基于多光譜和氣象參數的菜心水分脅迫指數反演

王衛星，楊明欣，高 鵬，謝家興，孫道宗，曹亞芃，駱潤玫，藍于洋

基于多光譜和氣象參數的菜心水分脅迫指數反演

王衛星1,2，楊明欣1，高 鵬1，謝家興1,2，孫道宗1,2，曹亞芃1，駱潤玫1，藍于洋1

（1. 華南農業大學電子工程學院（人工智能學院），廣州 510642；2. 廣東省農情信息監測工程技術研究中心，廣州 510642）

作物水分脅迫指數（Crop Water Stress Index，CWSI）的監測對掌握作物的水分狀況、指導灌溉具有重要意義。該研究以菜心為試驗對象，測量了不同土壤水分條件下的冠層溫度，采集了空氣溫度、相對濕度、風速、光合有效輻射和4個波段（450、650、808、940 nm）的光譜反射圖像，并計算了歸一化植被指數（Normalized Difference Vegetation Index，NDVI）、差值植被指數（Difference Vegetation Index，DVI）、再歸一化差值植被指數（Re-Difference Vegetation Index，RDVI）和轉換型土壤調整指數（Optimized Soil-Adjusted Vegetation Index，OSAVI）等，通過支持向量回歸（Support Vector Regression，SVR）分別構建了CWSI上基線、CWSI下基線和冠層溫度的反演模型。結果表明，菜心在450和650 nm的冠層光譜反射率在0～0.1之間，在808和940 nm的反射率較高，在0.4～0.6之間，當菜心由營養生長階段進入生殖生長階段，808和940 nm的反射率有所上升。植被指數能反映菜心的生長狀態和植被覆蓋度，隨著冠層溫度的升高，NDVI、DVI、RDVI上升，OSAVI下降；而同一個水分處理組在不同生長期的植被指數有明顯的差異，生殖生長期的植被指數變化范圍小于營養生長期。結果表明，使用空氣溫度、相對濕度、風速、光合有效輻射反演CWSI上、下基線具有可行性，決定系數均大于0.75；使用植被指數反演菜心在兩個生長期的冠層溫度具有較好精度，決定系數均大于0.7。基于反演值計算的CWSI與基于測量值計算的CWSI有較好的相關性，決定系數為0.70；CWSI與氣孔導度是負相關的關系，決定系數為0.53。該研究應用氣象參數反演CWSI上基線和CWSI下基線，利用植被指數反演冠層溫度，基于SVR的模型反演值達到了一定的擬合效果，為實現菜心水分脅迫指數的光譜監測提供支持。

水分；溫度；菜心；氣象參數；植被指數；支持向量回歸

0 引 言

菜心是十字花科蔬菜，其在廣東省內分布較廣，是廣東省重要的蔬菜之一。研究表明，當菜心長期遭受水分脅迫時，其產量隨之降低[1-3]。楊恒山等[4-5]指出土壤含水率反應作物的水分脅迫程度具有局限性，應結合作物本身的生理活動進行分析。當作物遭受水分脅迫時，其根部無法吸收充足水分，葉片氣孔開始關閉，蒸騰速率下降，最終表現為葉片溫度上升[6]。隨著紅外技術的發展，許多學者利用水分脅迫指數（Crop Water Stress Index，CWSI）反映和指示作物的水分脅迫程度。CWSI可實現對蔬菜等易損作物的無損監測[7]，又能根據與蒸散速率的關系建立方程計算灌溉量[8-9]。因此，研究水分脅迫指數有利于監測菜心的需水狀況和制定對應的灌溉計劃。CWSI需要測量作物在無水分脅迫脅迫狀態下的冠層溫度（記為下基線）和嚴重水分脅迫狀態下的冠層溫度（記為上基線）。由于作物的冠層溫度受環境影響，在溫度、濕度、輻射、風速等環境因素變化時，上下基線隨之變化[10-11]。Kumar[12-14]等提出空氣溫度、相對濕度和冠層溫度反演基線的神經網絡模型，均提高了CWSI的應用范圍，減少上下基線的測量。

