利用低成本热像仪捕捉树苗早期干旱胁迫的迹象，以辅助干旱易发地区的植树造林项目的灌溉监测

《Ecological Informatics》：Capturing early signs of drought stress in tree saplings with a low-cost thermal camera to support irrigation monitoring in drought-prone reforestation sites

　　莱奥妮·A·哈恩（Leonie A. Hahn）|马克斯·施密特（Markus Schmidt）|梅特·阿希沙利（Mete Ahishali）|萨穆利·容蒂拉（Samuli Junttila）|安德烈亚斯·罗特（Andreas Rothe）|安雅·拉米格（Anja Rammig）|克里斯蒂安·S·臧（Christian S. Zang）

德国魏亨斯蒂芬-特里斯多夫应用科技大学（Weihenstephan-Triesdorf University of Applied Sciences）生态与景观研究所，邮编85354，弗赖辛（Freising）

**摘要**
随着气候变化加剧全球干旱事件，监测植物水分状态已成为可持续生态系统管理的关键挑战。传统评估树木干旱压力的方法往往耗时、昂贵或具有破坏性。本研究评估了低成本热成像相机在检测幼树早期干旱压力方面的潜力，以支持重新造林过程中的灌溉计划制定。在温室实验中，我们收集了中欧三种常见树种的树木热图像以及相应的生态生理和环境变量数据。我们使用作物水分胁迫指数（CWSI）来评估干旱压力，该方法已广泛用于多种树种的研究。通过Segment Anything 2软件将幼树从背景中分割出来后，使用CWSI进行分析。结果显示，CWSI与多种干旱压力指标（如每日最小水分亏缺量TWDmin、黎明前水分势以及土壤含水量SWC）之间存在显著相关性（p < 0.001）。利用广义加性模型预测了通过TWDmin恢复情况来表示的早期干旱压力，当以CWSI作为主要预测因子时，准确率达到70.7%（Cohen's Kappa κ = 0.44）。加入其他预测因子（如SWC和蒸气压亏缺）后，模型性能进一步提高（准确率92.4%，κ = 0.85），但测量工作量也随之增加。对于土壤结构较差、难以测量水分含量的地区，基于CWSI的方法为干旱压力监测和灌溉计划制定提供了实用工具。

