基于无人机载热红外影像的冬小麦水分胁迫诊断方法优化研究

《Agricultural Water Management》：Optimization study on diagnostic methods for winter wheat water stress using UAV-borne thermal infrared imagery

本研究为解决传统作物水分胁迫指数(CWSI)因冠层温度(Tc)提取不精确导致的估算精度低的问题，通过结合无人机可见光与热红外影像，采用绿叶指数(GLI)构建冠层掩膜，并结合多梯度极端像素剔除比例优化Tc提取。进一步将提取的Tc基于标准正态分布划分区间，计算区间特异性CWSIF。通过熵权法综合多个生理指标确定各生育期最优CWSIF，显著提升了冬小麦水分胁迫诊断的准确性和针对性。本研究为冬小麦水分胁迫监测与精准灌溉提供了可靠的技术依据。

　　

作物生长离不开水，及时、准确地诊断作物的水分状况，是实现精准灌溉、节约水资源、保障粮食安全的关键。然而，传统的诊断方法，如基于土壤湿度或点尺度生理指标的测量，往往受田间尺度变异性的严重影响，难以代表整片农田的真实状况，限制了其实际应用。随着科技的发展，搭载热红外(TIR)成像仪的低空无人机为获取大面积的作物冠层温度(T_c)提供了前所未有的可能。T_c及其衍生的作物水分胁迫指数(CWSI)是反映冠层尺度水分状况的有力指标。但是，如何从无人机热红外影像中精确提取冠层温度，并充分利用其包含的空间异质性信息来优化CWSI的计算，从而更精准地诊断作物水分胁迫，仍然是当前精准灌溉研究面临的核心挑战。

在最新发表于《Agricultural Water Management》的研究中，由河南理工大学的马守田、马守琛、高振浩和董家驹组成的研究团队，针对上述问题开展了深入探索。他们以不同水氮处理下的冬小麦为研究对象，集成无人机可见光与热红外影像，创新性地结合绿叶指数(GLI)和多梯度极端像素剔除策略，对冠层温度提取和水分诊断方法进行了系统性优化。研究发现，适度剔除温度直方图两端的极端像素（最优比例为3%）能显著提升无人机反演温度与实测温度的一致性。更重要的是，研究提出了一种基于冠层温度空间分布区间的新型水分胁迫指数——CWSI_F。通过熵权法综合气孔导度(G_s)、蒸腾速率(T_r)和净光合速率(P_n)等多个关键生理指标的评价，确定了冬小麦不同生育期最能综合反映水分状况的最优CWSI_F：拔节期和开花期为CWSI_-0.5，灌浆期为CWSI_-0.3。该方法有效解决了不同生理指标对CWSI_F评价不一致的问题，相比于基于所有温度均值计算的传统指数CWSI_T，新方法在诊断植物水分含量(PWC)时展现出更高的决定系数(R²)和更低的标准化均方根误差(nRMSE)，从而实现了更高效、更准确的冬小麦水分胁迫诊断，为无人机热红外技术应用于作物水分监测与分期精准灌溉决策提供了坚实的科学依据。

本研究主要应用了以下关键技术方法：利用大疆Matrice 300无人机搭载禅思H20T相机，在不同生育期（拔节期、开花期、灌浆期）采集可见光(RGB)与热红外(TIR)影像。通过Pix4D mapper和ENVI 5.6软件进行影像拼接、配准和温度校准。针对冠层未完全覆盖区域，基于可见光影像计算增强型绿叶指数(GLI)，并结合无监督分类(K-means算法)构建纯植被冠层掩膜，用于从热红外影像中精确提取冠层温度像素。采用Python环境下的NumPy库进行多梯度（0.5%至5%）两端极端温度像素剔除处理，以优化温度数据。进一步，根据标准正态分布将优化后的冠层温度划分为不同像素分布区间，计算各区间平均温度(T_F)及其对应的区间特异性作物水分胁迫指数(CWSI_F)。通过线性回归分析CWSI_F与关键生理指标（G_s, T_r, P_n，使用LI-6800便携式光合仪测量）的关系。最后，采用熵权法为各生理指标分配客观权重，并基于线性加权求和模型，综合评价确定各生育期最优的CWSI_F。

3.1. 不同像素剔除比例下的图像-实测温度线性回归

研究对不同生长阶段、不同像素剔除比例下优化后的图像温度与实测温度进行了回归分析。结果表明，在所有三个生长阶段（拔节期、开花期、灌浆期），原始图像温度与实测温度的R²值均低于优化后的数据。当从T_c直方图两端各剔除3%的极端像素时，图像温度与实测温度的拟合R²在所有生育期均达到最高（分别为0.817， 0.874， 0.910）。进一步分析显示，与原始温度数据相比，剔除3%极端像素后的T_c3%数据在回归分析中具有更接近1:1的拟合斜率和更低的nRMSE值。这证明了适度剔除极端温度像素能有效减少由土壤背景干扰或田间小气候导致的异常高低温像素影响，显著提高无人机反演冠层温度与地面实测温度的一致性，为后续水分胁迫诊断提供了更可靠的温度参数。

