉寬等作物生態指標。葉面積指數（Leaf Area Index，LAI）通過式（1）計算：

式中為折算系數（本文玉米取0.75，向日葵取0.65）[34-35]；為種植密度，株/m2（本文玉米和向日葵分別為7.5和4株/m2）；代表作物編號，為對應作物的葉片序號，其中為第株作物的總葉片數；L為葉長，m；B為最大葉寬，m。

1.2 溫度數據甄別算法構建

1.2.1 監測數據特征提取

溫度數據甄別與區分的目標是將熱紅外傳感器所測下墊面10個點位掃描溫度區分為作物冠層溫度（T）和土壤表面溫度（T）。玉米和向日葵生育前期LAI和較低，植被處于相對稀疏的狀態，監測系統每次掃描下墊面所測數據可能是T和T的混合結果。以2021年7月17日布置在永濟試驗站玉米和向日葵田間的CTMS-On line系統獲得的日內典型時段的溫度為例（圖 2），日內每個時段（10:00—18:00）所掃描的10個溫度數據之間的標準方差大于0.1。7月17日玉米處于生育中期而向日葵開始進入快速發育期，2種作物株高和葉面積指數差異較大，因而2種作物監測結果差異較大。這種差異也間接地反映出2種作物田間墑情、生長環境條件的不同，因而甄別和區分算法要因作物不同而調整。

圖2 玉米和向日葵田間CTMS-On line系統掃描的10個點位農田下墊面溫度數據（2021年7月17日）

一般情況下，作物出苗后冠層高度隨日序數增加呈現“緩慢增長—快速增長—緩慢增長”的趨勢，LAI則呈現“緩慢增長—快速增長—緩慢增長—快速減少”的趨勢。為了獲得準確的作物生長特征以構建數據甄別算法，充分考慮作物冠層高度和葉面積指數在生育期內主要特征，本文以日序數為自變量，利用2種Logistic生長模型分別模擬每日和LAI的變化，其表達式為[36-38]

式中1和2分別代表作物生育期內每日的和LAI；為日序數，本文取年內自然日；和分別為一定環境條件下的作物最大（m）和LAI；、、、、為對應的Logistic模型待定系數。

1.2.2 Logistic模型擬合

圖3是根據2021年作物生長指標實際測量結果擬合的基于Logistic生長模型的和LAI變化曲線。根據作物生長趨勢，其中關鍵變化轉折點記為M1（快速發育期起點）、M2（快速發育期中點）、M3（平穩生長期起點）和M4（生育期內葉面積指數最大點）。可見玉米和向日葵在作物生育前期（M1之前）的LAI及相對較低，隨后生育中期（M1和M3之間）葉面積迅速發展LAI增大，而在作物生育后期（M4之后）葉片逐漸凋萎，葉面積逐漸減少。

為確定和LAI變化曲線的拐點（為簡化算法，假定和LAI的關鍵轉折點對應日序數一致），對式（2）和式（3）進行求導，整理得：

注：M1，快速發育期起點；M2，快速發育期中點；M3，平穩生長期起點；M4，生育期內葉面積指數最大值點。例：M1:07-17（198）中，07-17為日期，198為日序數。其余同上。

此時式（4）和式（5）分別為和LAI的變化速率方程。令式（5）等于0（增長速率為0），便可求得LAI的最大值（LAImax)），并記該點處的日序數為M4。二者對應計算公式為

對式（4）進行一階求導，并令其等于0，即可求出最大增長速率對應的日序數M2。在M1之前和M3之后緩慢增長趨于平緩，而在M1和M3之間，作物生長迅速。為確定這兩個特征點，可對式（2）進行三階求導，并令其等于0，便可求出生長曲線上的兩個突變拐點，即最大生長階段對應的日序數區間（M1，M3）。可得上述關鍵點計算式如下：

從圖3可知，2021年永濟試驗站實測數據擬合的Logistic模型關鍵參數，對于玉米：=1.27×1010，=0.118，=4.50，=1.20×10-3，=-0.557，=63.4；對于向日葵：=4.77×1010，=0.119，=6.68，=1.54×10-3，=-0.747，=90.3。結合式（6）和式（7），可推求關鍵節點對應的日序數分別為：玉米：M1=186（7月5日），M2=198（7月17日），M3=209（7月28日），M4=232（8月20日），LAImax=3.52；向日葵：M1=198（7月17日），M2=207（7月26日），M3=218（8月7日），M4=243（8月31日），LAImax=3.99。

1.2.3 溫度數據甄別算法與流程

將作物生長指標和LAI作為首要評判指標，以作物生長關鍵節點的日序數M1，M2，M3和作物LAI最大時的日序數M4為時間節點（對應圖3中的關鍵生長節點（星號*）），來判斷和構建溫度數據甄別算法。本文選取標準方差（Standard Deviation，SD）和相對誤差（Relative Error，RE）進行相關數據的統計和分析。

本文設計溫度甄別和區分的算法流程見圖4，其中是需要甄別處理溫度數據當天的年內日序數。數據處理流程如下：

1）若M3≤≤M4，作物和LAI較高，長勢良好枝葉茂密，那么10個掃描點位溫度默認為葉片溫度，并以其平均值作為T。當≥M4時，由圖3可知作物株高基本保持穩定，LAI呈現逐漸下降趨勢，但在作物收獲前LAI的值仍較高，說明此時植株枝葉仍較密，10個掃描點位溫度仍主要掃描為葉片溫度，同樣以其平均值作為T。