**1. 引言**
根据当前的气候变化预测，极端事件（如干旱）的强度和频率将增加，导致许多地区水资源短缺，威胁陆地生态系统的稳定性（Grünzweig等人，2022；IPCC，2023）。森林特别脆弱，因为有限的水分供应会降低其适应能力和生产力。最近的干旱事件对全球范围内的树木死亡率和森林健康状况造成了严重影响（Allen等人，2010；Allen等人，2015；Hartmann等人，2022；Hermann等人，2023）。2018-2020年间，中欧地区发生的极端干旱达到了前所未有的程度，对森林区域造成了巨大破坏（Knutzen等人，2025；Rakovec等人，2022；Schuldt等人，2020；Senf等人，2020；Senf和Seidl，2021）。干旱常常与其他干扰因素（如害虫、病原体和风暴）同时发生。根据Patacca等人（2023）的研究，自1950年以来，自然干扰对欧洲森林的压力显著增加，严重影响生态系统服务，包括气候变化缓解能力。例如，在捷克共和国，2016至2022年间由于干旱导致的树皮甲虫活动，挪威云杉减少了17%（Washaya等人，2024）。这导致某些地区的森林覆盖率严重下降（最高达38%），引发了森林管理与自然保护之间的冲突，并给木材产业带来了巨大经济损失（Hlásny等人，2021；Washaya等人，2024）。除了捷克共和国，Knutzen等人（2025）还观察到，在2018-2022年干旱期间，比利时和法国的树木冠层显著稀疏。2018年干旱及随后的干旱年份，德国成为中欧受影响最严重的国家之一，森林失调现象尤为明显（Senf和Seidl，2021）。2022年的全国森林调查显示，2012至2022年间有200万公顷的森林受到灾害影响，其中37.3万公顷的森林区域已变成空地（德国联邦食品和农业部，2024）。根据Schiefer等人（2025）的研究，2018-2021年的干旱年份德国约7.9%的森林覆盖率丧失，形成了97.8万至52.9万公顷的死亡植被面积。Winter等人（2025）还研究了这些干旱事件的广泛影响，指出德国森林保护区的饮用水质量下降。此外，van der Woude等人（2023）记录了2022年干旱期间多个中欧国家森林的碳吸收量减少。
在某些地区，如德国的弗兰肯森林，灾害导致大面积砍伐（通常超过5公顷），这种情况在中欧较为罕见（Meinhold和G?ttlein，2024）。较大树木的保护作用消失后，森林冠层对微气候的调节作用减弱，导致太阳辐射增强、空气和土壤温度升高、风速增加，但空气湿度降低，对新幼树的生长极为不利（Carlson等人，1997；Chen等人，1993；De Frenne等人，2019；Grieger等人，2025；Lejeune等人，2018；Putzenlechner等人，2023）。这种气候条件加上氮素的释放促进了草类生长，阻碍了幼树的生长（Meinhold和G?ttlein，2022；Meinhold和G?ttlein，2024）。另一方面，植被缺失导致土壤养分流失和侵蚀，恶化了土壤的渗透性和保水能力（Firoozi和Firoozi，2024；Gonzalez-Sosa等人，2010；Meinhold和G?ttlein，2022；Neris等人，2012；Peptenatu等人，2020；Villarreal-Rosas等人，2022；Wahren等人，2012）。因此，高效恢复受破坏的森林区域显得尤为紧迫。然而，由于幼树的根系较浅，它们无法在干旱期间从深层土壤中获取所需的水分。在恶劣的土壤条件下，自然和人工的森林再生过程受到阻碍，特别是在干旱期间以及坡度较陡、土壤贫瘠的区域。2018-2020年的干旱年份，德国北部巴伐利亚州的幼树活力大幅下降，死亡率很高（Beloiu等人，2022；Beloiu Schwenke等人，2023）。过去十年中，日本等湿润温带地区也报道了类似的干旱影响（Iwasaki等人，2025）。虽然半干旱和干旱地区经常观察到干旱导致的幼树生长减缓现象并采取了相应管理措施，但在湿润温带地区这种情况较为罕见，相应的有效策略尚未开发（Del Campo等人，2021；Tomaszkiewicz等人，2017；Zegada-Lizarazu和Berliner，2011）。在半干旱和干旱地区，减少干旱压力和提高幼树存活率的常见管理策略是灌溉，但这与农业（包括葡萄种植和果树栽培）中的灌溉方式不同，后者更注重树木的成活而非产量（Hahn等人，2025；Jafari等人，2020；Martínez De Azagra等人，2022；Wenter等人，2018；Xi等人，2021）。然而，在中欧林业中，灾后对幼树的灌溉传统上并不常见。

Hahn等人（2025）首次研究了德国灾后地区灌溉对幼树干旱压力的影响，确定了两种常见树种的灌溉阈值，通过测量树干直径变化来评估树木水分动态（Hahn等人，2025）。这些灌溉阈值基于水分亏缺（TWD），表现为树干直径减少，当蒸腾作用超过根部吸水量时发生，此时树木会从自身储水中提取水分以弥补蒸发损失（Brinkmann等人，2016；Salomón等人，2022；Ziegler等人，2024；Zweifel等人，2000、2005、2016）。每日最小TWD（TWDmin）通常在黎明前测量，反映了树木是否能够在夜间补充树干水分储备，与季节性干旱压力和中午时气孔导度下降有关，从而指示早期干旱压力（Salomón等人，2022；Ziegler等人，2024）。因此，Hahn等人（2025）选择TWDmin未恢复的时间点作为灌溉需求的阈值。在果树生产中，灌溉计划也常基于树干直径测量进行（Blanco等人，2018；De la Rosa等人，2015；Fernández和Cuevas，2010；Goldhamer和Fereres，2001；Ortu?o等人，2010；Waldburger等人，2025a、2025b）。然而，树干直径测量仪存在局限性，因为每个仪器只能提供单棵树的固定数据。为了获得更大范围的数据，需要大量设备，且安装和维护成本较高。鉴于受灾面积庞大以及日益增长的重新造林需求（例如德国预计超过50万公顷，BMLEH，2024），亟需实用、灵活且经济高效的监测方法来大规模评估灌溉需求。现有监测工具（如欧洲森林状况监测器Buras等人，2021；国家级土壤湿度地图；德国UFZ干旱监测器Zink等人，2016；巴伐利亚州WaldDürreMonitor Wellpott等人，2025）可以提供粗略估计，但这些工具的空间分辨率较低，且不适用于灾后地区的幼树。