隨著遙感技術迅速發展，光譜技術在農業方面得到更多應用，許多學者將光譜技術用于模擬和反演作物的生理參數[15-18]。研究表明，當作物葉片溫度升高，光譜反射率隨之增加，歸一化植被值數則減少[19-21]。許改平等[22-23]利用光譜影像進行高溫脅迫試驗時發現，處于高溫狀態（40、39 ℃）的毛竹、水稻葉片，其光譜反射率大于溫度低的葉片（25、35 ℃）。Sagan等[24]獲取了700～1 400 nm的光譜影像，將歸一化植被指數與葉片溫度進行擬合分析，發現歸一化植被指數與葉片溫度為負相關。Ihuoma等[25]以馬鈴薯為研究對象，建立了植被指數與冠層溫度的線性方程，其相關系數接近0.6。梁金晨等[26]獲取了水稻的葉片溫度及該溫度下的光譜數據，構建了多個植被指數與葉片溫度的多元線性方程，結果表明方程取得較好的反演效果。同時，許多學者將機器學習算法應用在生理參數的分類和回歸方面，并獲得很好的效果[27-29]。譚丞軒[30]利用灰度關聯分析篩選出在玉米不同生育期下對土壤含水率敏感的植被指數，使用支持向量機構建了玉米土壤含水率的反演模型，相關系數均在0.68以上，表明利用機器學習與光譜數據相結合的方法估算土壤含水率是可行的。Li等[31]利用隨機森林對植被指數進行分析并構建模型，實現了竹子地表生物量的反演，模型的精度在0.7以上。

根據King等[14]的研究，氣象因子反演CWSI上基線和下基線具有可行性，減少了充分灌溉和嚴重脅迫處理的試驗，相比于上下基線，氣象因子的采集更簡便；根據梁金晨等[26]的研究，植被指數反演冠層溫度具有可行性，相比于紅外測溫儀，多光譜可實現大范圍、快速的數據采集。目前，CWSI的研究主要基于氣象因子反演上基線和下基線，而結合光譜成像技術的研究仍較少?；谝陨戏治?，本研究以油青菜心為試驗對象，采集空氣溫度、相對濕度、風速和光合有效輻射等氣象參數，利用多光譜儀獲取菜心的光譜圖像，計算冠層反射率和植被指數，使用支持回歸向量機構建CWSI上基線、CWSI下基線和冠層溫度的反演模型，以期為菜心水分脅迫指數的光譜監測提供支持。

1 材料與方法

1.1 試驗設計

試驗于2021年10月26日—12月7日在廣東省廣州市華南農業大學工程學院（113°28′06″E，23°12′51″N）室外進行。試驗對象為油青菜心（L..（）），物候期分別為營養生長期（10月26日—11月25日）和生殖生長期（11月26日—12月07日）。在四葉一心時期，將長勢相近的菜心移到相同的花盆中，開始對其進行不同水分處理，當植株菜苔高度與苔葉的先端齊平時結束試驗?；ㄅ鑳葟綖?0 cm×40 cm，高度為80 cm，土壤經烘干、翻松后裝入花盆，每個花盆裝10 kg土壤。

試驗共設置4個水分處理組，分別記為T1、T2、T3、T4，每個處理包含3株的油青菜心。T1為充分灌溉處理組，根據Yang[7]等的研究，充分灌溉條件下土壤最大田間持水量為32.2%，對應的灌溉量為600 ml；T2和T3為控制水分處理組，土壤持水量分別為土壤最大田間持水量的70%和40%，對應的灌溉量分別為400和200 ml。T4為嚴重脅迫處理組，作自然處理，試驗開始不進行人工補充灌溉，直至試驗結束。在試驗期間對T1、T2、T3處理組進行人工灌溉，灌溉量分別為600、400、200 ml，頻率為兩天1次。

1.2 數據采集

使用土壤水分傳感器（JXBS-J001-EC-RS，精迅，中國）獲取土壤含水率，測量時將該設備埋在菜心中間，與土壤表面的距離為10 cm。使用紅外測溫儀（T10S-B-HW，妙觀，中國）獲取菜心的葉片溫度，測量時將該設備固定在菜心頂部，距離約20 cm，保證視角與葉片呈45°。使用光合作用分析儀（SYS-GH30D，塞亞斯，中國）獲取氣孔導度，以5次測量的平均值為該對象的測量值。

