为探究作物冠层受阳光直射或阴影遮挡对无人机热红外遥感诊断作物水分胁迫、监测土壤含水率的影响,该研究以不同灌溉处理的夏玉米为研究对象,将热红外图像划分为光照冠层、阴影冠层、光照土壤、阴影土壤4个部分,分别提取光照温度与阴影...为探究作物冠层受阳光直射或阴影遮挡对无人机热红外遥感诊断作物水分胁迫、监测土壤含水率的影响,该研究以不同灌溉处理的夏玉米为研究对象,将热红外图像划分为光照冠层、阴影冠层、光照土壤、阴影土壤4个部分,分别提取光照温度与阴影温度后计算了11:00、13:00、15:00的冠气温差(冠层温度与大气温度之差,ΔT)、作物水分胁迫指数(crop water stress index,CWSI)、蒸发比(潜热通量与有效能量的比值,evaporative fraction,EF),并对比了3种指数在不同时刻使用光照温度(ΔT_(L)、CWSI_(L)、EF_(L))与阴影温度(ΔT_(S)、CWSI_(S)、EF_(S))后对土壤含水率的监测效果变化情况。结果表明:1)3种指数的监测效果会随时间发生变化,11:00与15:00时EF监测效果较好,13:00时CWSI监测效果较好,ΔT的监测效果较差但随时间波动最小;2)拔节期在区分光照温度与阴影温度后监测效果在11:00时提升幅度最大,EF、EF_(S)、EF_(L)的R^(2)分别为0.54、0.65、0.78,CWSI、CWSI_(S)、CWSI_(L)的R^(2)分别为0.47、0.64、0.70,抽雄期与灌浆期使用光照温度对监测效果提升不大,但使用阴影温度的指数监测效果有明显降低,在13:00时CWSIS较CWSI有最大降幅,R^(2)降幅分别为0.11、0.06;3)在拔节期与抽雄期使用11:00的EFL,在灌浆期使用13:00的CWSI能取得最好的土壤含水率监测效果,验证期预测土壤含水率的R2分别为0.75、0.75、0.89。该研究可以为无人机热红外监测土壤含水率提供参考。展开更多
冠气温差能够间接监测作物水分变化规律,而冠层温度与大气温度之间存在的时滞效应会影响监测效果,为探明两者之间的时滞效应变化规律及影响因素,本研究以拔节期至乳熟期的冬小麦为研究对象,利用红外温度传感器连续监测灌溉上限分别为田...冠气温差能够间接监测作物水分变化规律,而冠层温度与大气温度之间存在的时滞效应会影响监测效果,为探明两者之间的时滞效应变化规律及影响因素,本研究以拔节期至乳熟期的冬小麦为研究对象,利用红外温度传感器连续监测灌溉上限分别为田间持水率的95%(T1)、80%(T2)、65%(T3)和50%(T4)4个不同灌溉处理的冠层温度,并同步获取短波净辐射(Short-wave net radiation,R_(S))、大气温度(Atmospheric temperature,T_(A))、相对湿度(Relative humidity,R_(H))等气象数据。利用错位相关法计算冠层温度与大气温度之间的时滞时间(Time lag,TL),分析其在不同生育期和不同灌溉条件下变化规律,并采用相关性分析法探究气象因子(R_(S)、T_(A)、R_(H))变化率和日均值与时滞时间的相关性,最后通过通径分析探讨气象因子(R_(S)、T_(A)、R_(H))、土壤含水率(Soil moisture content,SMC)以及叶面积指数(Leaf area index,LAI)对时滞时间的共同影响。结果表明:不同生育期和不同灌溉条件下冬小麦冠层温度变化均提前于大气温度;在不同灌溉处理下,T1、T2和T3处理的时滞时间高于T4处理,且在不同生育期下,时滞时间呈现先减少再增加的趋势。短波净辐射变化率(Change rate of short-wave net radiation,R_(SCR))、大气温度变化率(Change rate of atmospheric temperature,T_(ACR))和相对湿度变化率(Change rate of relative humidity,R_(HCR))与时滞时间的相关性均高于对应日均值与时滞时间的相关性;同时,R_(SCR)与时滞时间的相关程度最高(相关系数R为0.718~0.806),TACR次之(R为0.582~0.661),RHCR最低(R为-0.534~-0.570)。利用通径分析发现,时滞时间主要受R_(SCR)、SMC以及LAI共同影响,但在不同灌溉条件下影响时滞时间的主要因素存在差异,其中T1、T2和T3处理主要受R_(SCR)和LAI影响,而T4主要受R_(SCR)和SMC影响。研究可为利用冠气温差信息监测作物水分变化进一步提供理论依据。展开更多