3.2. CWSI的空间异质性

基于优化后的温度像素数据，研究分析了不同统计分位数区间计算的平均冠层温度(T_F)及其对应的CWSI_F。结果显示，在干、湿参考面温度恒定的条件下，基于不同T_F计算的CWSI_F存在显著差异。总体趋势是，随着温度分位数的增加（即逐渐排除低温像素），所有处理的CWSI_F均呈现上升趋势，且CWSI_F相对于传统CWSI_T（基于所有T_c平均值计算）的增加幅度在不同水氮处理和不同生长阶段间存在差异。这反映出在不同水氮条件下，冠层温度存在明显的空间异质性。因此，筛选最能代表各生育期作物水分状况的T_F值来计算CWSI_F，有望提高作物水分状况评估的准确性。

3.3. 不同分位数水平CWSI_F与叶片生理指标的相关性

3.3.1. CWSI_T与生理参数的相关性

首先评估了传统CWSI_T与关键生理指标（G_s, T_r, P_n）的相关性。在所有生长阶段，CWSI_T均与G_s、T_r和P_n呈极显著相关（R²>0.65， p<0.01），表明CWSI_T能有效预测植物水分状况。但不同生理指标在不同生育期的预测精度（以nRMSE衡量）存在差异。

3.3.2. CWSI_F与生理参数的相关性

为分析T_c空间变异性对水分评估精度的影响，研究对基于不同统计分位数T_F计算的CWSI_F与作物生理指标进行了回归分析。结果显示，各生理指标对应的敏感CWSI_F（定义为回归性能最高，即R²最高且nRMSE最低的CWSI_F）在不同生长阶段存在显著差异。例如，在拔节期，G_s、T_r和P_n对应的敏感CWSI_F分别是CWSI₀、CWSI_-0.8和CWSI_-0.5。这表明，在基于CWSI_F与多种生理指标构建水分预测模型时，必须考虑不同生长阶段各作物生理指标对水分胁迫敏感性的差异。

3.3.3. 基于熵权法的最优CWSI_F确定

由于不同生理指标对应的敏感CWSI_F存在较大差异，仅依靠单一指标无法准确识别作物在不同生育期的敏感CWSI_F区间。为解决这一问题，研究采用熵权法为G_s、T_r和P_n分配客观权重，并基于线性加权求和模型计算综合得分，以确定最能综合反映各生育期多个生理指标特性的最优CWSI_F。结果表明，拔节期和开花期综合确定的最优CWSI_F为CWSI_-0.5，能准确表征作物生长前中期的水分状况；而在灌浆期，最优CWSI_F为CWSI_-0.3，能可靠反映作物生长后期的水分状况。

3.4. CWSI与植物水分含量(PWC)的相关性分析

为验证上述基于生理指标确定的最优CWSI_F评估作物水分状况的科学性和准确性，研究进一步分析了PWC与最优CWSI_F及传统CWSI_T的相关性。结果显示，在各生长阶段，最优CWSI_F与PWC的R²值均高于CWSI_T，nRMSE均低于CWSI_T。这表明，相比CWSI_T，基于多种作物生理指标综合得到的最优CWSI_F能更有效地反映植物水分状况。

本研究通过集成无人机多源遥感数据和田间实测数据，系统地优化了冬小麦冠层温度提取及水分胁迫诊断方法。首先，明确了剔除冠层温度直方图两端各3%的极端像素是提升温度反演精度的关键步骤。其次，研究揭示了冠层温度的空间异质性显著影响作物水分胁迫指数(CWSI)的诊断性能，并创新性地提出了基于温度分位数区间的CWSI_F。最重要的是，研究认识到不同生理指标（气孔导度、蒸腾速率、净光合速率）对水分胁迫的响应在不同生育期存在差异，单一指标无法全面评估水分状况。为此，研究引入熵权法这一客观赋权方法，综合多个生理指标的评价，成功确定了冬小麦各生育期（拔节期、开花期、灌浆期）最优的CWSI_F，解决了不同生理指标对CWSI_F评价不一致的难题。

研究结论和讨论部分强调了本研究的理论和实践意义。在理论上，该方法通过结合温度空间分布信息和多指标综合评价，深化了对冠层热信息与作物生理响应之间复杂关系的理解，为利用遥感数据进行精准农情诊断提供了新思路。在实践上，研究提出的优化流程和分期最优指数，为利用消费级无人机热红外技术实现大田作物快速、准确的水分胁迫诊断和分期精准灌溉决策提供了可直接参考的技术方案。相较于传统基于平均温度的方法，新方法显著提升了诊断的针对性和准确性。然而，文章也指出了本研究的局限性，例如“剔除3%极端像素”的方案和确定的最优CWSI_F是基于特定实验条件得到的结果，可作为研究区域的参考方案，但并非普适常数。环境因素（气温、湿度、风速、太阳辐射）的干扰难以完全消除，且最优参数可能因气候、土壤条件和作物种类而异。未来研究需要通过覆盖多区域、多品种的田间试验建立阈值数据库，并结合环境因子进行指标校准，以提高该诊断方法的普适性和稳健性。总体而言，这项研究为无人机热红外遥感在智慧农业和节水灌溉中的深入应用奠定了重要的方法学基础。