使用多光譜儀（k4 multi-spectrometer，PEAU，美國）獲取光譜影像，該儀器包含4個鏡頭。根據梁金晨等[26,32]的研究，近紅外波段和紅外波段的光譜反射率與作物葉片溫度相關性顯著，決定系數在0.5左右；而歸一化植被指數NDVI（由紅光波段與近紅外波段的反射率計算）與葉片溫度的決定系數在0.45。因此，本研究選用了650 nm（紅光波段）、808 nm（近紅外波段）和940 nm（紅外波段），并以450 nm（藍光波段）作為對比。影像數據分辨率為2 048像素×1 536像素，鏡頭焦距為9.60 mm。選擇晴朗無云的時刻進行拍攝，拍攝時將配備的標準白板與菜心放在同一平面，多光譜儀置于正上方，固定距離為2 m，儀器通過信號線與計算機連接，由MAPIR軟件觸發拍照。

使用距離試驗地點1 m的室外小型氣象站（WH2081，MISOL，中國）獲取環境參數（空氣溫度、相對濕度、風速和降雨量），氣象站內部包含空氣溫濕度傳感器、風速傳感器、雨量傳感器和無線傳輸模塊，數據由無限傳輸模塊傳送到計算機。使用冠層分析儀（MH-G10，綠博，中國）獲取光合有效輻射，測量時將該設備置于在菜心頂部約20 cm的位置。

所有的數據采集均在12:00—14:00進行，氣孔導度和光譜影像的采集周期為每天1次，每次測量重復5次，其余數據的采集周期為10 min/次[13]。試驗期間的天氣情況如表1，各項數據的采集示意如圖1所示。在試驗期間，試驗區域的降雨量較少，降雨天數共5 d，相比于灌溉量，最大降雨量（僅1 d）對試驗的影響可忽略不計，室外處理可較大程度反映自然環境下CWSI對菜心水分脅迫的響應。

表1 試驗期間的天氣情況統計（12:00-14:00）

1.3 水分脅迫指數計算

水分脅迫指數CWSI的計算如下式所示[7]：

式中Tc為作物冠層溫度，℃；Twet為下基線或無水分脅迫基準線，是作物在無水分脅迫時或充分灌溉下的冠層溫度，℃；Tdry為上基線或無蒸騰作用基準線，是作物在無蒸騰作用時、氣孔關閉狀態下的冠層溫度，℃。在本研究中，Twet為水分處理組T1的冠層溫度，Tdry為水分處理組T4的冠層溫度，Tc為水分處理組T2、T3的冠層溫度。因此，本研究只計算水分處理組T2、T3的CWSI。

1.4 光譜數據處理

使用MAPIR軟件對原始反射圖像進行預處理，將MAPIR格式的圖片轉換為TIFF格式的灰度圖。圖2顯示4個不同波長的原始光譜圖像。

圖2 不同波長下的原始光譜圖像

使用ENVI5.1軟件的ROI工具提取目標葉片的灰度值，每個波段的反射率i計算如下[15]：

式中i為波段（450、650、808、940 nm）的灰度值，d為標準板中黑板的灰度值，w為標準板中白板的灰度值。

歸一化植被指數（Normalized Difference Vegetation Index，NDVI）、差值植被指數（Difference Vegetation Index，DVI）、再歸一化差值植被指數（Re-Difference Vegetation Index，RDVI）和轉換型土壤調整指數（Optimized Soil-Adjusted Vegetation Index，OSAVI）的計算公式如下[13,26]：

式中NIR是近紅外波段的反射率，RED是紅光波段的反射率，在本研究中，NIR、RED分別為808和650。

1.5 模型構建

SVR最早于1995年提出[33]，是一種有監督的機器學習算法，在回歸和分類方面得到廣泛應用。對于回歸問題，給定= {(1,1), (2,2), ..., (x,y)}，SVR希望將每個樣本（x,y)盡量擬合到模型中()T·，=1，2，...，。將()記作最優超平面，和分別決定了超平面的方向和位置，通過求到超平面的距離，引入松弛變量和懲罰系數求損失函數，SVR將最優超平面問題轉化為最優化問題。

約束條件如公式（6）～（9）所示，最終支持向量回歸模型如公式（11）所示。

基于氣象因子構建冠層溫度基線預測模型的數據集共有430個樣本，訓練集有301個樣本，驗證集有129個樣本。基于植被指數構建冠層溫度反演模型的數據集共有267個樣本，在營養生長期，訓練集有112個樣本，驗證集有48個樣本，在生殖生長期，訓練集有75個樣本，驗證集有32個樣本。