在植物中，干旱压力通常通过叶冠温度（Tc）升高来识别：当土壤水分减少时，气孔关闭以减少蒸腾作用，导致叶表面温度升高（Buckley等人，2019；Eisenhauer等人，2021；Jones等人，1999；Jones等人，2009）。热成像技术可以通过测量辐射来捕捉Tc的变化（Pu和Yu，2026），它基于长波辐射的测量来估算表面温度。使用热成像评估作物水分状况和灌溉计划的优势在于，它能比可见光、近红外和短波红外反射更早地捕捉到干旱压力反应（Berger等人，2022；Gerhards等人，2016）。热成像已在农业系统中用于干旱压力监测，包括使用手持相机、无人机和航空系统（Baluja等人，2012；Bellvert等人，2015；García-Tejero等人，2016；García-Tejero等人，2018b；Gómez-Candón等人，2016；Gonzalez-Dugo等人，2013；Gonzalez-Dugo等人，2015；Park等人，2017；Sánchez-Virosta等人，2025；Vadivambal和Jayas，2011；Zhou等人，2021）。类似的方法也逐渐应用于林业：Weygint等人（2023）利用静态红外温度计测得的叶温预测水分状况和生长指标；Krause和Sanders（2023）利用基于无人机的热成像绘制欧洲山毛榉（Fagus sylvatica L.）的干旱压力分布图；Dunkleberger等人（2023）对两种针叶树种采用了类似方法；Javadian等人（2022）结合空间热观测和无人机图像来研究半干旱混合针叶林的生态水文动态。然而，Tc测量的不确定性受多种因素影响（如测量时的环境条件，如太阳辐射、风速、空气温度和相对湿度，Krause和Sanders等人，2023；Maes和Steppe，2012；Pappalardo等人，2023；Wan等人，2021）。为克服这一挑战，本研究采用了作物水分胁迫指数（CWSI），该指数有多种计算公式（如Grant等人，2007；Idso等人，1981；Jones等人，2002；Poirier-Pocovi和Bailey，2020）。在本研究中，CWSI基于Tc与湿润和干燥参考状态之间的相对温度值计算得出（见第2.4节）。这些参考状态分别对应于叶片完全蒸腾且气孔开放、以及干旱受累导致气孔关闭且无蒸腾作用的叶片（Costa等人，2013；Jones，1999）。CWSI（Crop Water Stress Index）已针对多种作物进行评估，例如土豆（Ekinzog等人，2022年）或小麦（Alghory和Yazar，2019年），并且也应用于葡萄园（Baluja等人，2012年；Bellvert等人，2015年；García-Tejero等人，2016年）。此外，它还用于评估包括橄榄（Berni等人，2009年）、油桃和桃子（Park等人，2017年；Ramírez-Cuesta等人，2022年）、柑橘（Gonzalez-Dugo等人，2014年；Pappalardo等人，2023年）以及杏仁（García-Tejero等人，2018a年）在内的多种树木的干旱胁迫和灌溉监测。为了解决现有干旱监测工具的不足，本研究提出了一种使用连接到智能手机（FLIR One Pro，Teledyne FLIR LLC，美国）上的低成本热相机来高空间分辨率估计树苗灌溉需求的方法。这种相机模型已成功应用于杏仁和柑橘树，以及棉花，证明了这种低成本设备能够与相当昂贵的热相机相媲美地评估灌溉需求（García-Tejero等人，2018a年；Jin等人，2024年；Pappalardo等人，2023年）。与需要永久安装的树高计不同，热相机具有更灵活的应用方式。森林管理者可以在不同地点对不同树木进行部署，并根据气候条件进行调整。与卫星或无人机（UAV）图像相比，手持式热相机在近距离提供了更高的空间分辨率，可以清晰地分离和识别单个树苗。为了将树苗与背景区分开来，我们使用了基础模型Segment Anything Model 2（SAM 2）（Ravi等人，2024年）。其前身Segment Anything（SA）（Kirillov等人，2023年）已在全球许多应用中进行了测试，包括利用智能手机生成的公民科学图像为无人机图像中的植物物种制图（Soltani等人，2025年）。在我们的使用案例中，选择SAM 2是因为它的性能优于简单的分类方法，如颜色阈值或基于边缘和轮廓的方法，后者在干旱胁迫增加时对细枝树冠的分割效果不佳，也无法正确捕捉叶片颜色的变化。此外，SAM 2只需很少的标注工作就能清晰地区分树苗和背景。