2）當≤M1時，作物和LAI均較低，此時作物枝葉較小處于苗期，監測系統所掃描的10個溫度數據主要來源于農田土壤表面，少量點位掃描在葉片上。本時期內的溫度數據篩選與區分，做如下處理：若10個掃描溫度的標準方差SD≤0.1（數據離散程度較小，基本穩定），則所有值的均值默認為T，此時T的獲取需通過人工測量溫度確定T與T之間的比例關系，以近似反推T。在溫度數據穩定可靠的前提下，若10個掃描溫度的標準方差SD>0.1（數據離散程度稍大，具有一定程度區分性），可將溫度中最小值（min）臨近的幾個數值點均值作為T，其余的溫度數值點的均值作為T。

注：M1～M4分別為作物生長關鍵節點的日序數；SD為標準方差。

3）當M1<0.1（數據離散程度稍大，易出現極端值）且溫度數據中出現了一些“0”值，該掃描結果較為少見，應舍棄此類數據并必須檢查監測系統是否正常運行；②若SD≤0.05（數據離散程度很小，且數據值較為接近），在保證CTMS-On line系統良好運行的條件下，將這些數據的平均值作為T；③若0.05T；④當0.1T和T數據矩陣。

為整體數據集矩陣×矩陣，即由原始數據所組成，對應每一時刻點所得監測數據的均值所構成的1×矩陣。指定計算主要包括bsxfun函數中的函數操作@ge和@le，@ge為大于或等于閾值，@le為小于或等于閾值。本文以CTMS-On line系統監測的10個掃描溫度的平均值作為閾值，對原始溫度數據矩陣進行區分，其他函數操作詳見https://ww2.mathworks.cn/help/matlab/ref/bsxfun. html?s_tid=srchtitle_bsxfun_1。

為確保區分后的T和T數據矩陣真實可靠，應進一步優化校正。利用人工測量溫度數據與經過甄別算法區分所得T和T數據之間的線性關系，確定作物T和T數據矩陣的校正因子（本文數據處理后可得冠層溫度校正因子玉米為0.9、向日葵為0.7，土壤表面溫度校正因子分別為1.1和1.2）。最后將區分后的T和T數據分別乘以相對應的校正因子，即可得到最終甄別篩選的T和T數據。

2 結果與分析

2.1 基于人工測量溫度檢驗數據甄別算法可靠性

選取永濟試驗站玉米和向日葵生育期4個關鍵節點（M1，M2，M3和M4）的溫度數據進行驗證；通過分析溫度數據區分結果與人工測量數據的匹配情況，探究甄別算法的可行性和有效性。

2.1.1 玉米地

人工測量溫度在10:00—18:00內間隔2 h進行，觀測日內可得目標田塊土壤表面溫度T和作物冠層溫度T各5組數據。圖5是玉米和向日葵生育期內4個關鍵時間節點人工測量溫度與數據甄別優化后所得T和T的結果對比。其中，圖5為玉米地對比結果；由于玉米地在7月5日（M1）處于灌溉狀態，此時T和T獲取精度難以保證，因而選擇田塊表面干燥后的7月8日（M1′）相對應溫度數據進行驗證。

注：在關鍵節點（M）無實際田間溫度時（灌溉或降雨），用臨近節點（M1′）處驗證。

從圖5可見，玉米的T和T均在14:00達到峰值，呈現明顯的單峰型變化特征。表面溫度監測數據包含了T和T混合數據，經算法優化后甄別區分出T和T，與人工測量T和T之間的變化趨勢保持一致，且大小較為接近；與沒有甄別的混合數據相比，匹配度明顯提高。4個生長節點中快速發育期的M2處表現出更好的匹配結果。生育中后期的M4處玉米枝葉茂密長勢良好，監測系統所掃描的10個點位在作物葉片上；此時根據本文設計的甄別算法判定其全部為作物冠層溫度（等于甄別前監測溫度），所平均得到的T數值與人工測量T的保持很高的匹配度（圖5）。與冠層溫度甄別對比結果相比，田間土壤表面溫度T在中午12:00—14:00差異稍大，甄別后所得的T均小于人工測量T；與冠層溫度甄別結果一致，甄別后T亦在M2處與人工測量T的匹配度最佳。

以人工測量溫度數據為參照量，分別計算上述時段溫度數據甄別優化前后與其之間的相對誤差，同時計算RE優化幅度，即甄別前RE絕對值與甄別后RE絕對值之間的差值；其值若為正值，數值越大表明精度提升幅度越大，若為負值則表明沒有提升精度，甄別效果不明顯。2021年永濟試驗站玉米和向日葵地計算結果如圖6所示。由圖 6a可知，各節點處日內甄別優化后T與人工測量T的RE絕對值明顯低于甄別優化前；M1′（7月8日）14:00和16:00處作物冠層溫度RE值，從甄別優化前的19.0%和21.8%下降為甄別優化后的-2.9%和1.8%，優化幅度分別為16.0和19.9個百分點。其中M2和M3處各時刻甄別優化后RE均相對較小，與前述分析結果一致。且各時間段內計算的RE優化幅度均為正值，表明甄別優化后對溫度數據的精度有所提升，且在作物前中期優化幅度最大（平均RE優化幅度為12.2個百分點）。與T表現類似，甄別優化后T與人工測量T的平均RE絕對值從15%降為5%；土壤表面溫度與人工測量T之間的RE優化幅度在7個百分點左右，溫度數據精度提升較高（圖6b）。