1.6 模型評估

本研究采用誤差分析評估驗證集模型的精度，誤差分析包括決定系數（Coefficient of determination，2）、均方根誤差（Root Mean Square Error，RMSE）、平均絕對誤差（Mean Absolute Error，MAE）[13]，計算如下所示，2越高，RMSE越小，MAE越小，則模型的預測精度越高。

2 結果與分析

2.1 冠層溫度的數據特征

在試驗期間獲取了菜心在不同土壤含水率條件下的冠層溫度，4個水分處理組的冠層溫度日變化如圖3所示。由圖3可以看出，T1組的冠層溫度最低，T4組的冠層溫度最高，T2組和T3組的冠層溫度在T1組和T4組之間波動，這表明冠層溫度隨土壤含水量的減少而升高。當菜心進入生殖生長期，4個處理的冠層溫度保持較為明顯的差異，可能是在生殖生長期間，菜心的生理特征如光合作用速率、蒸騰作用速率變化趨于穩定。

圖3 冠層溫度日變化曲線

4個水分處理組的冠層溫度分布特征如圖5所示。由圖4可知，T1組的冠層溫度低于34 ℃，T2組和T3組的冠層溫度范圍在22～36 ℃之間，T4組的冠層溫度大部分高于30 ℃。4個水分處理組的冠層溫度波動范圍較大，冠層溫度最大值與最小值的差異平均值約為10 ℃，而數據集的變異大有利于測試反演模型的精度[15]。

圖4 冠層溫度的特征

2.2 冠層溫度的光譜特征

對T2和T3水分處理，每個處理3個采樣點的光譜數據取平均值，繪制不同生長期的菜心冠層光譜變化曲線，如圖5所示。

圖5 光譜反射率變化曲線

從圖5中可以看出，T2和T3在不同生長期的菜心冠層反射率呈現了先略微下降后快速上升的趨勢。同一生長期內，T3在4個波段的平均值比T2高，表明隨著冠層溫度的升高，葉片光譜反射率上升。隨著菜心成熟，進入到生殖生長期后，葉片面積增大，在近紅外波段的反射率明顯上升。表3顯示了在菜心兩個生長期的植被指數變化。由表3可知，不同生長期的植被指數有差異，生殖生長期的植被指數變化范圍小于營養生長期，因為在營養生長期間，菜心的葉片面積不斷增加，生理活動較活躍，在生殖生長期間菜心趨于成熟狀態，葉片面積達到最大值，表明植被指數能反映菜心的生長狀態和植被覆蓋度。

表3 植被指數的特征

注：NDVI為歸一化植被指數；DVI為差值植被指數；RDVI為再歸一化差值植被指數；OSAVI轉換型土壤調整指數。

Note: NDVI is normalized difference vegetation index; DVI is difference vegetation index; RDVI is re-difference vegetation index; OSAVI is optimized soil-adjusted vegetation index.

2.3 基于氣象因子的Twet和Tdry反演

以空氣溫度、相對濕度、風速和光合有效輻射為自變量，使用SVR構建wet和dry的反演模型，驗證集預測值和測量值的對比結果如圖6所示。結果表明使用氣象參數反演wet和dry具有較好精度，2均大于0.75。但wet的反演模型精度高于dry，文獻[7]指出dry與空氣溫度、光合有效輻射的相關性弱于wet，而且在生殖生長期，隨著氣象參數的變化，dry的變化趨于平緩，影響了反演的精度。由散點圖可知，SVR反演較高的冠層溫度時表現較差，這是因為該范圍的數據量要小于較低冠層溫度的數據量[14]，后續的研究應增加高溫天氣的數據集。

注：Twet為作物在無水分脅迫時或充分灌溉下的冠層溫度，℃；Tdry為作物在無蒸騰作用、氣孔關閉狀態下的冠層溫度，℃。R2為決定系數；RMSE為均方根誤差；MAE為平均絕對誤差。下同。

2.4 基于植被指數的冠層溫度反演

以植被指數為自變量，使用SVR構建T2組和T3組冠層溫度的反演模型，驗證集預測值和測量值的對比結果如圖7所示。結果表明使用植被指數反演菜心在兩個生長期的冠層溫度具有較好精度，決定系數均大于0.7，但營養生長期的反演模型精度高于生殖生長期，表明生殖生長期的植被指數與冠層溫度相關性低于營養生長期。梁金晨[26]等分別利用RDVI和OSAVI建立水稻葉片溫度的線性反演方程，決定系數分別為0.524和0.537，低于本研究；RMSE分別為2.495和2.463℃，明顯高于本研究的RMSE。通過誤差分析，模型決定系數在0.7以上，表明使用植被指數反演菜心的冠層溫度具有可行性。