冠层温度(canopy temperature,T_(c))是作物水分胁迫计算的基础。准确地剔除热红外图像中的土壤背景,可以提高作物水分的监测精度。该研究以4种水分处理的拔节期夏玉米为研究对象,借助无人机可见光和热红外图像,采用红绿比值指数(red-gr...冠层温度(canopy temperature,T_(c))是作物水分胁迫计算的基础。准确地剔除热红外图像中的土壤背景,可以提高作物水分的监测精度。该研究以4种水分处理的拔节期夏玉米为研究对象,借助无人机可见光和热红外图像,采用红绿比值指数(red-green ratio index,RGRI)法提取研究区域的面状玉米冠层温度的空间分布信息,并分析每幅热红外图像上冠层温度的累积频率。该并提出了两种改进作物水分胁迫指数(crop water stress index,CWSI)性能的方法,一是使用基于正态分布的不同统计分位数分割冠层温度,并基于不同统计分位数上的平均冠层温度计算CWSI(记为CWSI_(TcF%))。二是基于冠层温度方差(canopy temperature variance,V_(ar)),将玉米冠层数据分为4个区间:区间Ⅰ,T_(c)≤40,V_(ar)≤10;区间Ⅱ,T_(c)≤40,10<V_(ar)≤20;区间Ⅲ,35<T_(c)<45,Var>20;区间Ⅳ,40<T_(c)<50,0<V_(ar)≤20,并在各自区间上选择最敏感的统计分位数计算CWSI(记为CWSI_(n))。研究结果表明:1)利用2020年和2021年两年数据计算的CWSI_(n)与作物生理指标(气孔导度G_(s)、净光合速率P_(n)、蒸腾速率T_(r))间的决定系数R2分别为0.72、0.52、0.62,nRMSE分别为23.96%、24.06%、25.60%,模型拟合精度高于原始CWSI(R^(2)分别为0.73、0.34、0.46,nRMSE分别为23.69%、28.27%、30.21%),但与CWSITcF%差别不大(R2分别为0.74、0.54、0.61,nRMSE分别为22.87%、23.74%、25.61%);2)虽然CWSI_(TcF%)能提高诊断作物水分胁迫的精度,但最敏感的冠层温度区间在年际间相差较大(2020,61.17%;2021,49.38%;两年数据,83.51%),而CWSI_(n)稳定性更高(与生理指标间的nRMSE分别为:2020年16.60%、27.37%、28.49%;2021年21.60%、18.95%、22.64%)。因此,综合来看CWSI_(n)可以更加精确地监测作物水分胁迫,利用该改进方法可为无人机遥感精准监测作物水分胁迫状况提供参考。展开更多
文摘为探究作物冠层受阳光直射或阴影遮挡对无人机热红外遥感诊断作物水分胁迫、监测土壤含水率的影响,该研究以不同灌溉处理的夏玉米为研究对象,将热红外图像划分为光照冠层、阴影冠层、光照土壤、阴影土壤4个部分,分别提取光照温度与阴影温度后计算了11:00、13:00、15:00的冠气温差(冠层温度与大气温度之差,ΔT)、作物水分胁迫指数(crop water stress index,CWSI)、蒸发比(潜热通量与有效能量的比值,evaporative fraction,EF),并对比了3种指数在不同时刻使用光照温度(ΔT_(L)、CWSI_(L)、EF_(L))与阴影温度(ΔT_(S)、CWSI_(S)、EF_(S))后对土壤含水率的监测效果变化情况。结果表明:1)3种指数的监测效果会随时间发生变化,11:00与15:00时EF监测效果较好,13:00时CWSI监测效果较好,ΔT的监测效果较差但随时间波动最小;2)拔节期在区分光照温度与阴影温度后监测效果在11:00时提升幅度最大,EF、EF_(S)、EF_(L)的R^(2)分别为0.54、0.65、0.78,CWSI、CWSI_(S)、CWSI_(L)的R^(2)分别为0.47、0.64、0.70,抽雄期与灌浆期使用光照温度对监测效果提升不大,但使用阴影温度的指数监测效果有明显降低,在13:00时CWSIS较CWSI有最大降幅,R^(2)降幅分别为0.11、0.06;3)在拔节期与抽雄期使用11:00的EFL,在灌浆期使用13:00的CWSI能取得最好的土壤含水率监测效果,验证期预测土壤含水率的R2分别为0.75、0.75、0.89。该研究可以为无人机热红外监测土壤含水率提供参考。