圖6 永濟試驗站玉米和向日葵地表面溫度甄別優化前后溫度結果與人工測量溫度之間RE變化

從總的RE值表現來看，7月8日M1′處18:00處甄別優化后T和T的RE絕對值明顯高于其他時刻，其值分別為15.9%和12.5%，優化幅度分別為14.1和-10.2個百分點。上述結果產生原因可能是由于本區域農田常伴有冷氣流現象（多云或刮風），導致此時田間溫度瞬時變化較大；同時人工測量與系統監測之間的等時性也可能有一定的偏差。除此之外，總體上T和T經甄別優化后，RE優化幅度大多為正值，即玉米地的T和T的平均優化幅度分別為12.2和7.0個百分點，其精度均得以有效提升高，表明甄別算法的可靠性。

2.1.2 向日葵地

為確定本文溫度甄別方法在向日葵地的應用效果，對向日葵的4個典型生長節點（M1，M2，M3和M4）處所獲得的甄別前后的T和T與人工測量溫度數據進行對比驗證。如圖5向日葵作物所示，在10:00—18:00時間段內向日葵地T和T呈現單值波峰現象，且甄別優化后T和T與人工測量T和T的變化趨勢基本一致，典型時刻內數據結果相差不大。與玉米地類似，向日葵在快速發育期節點M2（7月26日）處甄別后的T和T與人工測量數值的匹配程度最優，此時作物長勢良好，農田下墊面溫度數據被有效的區分為T和T。而當作物處于生長中后期，作物枝葉茂密長勢良好有效遮蔽土壤表面，甄別算法確定此時監測溫度都是冠層溫度T，與人工測量T匹配結果良好（圖5h）。

從向日葵田塊下墊面溫度數據甄別優化前后與人工測量溫度之間的相對誤差RE變化（圖6c和圖6d）看，M1（7月17日）和M2（7月26日）處，T的RE絕對值較甄別優化前降低了30%，且RE優化幅度也相對較高均大于20個百分點，整體的平均優化幅度可達32.3個百分點。與此同時，甄別優化后T的RE值穩定在-5%～5%，除M1節點16:00和18:00時間段內RE優化幅度較低，整體的平均優化幅度仍有12.0個百分點。在向日葵生育中后期作物長勢茂密，監測數據甄別的T和T與人工測量數值之間的匹配效果雖略弱于前，但它們之間的RE絕對值仍可保持在10%以內（M3（8月7日）），符合預期的溫度數據甄別精度。

2.2 基于CTMS-Online系統監測結果的甄別算法校核

為進一步查勘農田表面溫度數據甄別算法的效果，以內蒙古河套灌區解放閘灌域和吉林省長春試驗站的CTMS-Online系統監測的農田下墊面溫度數據為例進行校核和驗證。其中長春試驗站為2018年和2019年玉米地監測數據，解放閘灌域是2016年玉米和向日葵兩種作物的數據。根據當年的農田實測LAI和數據，兩個地區玉米和向日葵所擬合的Logistic生長模型模擬曲線及關鍵生長節點如圖7所示。

圖7 解放閘灌域和長春試驗站基于玉米和向日葵h和LAI的Logistic生長模型擬合結果

2.2.1 長春玉米地校核與驗證

從圖7a和圖7b中可知，長春試驗站玉米地2018年與2019年利用Logistic生長模型確定的M1、M2、M3和M4的關鍵生長節點（日序數）差別不大，兩年日期基本相臨。因慮及同一地區同類作物，這里選擇2018年模型擬合對應的關鍵節點日期應用于溫度數據甄別篩選算法的校核與驗證。由于2018年節點M2（7月9日）連續多天降雨，為保證數據驗證的可靠性，以M2′處（7月12日）替代；其余關鍵節點M1（6月22日）、M3（7月24日）和M4（8月16日）如圖7a所示。這里統計了甄別優化前后T和T與人工測量溫度之間的相對誤差RE值，并計算了RE優化幅度，如表1所示。

從表1可知，2018年冠層溫度T在M1處RE從19.6%降到7.7%，有11.9個百分點的優化幅度；M2′和M3處分別從9.4%降至1.5%和從12.8%降至2.3%，優化幅度分別為7.9和10.5個百分點，精度提升效果較為明顯；2019年優化幅度則分別為10.3（M1）、2.7（M2）和1.4（M3）個百分點。2018年在M2′處和2019年M2處甄別優化后T與人工測量T之間的RE絕對值<5%，與永濟試驗站甄別結果最佳時段一致。M4節點玉米處于生長中后期，數據甄別程序判斷下墊面掃描溫度均為冠層溫度；除2019年M4處18:00時刻與人工測量T的RE絕對值稍大（9.7%），其他時刻內均保持在5%以內。土壤表面溫度T的甄別驗證結果則表現為，RE絕對值大致從10%左右縮減到5%以內，能夠與人工測量T相貼近；各階段整體的的優化幅度大約為5個百分點，且甄別效果最佳階段亦在M2階段。其中因生育早期甄別前T與人工測量T較為接近，通過算法確定出的T精度提升不明顯，如2018年M1處。總體而言，2018 —2019年長春玉米T和T平均優化幅度分別為7.5%和5.5%，本文的甄別算法滿足長春試驗站玉米地T和T的甄別區分精度要求。