圖7 冠層溫度估算

2.5 基于反演值與預測值的CWSI計算

根據反演的結果和公式（1）計算T2組和T3組的CWSI，其與基于測量值的CWSI的關系如圖8所示。

基于反演值計算的CWSI精度較高，2為0.70。實現CWSI上基線和下基線的預測和冠層溫度的反演可以更快速地計算CWSI，縮短診斷灌溉所需的時長，因此兩個模型的結合對提高CWSI的適用性、提高灌溉效率具有重要意義。

2.6 CWSI與氣孔導度的關系

CWSI與氣孔導度的關系如圖9所示。T2組的CWSI變化范圍為0.1～0.4，T3組的CWSI變化范圍為0.4～0.8，CWSI越大，水分脅迫程度越深，而T3組的水分脅迫程度要明顯高于T2組。結果表明，基于反演結果計算的CWSI與氣孔導度是線性相關關系，2為0.53。

圖8 基于反演值的CWSI與基于測量值的CWSI的對比

圖9 CWSI與氣孔導度的關系

由圖9可知，隨著CWSI增加，菜心的氣孔導度表現為下降，表明CWSI與氣孔導度為負相關的關系。氣孔導度的檢測屬于有損檢測，長期的有損檢測將對菜心產量產生影響，通過探討CWSI隨氣孔導度變化的規律，減少氣孔導度的有損檢測，并為下一步分析用于觸發灌溉的CWSI閾值、實現快速精準灌溉提供參考依據[34]。

3 結 論

本文針對營養生長期和生殖生長期的菜心，測量了不同土壤含水率條件下的冠層溫度，采集了空氣溫度、相對濕度、風速、光合有效輻射和光譜圖像，利用支持向量回歸（Support Vector Regression， SVR）建立了水分協迫指數（Crop Water Stress Index，CWSI）上、下基線和冠層溫度的反演模型，研究結果如下：

1）同一生長期內，隨著冠層溫度的升高，葉片光譜反射率上升。隨著菜心成熟，進入到生殖生長期后，葉片面積增大，在近紅外、紅外波段的反射率相較于營養生長期明顯上升。

2）植被指數能反映菜心的生長狀態和植被覆蓋度。隨著冠層溫度的升高，歸一化植被指數（Normalized Difference Vegetation Index，NDVI）、差值植被指數（Difference Vegetation Index，DVI）、再歸一化差值植被指數（Re-Difference Vegetation Index，RDVI）上升，轉換型土壤調整指數（Optimized Soil-Adjusted Vegetation Index，OSAVI）下降；生殖生長期的植被指數變化范圍小于營養生長期。

3）使用空氣溫度、相對濕度、風速、光合有效輻射反演CWSI上、下基線具有可行性，決定系數均大于0.75。使用植被指數反演菜心在兩個生長期的冠層溫度具有較好精度，決定系數均大于0.7。

4）基于反演值計算的CWSI具有較高的精度，決定系數為0.70；CWSI與氣孔導度是負相關的關系，決定系數為0.53。

[1] 盧宇鵬，夏巖石，溫少波，等. 不同熟性菜心品質性狀的多樣性分析[J]. 廣東農業科學，2020，47(5)：161-164.

Lu Yupeng, Xia Yanshi, Wen Shaobo, et al. Diversity of quality traits of Chinese flowering cabbage varieties with different maturity[J]. Guangdong Agricultural Sciences, 2020, 47(5): 161-164. (in Chinese with English abstract)

[2] 徐燕. 土壤水分脅迫對菜心生理生化指標及氣孔發育的影響[D]. 廣州：暨南大學，2010.

Xu Yan. Effects of Soil Water Stress on Physiology and Biochemistry and Stomatal Development in Brassica Chinensis[D]. Guangzhou: Jinan University, 2010. (in Chinese with English abstract)

[3] 李中赫，占車生，胡實，等. 氣候變化條件下中國灌溉面積變化的產量效應[J]. 農業工程學報，2021，37(19)：94-104.