文摘冠气温差能够间接监测作物水分变化规律,而冠层温度与大气温度之间存在的时滞效应会影响监测效果,为探明两者之间的时滞效应变化规律及影响因素,本研究以拔节期至乳熟期的冬小麦为研究对象,利用红外温度传感器连续监测灌溉上限分别为田间持水率的95%(T1)、80%(T2)、65%(T3)和50%(T4)4个不同灌溉处理的冠层温度,并同步获取短波净辐射(Short-wave net radiation,R_(S))、大气温度(Atmospheric temperature,T_(A))、相对湿度(Relative humidity,R_(H))等气象数据。利用错位相关法计算冠层温度与大气温度之间的时滞时间(Time lag,TL),分析其在不同生育期和不同灌溉条件下变化规律,并采用相关性分析法探究气象因子(R_(S)、T_(A)、R_(H))变化率和日均值与时滞时间的相关性,最后通过通径分析探讨气象因子(R_(S)、T_(A)、R_(H))、土壤含水率(Soil moisture content,SMC)以及叶面积指数(Leaf area index,LAI)对时滞时间的共同影响。结果表明:不同生育期和不同灌溉条件下冬小麦冠层温度变化均提前于大气温度;在不同灌溉处理下,T1、T2和T3处理的时滞时间高于T4处理,且在不同生育期下,时滞时间呈现先减少再增加的趋势。短波净辐射变化率(Change rate of short-wave net radiation,R_(SCR))、大气温度变化率(Change rate of atmospheric temperature,T_(ACR))和相对湿度变化率(Change rate of relative humidity,R_(HCR))与时滞时间的相关性均高于对应日均值与时滞时间的相关性;同时,R_(SCR)与时滞时间的相关程度最高(相关系数R为0.718~0.806),TACR次之(R为0.582~0.661),RHCR最低(R为-0.534~-0.570)。利用通径分析发现,时滞时间主要受R_(SCR)、SMC以及LAI共同影响,但在不同灌溉条件下影响时滞时间的主要因素存在差异,其中T1、T2和T3处理主要受R_(SCR)和LAI影响,而T4主要受R_(SCR)和SMC影响。研究可为利用冠气温差信息监测作物水分变化进一步提供理论依据。
文摘冠层温度(canopy temperature,T_(c))是作物水分胁迫计算的基础。准确地剔除热红外图像中的土壤背景,可以提高作物水分的监测精度。该研究以4种水分处理的拔节期夏玉米为研究对象,借助无人机可见光和热红外图像,采用红绿比值指数(red-green ratio index,RGRI)法提取研究区域的面状玉米冠层温度的空间分布信息,并分析每幅热红外图像上冠层温度的累积频率。该并提出了两种改进作物水分胁迫指数(crop water stress index,CWSI)性能的方法,一是使用基于正态分布的不同统计分位数分割冠层温度,并基于不同统计分位数上的平均冠层温度计算CWSI(记为CWSI_(TcF%))。二是基于冠层温度方差(canopy temperature variance,V_(ar)),将玉米冠层数据分为4个区间:区间Ⅰ,T_(c)≤40,V_(ar)≤10;区间Ⅱ,T_(c)≤40,10<V_(ar)≤20;区间Ⅲ,35<T_(c)<45,Var>20;区间Ⅳ,40<T_(c)<50,0<V_(ar)≤20,并在各自区间上选择最敏感的统计分位数计算CWSI(记为CWSI_(n))。研究结果表明:1)利用2020年和2021年两年数据计算的CWSI_(n)与作物生理指标(气孔导度G_(s)、净光合速率P_(n)、蒸腾速率T_(r))间的决定系数R2分别为0.72、0.52、0.62,nRMSE分别为23.96%、24.06%、25.60%,模型拟合精度高于原始CWSI(R^(2)分别为0.73、0.34、0.46,nRMSE分别为23.69%、28.27%、30.21%),但与CWSITcF%差别不大(R2分别为0.74、0.54、0.61,nRMSE分别为22.87%、23.74%、25.61%);2)虽然CWSI_(TcF%)能提高诊断作物水分胁迫的精度,但最敏感的冠层温度区间在年际间相差较大(2020,61.17%;2021,49.38%;两年数据,83.51%),而CWSI_(n)稳定性更高(与生理指标间的nRMSE分别为:2020年16.60%、27.37%、28.49%;2021年21.60%、18.95%、22.64%)。因此,综合来看CWSI_(n)可以更加精确地监测作物水分胁迫,利用该改进方法可为无人机遥感精准监测作物水分胁迫状况提供参考。