2.2.2 解放閘灌域玉米和向日葵校核與驗證

解放閘灌域和永濟灌域同屬于河套灌區，主要農作物為玉米和向日葵。這里利用2016年解放閘灌域所監測的兩種作物生育期下墊面溫度數據進行甄別處理，并將甄別優化前后的T和T與同時段的人工測量溫度進行對比，以查核甄別算法在本區域的應用效果。

從圖3a和圖7c可知，玉米生長指標數值在解放閘灌域和永濟灌域兩地比較相近（永濟：LAImax=3.52，max=2.72 m；解放閘：LAImax=3.72，max=2.61 m），因此甄別算法中采用同一校正因子（=0.9，=1.1)計算玉米地甄別優化前后T和T與人工測量值之間的RE值及其優化幅度，結果如圖8a和圖8b所示。由圖 8a可見，玉米生育中后期（M3，M4）長勢穩定，甄別優化后T與人工測量T之間的RE絕對值低于5%，兩者匹配度較高；生育前中期（M1，M2）甄別優化后的T與人工測量T之間的RE值明顯低于甄別優化前的結果，其絕對值在10%以內。除了M1和M2節點處10:00時段優化幅度為負值，其他時間段內均為正值，這表明甄別優化后的T能與人工測量T較好的契合，其精度得以保證。圖 8b中甄別優化后的T與人工測量T之間的RE絕對值在10%以內，且除了M1和M2節點處16:00時段優化幅度為負值，其他時間段內均為正值；甄別優化后T和T的整體平均優化幅度分別為4.9和7.5個百分點，表明該甄別方法甄別精度較為理想。

表1 長春試驗站玉米地監測數據甄別優化前后的溫度與人工測量之間相對誤差變化

解放閘灌域向日葵溫度數據甄別，首先嘗試采用與永濟灌域同一校正因子（=0.7，=1.2），甄別優化前后T和T與人工測量值之間的相對誤差RE值及其優化幅度結果如圖8c和圖8d所示。從圖中可見，除了M1和M2處T甄別優化后的RE絕對值較小，其余節點和日內時段均超過了10%，且T和T的RE優化幅度多數小于0。數值不符合預期設想，沒有達到精度提升的效果。這種情況可能是由于解放閘灌域相較于永濟灌域的向日葵LAI和株高更大（圖3b和圖7d，永濟：LAImax=3.99，max=1.77 m；解放閘：LAImax=4.56，max=2.21 m），CTMS-On line系統熱紅外傳感器運行時連續掃描下墊面，在作物覆蓋度較高時掃描到葉片上的概率較大（旋轉臂均勻旋轉一周獲取10個溫度數據），掃描到土壤表面的概率也就越小，采用相同校正因子會對結果產生一定誤差。因此，針對永濟灌域向日葵冠層溫度校正因子（=0.7）和土壤表面溫度校正因子（=1.2），適當調整并設定解放閘灌域校正因子（=0.9，=1.1）。利用此設定的校正因子進行甄別優化區分，結果如圖8e和圖8f所示。可見數據甄別優化后RE值的紅色柱大幅縮短，其絕對值基本在5%以內，整體上RE優化幅度為正值，T和T的平均優化幅度分別為8.8和6.3個百分點，較校正前均得到大幅提升。與圖8c和圖8d相比，此時甄別優化后的溫度數據與人工測量溫度數據吻合度較高，使得T和T的整體精度均得以大幅度提升。由此可知，同一作物的不同生長情況下，數據甄別算法應根據相應的LAImax確定適宜的校正因子數值。

圖8 解放閘灌域玉米和向日葵地甄別優化后的溫度與人工測量之間相對誤差

3 討 論

農田下墊面溫度自動監測系統包含了土壤表面溫度T和作物冠層溫度T的混合數據，及時和合理的利用甄別區分算法，對于監測系統在處理海量數據時至關重要。本文考慮了作物的生長狀態以及關鍵節點來建立甄別算法，取得了較好效果。

根據種植密度和植被覆蓋度的不同，作物可大致分為稀疏植被和密集植被[39-40]。除本文所分析的向日葵和玉米外，番茄、大豆以及辣椒等在生長前中期屬于稀疏植被范疇內的對象，亦可考慮采用本文溫度甄別篩選方法對利用熱紅外傳感器掃描獲得的溫度數據進行有效甄別。從解放閘灌域向日葵溫度數據甄別區分過程可知，同一種作物在不同種植密度及其不同的LAI變化情況下，要適當調整校正因子，實現不同種植情況下的有效甄別，且獲取的T和T均符合精度要求。參照永濟試驗站與解放閘灌域的實測數據，本文以LAImax等于4為基礎每向上增加1，向日葵冠層溫度校正因子調高0.35，土壤表面溫度校正因子調低0.18，精度提升明顯。

本研究基于3個地區（永濟、長春、解放閘）進行了相關研究，計算結果表現了良好的一致性，最終可以根據作物種植密度及LAI合理確定校正因子數值。在作物不同生育期，溫度的變化是具有差異性的，因而實際的校正因子可能是一個動態變化值。這也是后續需要進一步研究的地方，初步設想將其與田間氣溫的動態變化相結合，以獲取更為準確的校正因子。在沒有實測數據的情況下，推薦本文數值處理方法作為參考。隨后將進一步對星載的大范圍數據進行處理和計算分析，對甄別算法進行校核驗證與完善。