本研究旨在探讨基于低成本手持热相机的CWSI在监测树苗早期干旱胁迫迹象方面的适用性。我们研究了以下研究问题（RQ）：
1. CWSI与生态生理干旱胁迫指标（如TWD）以及环境干旱参数（如低土壤湿度和高大气水分需求）之间的关系是什么？
2. CWSI能否预测表现为最低树水分亏缺（TWDmin）恢复的干旱胁迫？
3. 是否可以使用基于CWSI的阈值来辅助灌溉监测，当TWDmin未能恢复时？

为了解决这些问题，我们在温室中进行了实验，使用了两种原产于中欧且生态上重要的树种：欧洲山毛榉（Fagus sylvatica L.）和栓皮栎（Quercus robur L.）。此外，我们还加入了花旗松（Pseudotsuga menziesii (MIRBEL) FRANCO var. menziesii，因其商业价值较高）（Gang等人，2024年；Lange等人，2022年；Wohlgemuth等人，2021年）。我们的发现有助于灌溉调度，并通过促进中欧受损森林的重新造林来应对未来的环境挑战（Fesenmyer等人，2025年；IPCC，2023年；Verkerk等人，2022年）。

2. 材料与方法
2.1. 实验设置
我们进行了一项温室干旱实验，通过半控制的环境变量来研究低成本手持热相机捕捉树苗早期干旱胁迫迹象的潜力。实验中使用的树种是中欧造林区常见的树种：欧洲山毛榉（F. sylvatica，2年生）、栓皮栎（Q. robur，2年生）和花旗松（P. menziesii，3年生）。我们在2023年3月中旬从中德新林务学校（Forstbaumschulen Gracklauer Gunzenhausen KG，德国）获取了这些树苗，并将每种树种的24株树种植在含有来自德国弗兰肯森林的均质化土壤基质的20升盆中。该土壤是一种略带碱性的棕色土，由下石炭纪Teuschnitz地层的非常多石的粉砂质灰岩基质发育而成（巴伐利亚环境局，2025a，巴伐利亚环境局，2025b；巴伐利亚州林业研究所，2023）。直到2023年6月底（2023年6月26日），树苗适应了温室条件并定期浇水。之后，一半的树受到干旱处理（处理组“D”），另一半继续浇水（处理组“W”）。在温室中，这些树种随机分布在两张桌子的行上，每种处理的树木交替排列。直到9月初，都按照2.2“环境测量”、2.3“生态生理测量”和2.4“热成像”中的描述进行了彻底的监测。

2.2. 环境测量
气候条件（空气温度（Tair）和相对空气湿度（RH）每十分钟使用气候记录仪（Testo 174H，Testo，德国）连续测量一次。在高太阳辐射期间，该记录仪出现了过热现象。因此，我们使用了四个额外的温度记录仪（HOBO Pendant Temperature/Light，Onset，美国）和四个叶片/空气温度传感器（LATB3，Ecomatik，德国）来选择最低Tair值（Tair_min），并根据Campbell公式（Campbell，1977）校正RH测量值（RHmin）。随后，根据Tair_min和RHmin计算蒸气压亏缺（VPD）（Campbell，1977）。

每个盆都配备了一个时域反射仪（TDR）传感器，每周多次测量土壤体积含水量（vSWC）。为了减少测量误差，每个传感器每天使用TDR 200（Campbell Scientific，美国）进行三次测量。在一个额外的设置中，通过将土壤浸湿至饱和状态后测量vSWC，记录的最大vSWC为57.04±3.25%（= vSWCmax）。在计算每株树和每个日期的平均vSWC（SWC）之前，排除了超过vSWCmax的vSWC值。数据空白通过线性插值填补。