Li Zhonghe, Zhan Chesheng, Hu Shi, et al. Yield effects of irrigated acreage change under climate change in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(19): 94-104. (in Chinese with English abstract)

[4] 楊恒山，薛新偉，張瑞富，等. 灌溉方式對西遼河平原玉米產量及水分利用效率的影響[J]. 農業工程學報，2019，35(21)：69-77.

Yang Hengshan, Xue Xinwei, Zhang Ruifu, et al. Effects of irrigation methods on yield and water use efficiency of maize in the West Liaohe Plain[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(21): 69-77. (in Chinese with English abstract)

[5] Wu X, Shi J C, Zuo Q, et al. Parameterization of the water stress reduction function based on soil-plant water relations[J]. Irrigation Science, 2021, 39: 101-122.

[6] Mukherjee S, Nandi R, Kundu A, et al. Soil water stress and physiological responses of chickpea (L. ) subject to tillage and irrigation management in lower Gangetic plain[J]. Agricultural Water Management, 2022, 263: 1-17.

[7] Yang M X, Gao P, Zhou P, et al. Simulating Canopy Temperature using a random forest model to calculate the crop water stress index of Chinese Brassica[J]. Agronomy, 2021, 11: 2244.

[8] Jamshidi S, Zand-Parsa S, Niyogi D. Assessing crop water stress index of citrus using in-situ measurements, landsat, and sentinel-2 data[J]. International Journal of Remote Sensing, 2021, 42(5): 1893-1916.

[9] 毋海梅，閆浩芳，張川，等. 溫室滴灌黃瓜產量和水分利用效率對水分脅迫的響應[J]. 農業工程學報，2020，36(9)：84-93.

Wu Haimei, Yan Haofang, Zhang Chuan, et al. Responses of yield and water use efficiency of drip-irrigated cucumber in greenhouse to water stress[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(9): 84-93. (in Chinese with English abstract)

[10] García L, Parra L, Jimenez J M, et al. Deployment strategies of soil monitoring WSN for precision agriculture irrigation scheduling in rural areas[J]. Sensors, 2021, 21(5): 1-27.

[11] 張芮，王旺田，吳玉霞，等. 水分脅迫度及時期對設施延遲栽培葡萄耗水和產量的影響[J]. 農業工程學報，2017，33(1)：155-161.

Zhang Rui, Wang Wangtian, Wu Yuxia, et al. Effect of moisture stress level and stage on evapotranspiration and yield of grape under protected and delayed cultivation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(1): 155-161. (in Chinese with English abstract)

[12] Kumar N, Rustum R, Shankar V, et al. Self-organizing map estimator for the crop water stress index[J]. Computers and Electronics in Agriculture. 2021, 187, 106232.

[13] Kumar N, Adeloye A J, Shankar V, et al. Neural computing modelling of the crop water stress index[J]. Agricultural Water Management. 2020, 239: 106259.

[14] King B A, Tarkalson D D, Sharma V, et al. Thermal crop water stress index base line temperatures for sugarbeet in arid western U. S[J]. Agricultural Water Management, 2021, 243: 1-12.

[15] 王偉，彭彥昆，馬偉，等. 冬小麥葉綠素含量高光譜檢測技術[J]. 農業機械學報，2010，41(5)：172-177.

Wang Wei, Peng Yankun, Ma Wei, et al. Prediction of chlorophyll content of winter wheat using leaf-level hyperspectral data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(5): 172-177. (in Chinese with English abstract)

[16] 陳鵬，馮海寬，李長春，等. 無人機影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量[J]. 農業工程學報，2019，35(11)：63-74.

Chen Peng, Feng Haikuan, Li Changchun, et al. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 63-74. (in Chinese with English abstract)

[17] 張鑫磊，劉連濤，孫紅春，等. 不同施氮水平下棉花葉片最大羧化速率的高光譜估測[J]. 農業工程學報，2020，36(11)：166-173.

Zhang Xinlei, Liu Liantao, Sun Hongchun, et al. Hyperspectral estimation of the maximum carboxylation rate of cotton leaves under different nitrogen levels[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(11): 166-173. (in Chinese with English abstract)

[18] Gokhan C, Kursad D, Levent G. Use of infrared thermography and hyperspectral data to detect effects of water stress on pepper[J]. Quantitative InfraRed Thermography Journal, 2018, 15(1): 81-94.