在農田信息監測方面，無人機遙感具有高頻、迅捷、空間分辨率高、時效性強等特點。且在精準農業領域中，常可用于監測田塊尺度上的作物生長指標（植被覆蓋度、葉面積指數、株高等），并可有效預測作物產量[41-42]。無人機遙感利用熱紅外傳感器獲取2.5～14m波段連續和非連續的數據，在植被覆蓋度較高的地區，無人機遙感獲取的地表溫度被默認為作物冠層溫度，可結合作物水分脅迫指數（Crop Water Stress Index，CWSI）量化作物含水率與冠層溫度的關系，進而反映農田水分狀況[42-45]。在植被覆蓋度中等的地區，無人機遙感獲取的地表溫度是冠層與土壤溫度的混合體，且土壤表面溫度對監測作物冠層溫度有著不可忽視的影響，對于如何有效精量甄別無人機遙感獲取的下墊面溫度的相關研究較少。本文所設計的考慮作物生長狀態的農田表面溫度數據甄別方法，可為無人機多種植被類型的遙感溫度數據精量甄別提供幫助；同理，對衛星遙感數據進行合理甄別與區分，為估算大尺度灌域的蒸散發提供精細的溫度數據來源。

4 結 論

通過考慮作物生長狀態指標和關鍵節點，利用作物生長模型，設計了農田表面溫度數據進行甄別與區分算法，并利用田間監測數據進行校核和驗證，得到如下結論：

1）作物生長指標葉面積指數LAI和冠層高度可作為稀疏植被溫度數據甄別有效區間的判定指標；結合Logistic作物生長模型，確定作物生育期關鍵節點來設計合理數據甄別算法。

2）通過與人工測量值對比，甄別方法對冠層溫度（T）和）土壤表面溫度（T）的獲取精度得以有效提升。以二者之間相對誤差（RE）變化為例，永濟試驗站玉米T和T優化幅度為12.2和7.0個百分點，向日葵優化幅度為32.3和12.0個百分點；兩年長春玉米T和T的平均優化幅度分別為7.5和5.5個百分點；解放閘灌域玉米T和T優化幅度分別為4.9和7.5個百分點，經調整甄別算法中校正因子后向日葵T和T優化幅度為8.8和6.3個百分點。

3）甄別算法中校正因子數值需根據作物種植密度及LAI確定；玉米校正因子選擇作物冠層溫度校正因子0.9，土壤表面溫度校正因子1.1；向日葵校正因子以葉面積指數最大值4為基礎，選取冠層溫度校正因子0.7，土壤表面溫度校正因子1.2；在不同地區應用時，向日葵葉面積指數最大值每增加1，推薦冠層溫度校正因子調高0.35，土壤表面溫度校正因子調低0.18。

[1] 陳媛媛，游炯，幸澤峰，等. 世界主要國家精準農業發展概況及對中國的發展建議[J]. 農業工程學報，2021，37(11)：315-324.

Chen Yuanyuan, You Jiong, Xing Zefeng, et al. Review of precision agriculture development situations in the main countries in the world and suggestions for China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11): 315-324. (in Chinese with English abstract)

[2] 何東健，楊成海，楊青，等. 面向精準農業的農田土壤成分實時測定研究進展[J]. 農業工程學報，2012，28(7)：78-85.

He Dongjian, Yang Chenghai, Yang Qing, et al. Research progress of real-time measurement of soil attributes for precision agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(7): 78-85. (in Chinese with English abstract)

[3] Bwambale E, Abagale F K, Anornu G K. Smart irrigation monitoring and control strategies for improving water use efficiency in precision agriculture: A review[J]. Agricultural Water Management, 2022, 260: 107324.

[4] 魯旭濤，張麗娜，劉昊，等. 智慧農業水田作物網絡化精準灌溉系統設計[J]. 農業工程學報，2021，37(17)：71-81.

Lu Xutao, Zhang Lina, Liu Hao, et al. Design of the networked precision irrigation system for paddy field crops in intelligent agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(17): 71-81. (in Chinese with English abstract)

[5] 蔡甲冰，張寶忠，劉鈺. 精量灌溉決策與控制技術[J]. 中國水利，2016(9)：66-67.

Cai Jiabing, Zhang Baozhong, Liu Yu. Precision irrigation decision and control technology[J]. China Water Resources, 2016(9): 66-67. (in Chinese with English abstract)

[6] 李淑華. 農田土壤墑情監測與智能灌溉云服務平臺構建關鍵技術研究[D]. 北京：中國農業科學院，2016.

Li Shuhua. Research on Key Technologies of Cloud Service Platform for Farmland Foil Moisture Monitoring and Intelligent Irrigation[D]. Beijing: Chinese Academy of Agricultural Sciences, 2016. (in Chinese with English abstract)

[7] 賈敬敦，魯相潔，黃峰，等. 遠程控制與無線通信技術在農業中的應用分析與展望[J]. 農業機械學報，2021，52(S1)：351-359.