2.3. 生态生理测量
为了探索实验过程中树苗的干旱胁迫动态，我们使用Scholander压力Bomb（型号3115，SAPS II，Soilmoisture Equipment，美国）在黎明前（Ψpredawn，8天）和正午（Ψmidday，10天）定期测量树冠水势（Ψ）。对于每次测量（黎明前和正午），每种树种和每个处理组选取两株树苗，每株树苗进行两到三次水势读数。这些样本的平均值用于后续分析。

为了更深入地了解树水分状态的时间变化，每种处理组和树种选择了五株树，配备了点式树高计（DD-S2，Ecomatik，德国，温度灵敏度<0.2 μm/K），每十分钟记录一次树干直径（TSD）。这种高时间分辨率允许精确捕捉昼夜收缩和膨胀周期以及与植物水分状态相关的短期波动，同时保持数据量在可管理的范围内。原始树高计数据需要经过几步预处理来消除由于机械或环境效应（如树高计重新定位或电子故障）引起的错误测量或跳跃。长达六小时的小间隙使用R版本4.4.0（R Core Team，2024）中的zoo包中的样条函数进行插值。时间序列跳跃通过30单位的灵敏度阈值识别并进行了校正，超过六小时的较大间隙则使用相同树种和处理的测量值进行比例插值。此外，根据传感器规格（Goisser和Liu，无日期；Zweifel和H?sler，2000）应用了0.2 μm/K的温度校正因子进行温度校正。下一步，根据零生长方法（ZG）计算了由于水分损失导致的树干收缩量（TWD），该方法在DendRoAnalyst（Aryal等人，2020；Zweifel等人，2016）的phase.zg()函数中实现。ZG假设只有在树干完全补水的情况下，树木才会生长（Zweifel等人，2016）。此时，水分势接近零，由此产生的膨压使细胞扩张，表现为TWD值为零（Lockhart，1965；Nehemy等人，2021；Steppe等人，2006）。正的TWD值表示树干水分储备的下降，表明水分储存条件不饱和（Nehemy等人，2021）。为了在个体间进行比较，我们对TWD值进行了log10变换，以减少与尺寸相关的缩放效应和大型绝对幅度的主导作用，并在log10变换前加上了1 μm的值（Niklas，1994；Salomón等人，2022），以确保TWD值代表每个树种内的相对树干水分亏缺动态。

2.4. 热成像
我们在当地太阳中午前的±2-3小时内（总共12天；87.5%的图像在太阳中午前2小时内获取）定期从上方拍摄树木的热图像（相机与温室桌面之间的距离：1.50米）。热图像是用连接到智能手机的低成本热相机（FLIR One Pro，Teledyne FLIR LLC，美国，光谱范围：8–14 μm，物体温度范围：-20-400°C，热灵敏度（噪声等效温度差，NETD）：70 mK）拍摄的。由于热精确度相对较低（±3°C），并且温度测量受环境条件影响（见第1节），我们无法仅通过绝对叶温值确定树苗的干旱胁迫程度。因此，我们使用人工参考表面计算了作物水分胁迫指数（CWSI），以评估树木的水分状态，其公式为：
CWSI = Tleaf ? Twet / Tdry ? Twet
其中Tleaf是叶温，Twet和Tdry是从湿和干的棉花垫中得到的参考温度，这些棉花垫放置在每棵树旁边，并在相同的环境条件下在每张图像中测量。较低的CWSI值表示植物未受干旱胁迫，而较高的CWSI值表示干旱胁迫（Costa等人，2013）。