[19] Neiff N, Dhliwayo T, Suarez A E, et al. Using an airborne platform to measure canopy temperature and NDVI under heat stress in maize[J]. Journal of Crop Improvement, 2015, 29(6): 669-690.

[20] Huang S, Tang L N, Joseph P H, et al. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing[J]. Journal of Forestry Research, 2021, 32: 1-6.

[21] Mohammed A N, Raj K, Louis L, et al. Using NDVI to differentiate wheat genotypes productivity under dryland and irrigated conditions[J]. Remote sensing, 2020, 12(5): 1-17.

[22] 許改平，吳興波，劉芳，等. 高溫脅迫下毛竹葉片色素含量與反射光譜的相關性[J]. 林業科學，2014，50(5)：41-48.

Xu Gaiping, Wu Xingbo, Liu Fang, et al. The correlation between the pigment content and reflectance spectrum in phyllostachys edulis leaves subjected to high temperature[J]. Scientia Silvae Sinicae, 2014, 50(5): 41-48. (in Chinese with English abstract)

[23] 程高峰. 高溫脅迫下水稻生理及光譜特性的研究[D]. 鎮江：江蘇大學，2009.

Cheng Gaofeng. Study on the Physiological and Hyperspectral Characteristics of Rice Under High Temperature Stress[D]. Zhenjiang: Jiangsu University, 2009. (in Chinese with English abstract)

[24] Sagan V, Maimaitijiang M, Sidike P, et al. UAV-based high resolution thermal imaging for vegetation monitoring, and plant phenotyping using ICI 8640 P, FLIR Vue Pro R 640, and thermomap cameras[J]. Remote Sensing, 2019, 11(3): 1-29.

[25] Ihuoma S O, Madramootoo C A. Sensitivity of spectral vegetation indices for monitoring water stress in tomato plants[J]. Computers and Electronics in Agriculture, 2019, 163: 1-10.

[26] 梁金晨，江曉東，楊沈斌，等. 基于高光譜遙感數據的水稻葉溫反演[J]. 南方農業學報，2020，51(1)：230-236.

Liang Jinchen, Jiang Xiaodong, Yang Shenbin, et al. Rice leaf temperature inversion based on hyperspectral remote sensing data[J]. Journal of Southern Agriculture, 2020, 51(1): 230-236. (in Chinese with English abstract)

[27] Gyamerah S A, Ngare P, Ikpe D. Probabilistic forecasting of crop yields via quantile random forest and Epanechnikov Kernel function[J]. Agriculture and Forest Meteorology, 2020, 280: 107808.

[28] Virnodkar S S, Pachghare V K, Patil V C, et al. Remote sensing and machine learning for crop water stress determination in various crops: a critical review[J]. Precision Agriculture, 2020, 21(5): 1121-1155.

[29] 徐敏，趙艷霞，張顧，等. 基于機器學習算法的冬小麥始花期預報方法[J]. 農業工程學報，2021，37(11)：162-171.

Xu Min, Zhao Yanxia, Zhang Gu, et al. Method for forecasting winter wheat first flowering stage based on machine learning algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11): 162-171. (in Chinese with English abstract)

[30] 譚丞軒. 基于無人機多光譜遙感的大田玉米土壤含水率估算模型研究[D]. 楊凌：西北農林科技大學，2020.

Tan Chengxuan. Research on the Estimation Model of Field Maize Soil Moisture Content Based on UAV Multispectral Remote Sensing[D]. Yangling: Northwest A&F University, 2020. (in Chinese with English abstract)

[31] Li X J, Du H Q, Mao F J, et al. Estimating bamboo forest aboveground biomass using EnKF-assimilated MODIS LAI spatiotemporal data and machine learning algorithms[J]. Agriculture and Forest Meteorology, 2018, 256: 445-457.

[32] 黃春燕，王登偉，肖莉娟，等. 不同水分條件下棉花光譜數據對冠層葉片溫度的響應特征[J]. 棉花學報，2014，26(3)：244-251.

Huang Chunyan, Wang Dengwei, Xiao Lijuan, et al. The responsive characteristics between cotton canopy leaves temperature from infrared thermography and hyperspectral data under different water conditions[J]. Cotton Science, 2014, 26(3): 244-251. (in Chinese with English abstract)

[33] Corinna C, Vladimir V. Support vector networks[J]. Machine Learning, 1995, 20(3)：273-297.