Jia Jingdun, Lu Xiangjie, Huang Feng, et al. Review of remote-control technology and wireless communication technology in agricultural applications[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(S1): 351-359. (in Chinese with English abstract)

[8] 喬曉軍，張馨，王成，等. 無線傳感器網絡在農業中的應用[J]. 農業工程學報，2005，21(增刊2)：232-234.

Qiao Xiaojun, Zhang Xin, Wang Cheng, et al. Application of the wireless sensor networks in agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(Supp.2): 232-234. (in Chinese with English abstract)

[9] Hamami L, Nassereddine B. Application of wireless sensor networks in the field of irrigation: A review[J]. Computers and Electronics in Agriculture, 2020, 179: 105782.

[10] 武永峰，宮志宏，劉布春，等. 基于遠程監控的農業氣象自動采集系統設計[J]. 農業機械學報，2010，41(10)：174-179.

Wu Yongfeng, Gong Zhihong, Liu Buchun, et al. Automatic collecting system of agro-meteorology information based on remote monitoring technique[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(10): 174-179. (in Chinese with English abstract)

[11] 林蘭芬，王瑞松，于鵬華. 基于GIS的農田小氣候環境可視監測系統[J]. 農業機械學報，2015，46(3)：254-260.

Lin Lanfen, Wang Ruisong, Yu Penghua. GIS based visual monitoring system of farmland microclimate environment[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3): 254-260. (in Chinese with English abstract)

[12] 盧健，陳桂芬，孟穎，等. 基于三維GIS的農田環境模擬監測的研究及系統實現[J]. 中國農業科技導報，2017，19(3)：50-55.

Lu Jian, Chen Guifen, Meng Ying, et al. Simulation of farmland environmental monitoring based on 3D GIS and system implementation[J]. Journal of Agricultural Science and Technology, 2017, 19(3): 50-55. (in Chinese with English abstract)

[13] Sakamoto T, Gitelson A A, Nguy-Robertson A L, et al. An alternative method using digital cameras for continuous monitoring of crop status[J]. Agricultural and Forest Meteorology, 2011, 154-155: 113-126.

[14] Kim J, Ryu Y, Jiang C Y, et al. Continuous observation of vegetation canopy dynamics using an integrated low-cost, near-surface remote sensing system[J]. Agricultural and Forest Meteorology, 2019, 264: 164-177.

[15] Xiang H T, Tian L. An automated stand-alone in-field remote sensing system (SIRSS) for in-season crop monitoring[J]. Computers and Electronics in Agriculture, 2011, 78: 1-8.

[16] 李楠，劉成良，李彥明，等. 基于3S技術聯合的農田墑情遠程監測系統開發[J]. 農業工程學報，2010，26(4)：169-174.

Li Nan, Liu Chengliang, Li Yanming, et al. Development of remote monitoring system for soil moisture based on 3S technology alliance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(4): 169-174. (in Chinese with English abstract)

[17] 張增林，郁曉慶. 基于ZigBee和ARM9的農田墑情遠程監測系統[J]. 節水灌溉，2011(7)：54-57.

Zhang Zenglin, Yu Xiaoqing. Remote monitoring system for soil moisture based on ZigBee and ARM9[J]. Water Saving Irrigation, 2011(7): 54-57. (in Chinese with English abstract)

[18] 蔡甲冰，許迪，司南，等. 基于冠層溫度和土壤墑情的實時監測與灌溉決策系統[J]. 農業機械學報，2015，46(12)：118-124.

Cai Jiabing, Xu Di, Si Nan, et al. Real-time monitoring system of crop canopy temperature and soil moisture for irrigation decision-making[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(12): 118-124. (in Chinese with English abstract)

[19] Abioye E A, Abidin M S, Mahmud M S A, et al. A review on monitoring and advanced control strategies for precision irrigation[J]. Computers and Electronics in Agriculture, 2020, 173: 105441.

[20] 史長麗，郭家選，梅旭榮，等. 夏玉米農田表面溫度影響因素分析[J]. 中國農業科學，2006，39(1)：48-56.

Shi Changli, Guo Jiaxuan, Mei Xurong, et al. Analysis of the factors influencing surface temperature in summer maize field[J]. Scientia Agricultura Sinica, 2006, 39(1): 48-56. (in Chinese with English abstract)

[21] Bense V F, Read T, Verhoef A. Using distributed temperature sensing to monitor field scale dynamics of ground surface temperature and related substrate heat flux[J]. Agricultural and Forest Meteorology, 2016, 220: 207-215.

[22] Jackson R D, Reginato R J, Idso S B. Wheat canopy temperature: A practical tool for evaluating water requirements[J]. Water Resources Research, 1977, 13(3): 651-656.

[23] 張宏鳴，王佳佳，韓文霆，等. 基于熱紅外遙感影像的作物冠層溫度提取[J]. 農業機械學報，2019，50(4)：203-210.

Zhang Hongming, Wang Jiajia, Han Wenting, et al. Crop canopy temperature extraction based on thermal infrared remote sensing images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(4): 203-210. (in Chinese with English abstract)

[24] 張智韜，吳天奎，于廣多，等. 夏玉米冠層溫度變化的時滯效應及其對土壤水分監測的影響[J]. 農業工程學報，2022，38(1)：117-124.

Zhang Zhitao, Wu Tiankui, Yu Guangduo, et al. Time delay effect of summer maize canopy temperature change and its influence on soil moisture content monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(1): 117-124. (in Chinese with English abstract)

[25] 劉濤，仲曉春，孫成明. 作物溫度及其監測技術研究進展[J].中國農業科技導報，2017，19(12)：59-66.