由于热图像还覆盖了盆、土壤、温室桌面或电缆等背景元素，因此首先需要将树木和参考表面的热值与背景区分开来。以前的研究通常通过手动选择像素或圆形植物部分（如树冠）的平均值来提取（García-Tejero等人，2018a；Krause和Sanders，2023）。然而，这可能包括背景像素，从而导致热测量偏差，或者仅代表植物的选定区域的热信息，因为叶片的热辐射不仅受树水分状态影响，还受叶片角度、方向和入射辐射的影响，因此在树冠中有所不同（Jones等人，2002；Jones等人，2009）。因此，我们旨在通过应用半自动图像处理程序来最大化树冠的覆盖范围，同时最小化背景噪声，从而提取每个对象（树苗、干和湿参考表面）的热信息，具体步骤如下：
本研究中使用的热相机同时拍摄热图像（分辨率：160×120）和RGB图像（分辨率：1140×1080）。因此，我们可以利用RGB图像的信息将树木和参考表面与背景分离。原始图像在Python版本3.11.13（Python Software Foundation，无日期）中使用FlirImageExtractor库（National Drones Australia，无日期）进行处理，该库用于提取嵌入的热传感器数据作为像素级别的数值温度数组以及相应的RGB图像。随后使用提取的RGB图像来识别单个树苗和参考表面。对于热分析，从原始图像中重新提取原始传感器值，并使用Thermimage包（Tattersall，2017）在R中将其转换为物理温度（°C）。后者允许直接访问原始辐射数据（包括发射率），并能够将原始值精确转换为实际温度值（°C）。

热红外发射率是材料的内在辐射特性，主要由它们的物理结构、表面粗糙度、化学组成和观察几何形状（包括观测角度和波长）决定（Avdelidis和Moropoulou，2003；Ermida等人，2024；Rubio等人，1997）。对于植物叶片，已经报告了不同的发射率值，通常在0.94到0.99之间（López等人，2012年；Ribeiro da Luz和Crowley，2007年；Rubio等人，1997年）。然而，这些值取决于物种、叶片的生态生理状态、化学组成和结构特征（Gerhards等人，2016年；Ribeiro da Luz和Crowley，2007年；Shi等人，2024年；Ullah等人，2012年；Xu等人，2023年）。然而，在我们的研究中，将分析限制在幼苗和参考表面的代表性像素上（见下面的方法论部分），证明了使用0.98这个恒定的发射率值来转换温度是合理的，这个值在热红外遥感研究中通常被用作可比植被的标准假设（Gerber等人，2011年；Jones等人，2003年；López等人，2012年；Rubio等人，1997年）。由于RGB图像的分辨率高于热图像，并且由于两个传感器的位置不同而略有偏移，因此将RGB图像缩放到热图像的大小，并进行了透视变换（单应性）。我们手动在RGB图像和热图像中选择了相应的控制点，并计算了单应性矩阵。随后，在变换过程中使用双线性插值将RGB图像映射到热图像的坐标系统中。这个过程补偿了传感器之间的平移、旋转、缩放和透视差异，使得图像分析在空间上是一致的，并使用OpenCV库在Python中实现（Bradski，2000年）。之后，可以使用先进的SAM 2基础模型在RGB图像中对树木和参考表面进行分割（Ravi等人，2024年）。我们以推理模式运行了预训练的模型，没有进行额外的训练或微调，因为我们仅将其作为通用分割工具使用。因此，使用相同的模型版本和提示配置，分割结果是可以完全复制的。根据用户定义的提示，如点、框或掩码，SAM 2会编码图像特征并解码为精确到像素的分割掩码。在我们的研究中，每个树木选择了五个代表性的像素，每个参考表面选择了五个像素作为标签（图1）。由于温室内的光照条件随天气条件变化，树木或参考表面的部分区域暴露在阳光下，而其他部分则处于阴凉处，因此我们根据光照条件选择了像素。如果在几种条件下存在较大比例的不同情况，则为每种阳光条件和阴凉条件分别创建了五个点。SAM 2生成了三个不同精度的分割掩码和一个组合掩码（图1）。由于每张图像的精度不同，因此通过选择一个包含最少背景像素和最多目标对象像素的掩码来手动选择每张图像的最佳分割掩码，并由一名操作员在所有图像中一致应用。之后，使用这些掩码来选择对应于树木或参考表面的温度像素（图1 A、D）。