[34] Osroosh Y, Troy Peters R, Campbell C S, et al. Automatic irrigation scheduling of apple trees using theoretical crop water stress index with an innovative dynamic threshold[J]. Computer and Electronic in Agriculture, 2015, 118: 193-203.

Inverting the water stress index of theusing multiple-spectral and meteorological parameters

Wang Weixing1,2, Yang Mingxin1, Gao Peng1, Xie Jiaxing1,2, Sun Daozong1,2, Cao Yapeng1, Luo Runmei1, Lan Yuyang1

(1.(),510642,; 2.,510642,)

Monitoring the Crop Water Stress Index (CWSI) is of great significance for the water status and irrigation in crop production. Taking theas the test object, this study aims to measure the canopy temperature under different soil moisture conditions. Some meteorological parameters were collected, including the air temperature, relative humidity, wind speed, and photosynthetic active radiation. Meanwhile, the images of spectral reflectance were also collected for the four bands (450, 650, 808, and 940nm). Four vegetation indexes were then calculated by the canopy spectral reflectance, including the Normalized Difference Vegetation Index (NDVI), Difference Vegetation Index (DVI), Re-Difference Vegetation Index (RDVI), and Optimized Soil-Adjusted Vegetation Index (OSAVI). Support Vector Regression (SVR) was selected to construct the inversion models of the CWSI upper/lower baseline using the meteorological parameters, and the inversion models of the canopy temperature using the vegetation index. The results showed that the canopy spectral reflectance at 450 and 650 nm for theranged from 0 to 0.1, while the relatively higher one at 808 and 940 nm ranged from 0.4 to 0.6. The reflectance at 808 and 940 nm increased outstandingly, when thewas developed gradually from the vegetative to reproductive growth stage. The vegetation index reflected the growth state and vegetation coverage of the. There was a different response of vegetation indexes to the canopy temperature. The vegetation NDVI, DVI and RDVI increased, while the vegetation OSAVI decreased with the increase of the canopy temperature of the. The vegetation index under the same water treatment was slightly different in the various growth stages. Specifically, the range of the vegetation index in the reproductive growth stage was smaller than that in the vegetative growth stage. The error analysis showed that the inversion models were feasible to monitor the air temperature, relative humidity, wind speed, and photosynthetic radiation, further invert the upper/lower baseline of CWSI with the determination coefficient greater than 0.75. In the light of the error analysis of the inversion models, the vegetation index was inverted the canopy temperature of thein the vegetative and reproductive growth stage, indicating an excellent accuracy with the determination coefficient greater than 0.7. The calculated CWSI using the inversion models presented a significant correlation with the using the measurement, while the determination coefficient was equal to 0.70. And the CWSI showed the negative relationship with the stomatal conductance with the determination coefficient equal to 0.53. The meteorological parameters were used to invert the upper/lower baseline of CWSI, where the vegetation indexes were used to invert the canopy temperature. The inverted values using the SVR model shared the better fitting performance. The finding can provide a strong support for the spectral monitoring of the crop water stress index of the.

water; temperature;; meteorological parameter; vegetation index; support vector regression

10.11975/j.issn.1002-6819.2022.06.018

S27

A

1002-6819(2022)-06-0157-08

王衛星，楊明欣，高鵬，等. 基于多光譜和氣象參數的菜心水分脅迫指數反演[J]. 農業工程學報，2022，38(6)：157-164.doi：10.11975/j.issn.1002-6819.2022.06.018 http://www.tcsae.org

Wang Weixing, Yang Mingxin, Gao Peng, et al. Inverting the water stress index of theusing multiple-spectral and meteorological parameters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(6): 157-164. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.06.018 http://www.tcsae.org

2021-12-25

2022-02-26

廣東省重點領域研發計劃（2019B020214003）；廣東省鄉村振興戰略專項省級組織實施項目（粵財農〔2021〕37 號）“廣東省現代農業關鍵技術模式集成與示范推廣”；廣東省科技專項資金（“大專項+任務清單”）項目（2020020103）；廣東省教育廳特色創新類項目（2019KTSCX013）；華南農業大學新農村發展研究院農業科技合作共建項目（2021XNYNYKJHZGJ032）

王衛星，教授，博士生導師，研究方向為農情信息獲取與智慧農業。Email：weixin@scau.edu.cn