Liu Tao, Zhong Xiaochun, Sun Chengming. Review on crop temperature and its monitoring technologies[J]. Journal of Agricultural Science and Technology, 2017, 19(12): 59-66. (in Chinese with English abstract)

[26] Wei J X, Zhu W B. An operational parameterization scheme of surface temperature-vegetation index contextual model for large-scale temporally continuous evapotranspiration estimation: The case study of contiguous United States[J]. Journal of Hydrology, 2021, 602: 126805.

[27] Idso S B, Reginato R J, Jackson R D, et al. Measuring yield-reducing plant water potential depressions in wheat by infrared thermometry[J]. Irrigation Science, 1981, 2: 205-212.

[28] Miguel N, Borja M, Juan J P, et al. A new low-cost device based on thermal infrared sensors for olive tree canopy temperature measurement and water status monitoring[J]. Remote Sensing, 2020, 12(4): 723-723.

[29] 蔡甲冰，白亮亮，許迪，等. 基于地面紅外檢測系統驗證的灌區地表溫度遙感反演[J]. 農業工程學報，2017，33(5)：108-114.

Cai Jiabing, Bai Liangliang, Xu Di, et al. Remote sensing inversion of land surface temperature based on validation by observed infrared temperature in situ[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 108-114. (in Chinese with English abstract)

[30] Kool D, Agam N, Lazarovitch N, et al. A review of approaches for evapotranspiration partitioning[J]. Agricultural and Forest Meteorology, 2014, 184: 56-70.

[31] 張寶忠，許迪，劉鈺，等. 多尺度蒸散發估測與時空尺度拓展方法研究進展[J]. 農業工程學報，2015，31(6)：8-16.

Zhang Baozhong, Xu Di, Liu Yu, et al. Review of multi-scale evapotranspiration estimation and spatio-temporal scale expansion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(6): 8-16. (in Chinese with English abstract)

[32] 楊雨亭，尚松浩. 雙源蒸散發模型估算潛在蒸散發量的對比[J]. 農業工程學報，2012，28(24)：85-91.

Yang Yuting, Shang Songhao. Comparison of dual-source evapotranspiration models in estimating potential evaporation and transpiration[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(24): 85-91. (in Chinese with English abstract)

[33] Yang Y T, Shang S H. A hybrid dual‐source scheme and trapezoid framework–based evapotranspiration model (HTEM) using satellite images: Algorithm and model test[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(5): 2284-2300.

[34] 史寶成. 作物缺水診斷指標及灌溉控制指標的研究[D]. 北京：中國水利水電科學研究院，2006.

Shi Baocheng. Experimental Study on Crop Water Stress Detecting and Irrigation Index[D]. Beijing: China Institute of Water Resources and Hydropower Research, 2006. (in Chinese with English abstract)

[35] 程煜. 有機無機肥配施對河套灌區重度鹽漬土理化性質和向日葵生長的影響[D]. 咸陽：西北農林科技大學，2022.

Cheng Yu. Effects of Combined Application of Organic and Inorganic Fertilizers on Physicochemical Properties of High Saline Soil and Growth of Sunflower in Hetao Irrigation District[D]. Xianyang: Northwest A&F University, 2022. (in Chinese with English abstract)

[36] Wu R L, Ma C X, Littell R C, et al. A logistic mixture model for characterizing genetic determinants causing differentiation in growth trajectories[J]. Genetical Research, 2002, 79(3): 235-245.

[37] 孫仕軍，姜浩，陳志君，等. 不同顏色地膜覆蓋下春玉米主要生長性狀對耕層積溫的響應[J]. 草業學報，2019，28(2)：61-72.

Sun Shijun, Jiang Hao, Chen Zhijun, et al. Effects of surface-layer accumulated temperature on major growth traits of spring maize when un-mulched or under clear or black plastic film mulches[J]. Acta Prataculturae Sinica, 2019, 28(2): 61-72. (in Chinese with English abstract)

[38] 蔡甲冰，常宏芳，陳鶴，等. 基于不同有效積溫的玉米干物質累積量模擬[J]. 農業機械學報，2020，51(5)：263-271.

Cai Jiabing, Chang Hongfang, Chen He, et al. Simulation of maize dry matter accumulation in normalized logistic model with different effective accumulated temperatures in field[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(5): 263-271. (in Chinese with English abstract)

[39] 呂麗華，陶洪斌，夏來坤，等. 不同種植密度下的夏玉米冠層結構及光合特性[J]. 作物學報，2008，34(3)：447-455.

Lü Lihua, Tao Hongbin, Xia Laikun, et al. Canopy structure and photosynthesis traits of summer maize under different planting densities[J]. Acta Agronomica Sinica, 2008, 34(3): 447-455. (in Chinese with English abstract)

[40] 郭柯，方精云，王國宏，等. 中國植被分類系統修訂方案[J]. 植物生態學報，2020，44(2)：111-127.

Guo Ke, Fang Jingyun, Wang Guohong, et al. A revised scheme of vegetation classification system of China[J]. Chinese Journal of Plant Ecology, 2020, 44(2): 111-127. (in Chinese with English abstract)

[41] 韓文霆，湯建棟，張立元，等. 基于無人機遙感的玉米水分利用效率與生物量監測[J]. 農業機械學報，2021，52(5)：129-141.