下载：下载高分辨率图像（176KB）
下载：下载全尺寸图像

图1. 热图像处理工作流程。包含树苗（F. sylvatica）、湿润和干燥绿色参考表面以及用于SAM 2分割的选定像素（点）的RGB图像（左上角）。来自SAM 2的树苗分割结果，选择了背景像素最少且树苗像素最多的掩码（左下角）。包含树苗和参考表面的热图像（右上角），以及应用选定的SAM 2掩码后的剩余树苗热图像像素（右中角）。减少背景像素的预处理步骤（右下角）：应用SAM 2掩码后的干燥绿色参考表面像素，包括湿润绿色参考表面的一部分（A）和树苗（D）；通过k均值聚类去除湿润参考表面的像素后的干燥绿色参考表面剩余像素（B）；去除低于10%分位数的值后的像素（C）；去除低于10%和90%分位数之外的值后的树苗像素（E）。（关于图中颜色参考的解释，请参阅本文的网页版本。）

由于一些图像仍然包含背景像素，并且在对象边缘存在混合像素，因此移除了对象边缘的一行像素。在某些RGB图像中，SAM 2未能正确区分湿润和干燥的绿色参考表面，导致部分像素被错误地包含在另一表面中（图1 A）。相比之下，热图像可以清晰地分离出参考表面。为了解决这个问题，使用R语言stats包中的kmeans()函数中的k均值算法将所有参考表面图像的热像素分为两个簇（R Core Team，2024年），仅保留平均温度差异超过0.5°C的簇（图1 B）。对于湿润绿色参考表面，选择了较冷的簇；对于干燥绿色参考表面，则保留了较温暖的簇。为了进一步减少背景噪声，排除了树苗中低于10%和90%分位数的极端值像素（图1 C），干燥绿色参考表面低于10%分位数（图1 E），湿润绿色参考表面高于90%分位数（图1 E），采用了直接的阈值方法。平均每棵树使用了14,372个像素（最小：343像素，最大：140,736像素），每个干燥参考表面使用了1,880个像素（最小：145像素，最大：7,709像素），每个湿润参考表面使用了1,073个像素（最小：43像素，最大：4,945像素）。

建议对树冠内的所有叶片的温度信息进行平均，以获得代表性的Tc值，并考虑叶片角度、方向和辐射的影响（Grant等人，2007年；Jones等人，2002年；Jones等人，2009年）。因此，我们最终使用每个对象的中位温度来进行CWSI计算，同时确保树苗和参考表面在相同的照明条件下进行比较。CWSI值低于0或高于1的被视为测量误差，例如当湿润绿色参考表面未能充分湿润时（总共排除了638个观测值中的22个，约3.5%）。使用去除相应分位数后的对象中位温度和所有像素计算的CWSI值之间的差异显示在补充材料的图S 1中。

2.5 统计分析

首先，我们检验了CWSI与其他干旱胁迫指标之间的关系（RQ 1）。我们对CWSI与以下环境和生态生理干旱胁迫变量进行了Spearman相关性分析，包括所有树木：Tair、RH、VPD（在接近热图像采集的时间点；CWSI测量前或后最多5分钟）、每日平均VPD（VPDmean）、每日最小VPD（VPDmin）、每日最大VPD（VPDmax）、SWC、Ψpredawn、Ψmidday、TWDrel（在接近热图像采集的时间点；CWSI测量前或后最多5分钟）、TWDmin（平均在CWSI测量前5小时42分钟）和每日最大TWD（TWDmax；平均在CWSI测量后约2小时）。图2显示了实验过程中每种树木物种和处理方式的CWSI、生态生理和环境变量的变化情况。

下载：下载高分辨率图像（860KB）
下载：下载全尺寸图像

图2. 植物园实验过程中每种树木物种和处理方式的CWSI、生态生理和环境变量的变化情况。对于CWSI、Ψpredawn和Ψmidday的测量值，根据处理方式分别用三角形（=干旱）或圆圈（=灌溉）表示，而测量日之间的数值则通过线性插值并用线表示。实线代表干旱的树木，点划线代表灌溉的树木。所有值均为日平均值。对于VPD，添加了每日最小值和最大值之间的范围（浅蓝色区域）。CWSI、SWC、Ψpredawn和Ψmidday包含所有树木的数据，而TWDmin、TWDmax和TWDrel的值仅来自装有树干水分计的树木。（关于图中颜色参考的解释，请参阅本文的网页版本。）