Han Wenting, Tang Jiandong, Zhang Liyuan, et al. Maize water use efficiency and biomass estimation based on unmanned aerial vehicle remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(5): 129-141. (in Chinese with English abstract)

[42] 紀景純，趙原，鄒曉娟，等. 無人機遙感在農田信息監測中的應用進展[J]. 土壤學報，2019, 56(4)：773-784.

Ji Jingchun, Zhao Yuan, Zou Xiaojuan, et al. Advancement in application of UAV remote sensing to monitoring of farmlands[J]. Acta Pedologica Sinica, 2019, 56(4): 773-784. (in Chinese with English abstract)

[43] Jackson R D, Idso S B, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1133-1138.

[44] 張智韜，于廣多，吳天奎，等. 基于無人機遙感影像的玉米冠層溫度提取及作物水分脅迫監測[J]. 農業工程學報，2021，37(23)：82-89.

Zhang Zhitao, Yu Guangduo, Wu Tiankui, et al. Temperature extraction of maize canopy and crop water stress monitoring based on UAV remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(23): 82-89. (in Chinese with English abstract)

[45] 李志軍，于廣多，劉奇，等. 環境因子與玉米生長對地表溫度監測土壤水分的影響[J]. 農業工程學報，2022，38(20)：77-85.

Li Zhijun, Yu Guangduo, Liu Qi, et al. Effects of environmental factors and maize growth on surface temperature to monitor soil water content[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(20): 77-85. (in Chinese with English abstract)

Precision data screening and partition of field surface temperature based on the crop growth status

Xiao Chun’an, Cai Jiabing※, Chang Hongfang, Zhang Jingxiao, Xu Di

(1.,,, 100038,; 2., 100048,)

Field surface temperature is one of the most important parameters for the water/heat exchange between soil, crop and atmosphere, particularly for the remote sensing inversion model of irrigation areas. Among them, the crop canopy temperature and soil surface temperatureare often mixed in the field surface temperature data at the early growth stage, due to the crop growth and development in the row and plant spacing. Continuous observation can normally be implemented using the thermal infrared sensor of the automatic monitoring system. The mean value of monitored temperature data is usually used to replace the temperature at the actual position at present. The mixed temperature data can pose a great challenge to the calculation accuracy of the fine field irrigation model during data processing. In this study, an improved screening was combined with the Logistic crop growth model to accurately partition the massive monitoring data of field surface temperature, considering the Leaf Area Index (LAI), crop canopy height, and the key points of crop growth status. The measured temperature data of maize and sunflower was collected in the Yongji experimental station in Inner Mongolia of China in 2021. The scanning temperature data was obtained using the field monitoring system (CTMS-On line). The screening algorithm was then designed and verified. The field observation data of maize and sunflower was collected in the Jiefangzha irrigation field in 2015, while the maize data was in the Changchun experimental station of Jilin Province from 2018 to 2019. Results showed that: 1) An efficient determination was achieved in the data screening for the surface temperature of sparse vegetation in the fields. A logistic model was used to simulate the key points in the screening algorithm, considering the crop growth indicators of LAI and crop canopy height. 2) Taking the relative error as an example, the optimization ranges of canopy temperature and soil surface temperature were about 10 percentage points, and more than 5 percentage points, compared with the temperature measured by the hand-held thermometer. A higher accuracy of data screening was achieved in the canopy temperature and soil surface temperature acquisition. 3) The correction factor after the screening was then determined, according to the crop planting density and LAI. Among them, the correction factors of crop canopy temperature (0.9) and soil surface temperature (1.1) were selected for the maize. The correction factors for the sunflower were specified as the correction factors of crop canopy temperature of 0.7 and the correction factors of soil surface temperature of 1.2, due to the baseline of maximal LAI of 4. Therefore, one recommendation was proposed to apply the screening in different field situations. Specifically, each increasing value can increase the correction factors of crop canopy temperature by 0.35 and reduce the correction factors of soil surface temperature by 0.18 per increase of sunflower maximal LAI. Therefore, important technical support can be obtained for precision irrigation management for the better performance of field monitoring data. The finding can also provide a strong reference to deal with the field temperature data of sparse vegetation crops. A great contribution can then be made to the precision screening of remote sensing data from unmanned aerial vehicles and satellites.

temperature; sensors; soils; canopy; data screening; Logistic model

10.11975/j.issn.1002-6819.2022.22.010

S274；S513

A

1002-6819(2022)-22-0089-13

肖春安，蔡甲冰，常宏芳，等. 考慮作物生長狀態的農田表面溫度數據精量甄別與區分[J]. 農業工程學報，2022，38(22)：89-101.doi：10.11975/j.issn.1002-6819.2022.22.010 http://www.tcsae.org

Xiao Chun’an, Cai Jiabing, Chang Hongfang, et al. Precision data screening and partition of field surface temperature based on the crop growth status[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(22): 89-101. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.22.010 http://www.tcsae.org

2022-08-10

2022-10-10

國家自然科學基金項目（51979286；52130906）；院地合作研究項目（HBAT02242202010-CG）資助

肖春安，研究方向為灌區灌溉用水管理理論與技術。Email：xca1998@163.com

蔡甲冰，博士，教授級高級工程師，研究方向為灌區灌溉用水管理理論與技術。Email：caijb@iwhr.com