在接下来的分析中，仅使用了装有树干水分计的树木的数据。由于TWDmin是一个重要的干旱胁迫指标，反映树木是否能够补充其茎部水分储备，因此将TWDmin值分为两类（Nehemy等人，2021年）：TWDmin等于零表示水分供应充足且TWDmin完全恢复，而TWDmin大于零表示干旱胁迫（每种树木物种和类别的值数量可以在补充图S 2中找到），从而确定灌溉需求（Hahn等人，2025年）。基于Wilcoxon检验，我们研究了CWSI值（以及SWC和VPD值）在两类之间的差异。之后，我们使用R包mgcv中的gam()函数拟合了广义加性模型（GAMs）来预测这两个TWDmin类别（TWDmin = 0, TWDmin > 0；RQ 2）。我们使用了二项分布、logit链接函数和树木物种作为固定效应，并测试了各种预测因子（CWSI、SWC、VPD、CWSI + SWC、CWSI + VPD、CWSI + SWC + VPD和SWC + VPD）。为了考虑TWDmin类别和预测因子之间的非线性关系，我们采用了薄板回归样条（Wood，2003年）。通过DHARMa包中的模拟残差（Hartig，2024年）评估了模型假设。视觉检查显示没有明显偏离分布预期、残差假设和零膨胀。残差图见补充图S 3-S 16。此外，使用Spearman相关性分析没有发现预测因子变量之间的多重共线性（补充图S 21，每种树木物种的数据分布和相关性见补充图S 17-S 20）。

通过使用caret包（Kuhn，2008）进行分层采样，通过5折交叉验证来评估模型性能，以保持TWDmin类别的分布。性能指标包括准确性（Acc）、Cohen's Kappa（κ）、精确度、召回率和F1分数，这些指标是使用caret包中的confusionMatrix()函数根据标准定义计算的，而平衡准确性（BA）则是通过比较每个交叉验证折叠中未用于模型训练的数据与观测值来计算的（Brodersen等人，2010年）。在模型评估之后，我们预测了TWDmin类别，并选择了TWDmin > 0的概率（P）为0.5的预测阈值集阈值（RQ 3），这反映了二元分类模型的自然决策边界。实际上，这意味着当模型预测茎部水分储备无法补充的概率为50%或更高时，建议进行灌溉。此外，还选择了灌溉阈值的95%置信区间。

3. 结果

3.1 CWSI与生态生理和环境干旱胁迫指标之间的关系

为了评估CWSI在捕捉树苗早期干旱胁迫迹象方面的适用性，我们探讨了CWSI与环境 and 生态生理干旱胁迫指标之间的相关性（RQ 1）。对于所有树木物种组合来说，所有相关性都是显著的但程度适中（图3），这是由于变量之间存在非线性关系（补充图S 17-S 20）。最强的相关性出现在CWSI与TWDrel（ρ = 0.48，p < 0.001）和SWC（ρ = ?0.45，p < 0.001）之间。表明干旱胁迫的环境和生态生理变量随着值增加而呈现正相关（TWDrel、TWDmax、TWDmin、VPD、Tair、VPDmax、VPDmean和VPDmin），而反映干旱胁迫的变量随着值减少而呈现负相关（SWC、Ψpredawn、RH和Ψmidday）。对于树干水分计的测量数据，与CWSI同时记录的TWD值（TWDrel）的相关性最强（ρ = 0.48，p < 0.001），其次是TWDmax（ρ = 0.43，p < 0.001），这通常也出现在中午时段。TWDmin的相关性略低（ρ = 0.42，p < 0.001），反映了当天下午获取CWSI之前的夜间条件。对于树冠水势的测量，黎明前的相关性更强（Ψpredawn：ρ = ?0.42，p < 0.001），而下午的条件相关性较弱（Ψmidday：ρ = ?0.22，p < 0.025）。每种树木的相关性列表见补充图S 21，每种树木物种和处理的CWSI值见补充图S 22。CWSI相对于当地太阳正午时图像采集时间的变化在补充图S 23中有所说明。下载：下载高分辨率图像（136KB）下载：下载完整尺寸图像

图3. CWSI与生态生理（左侧）和环境（右侧）干旱压力变量之间的相关性系数Spearman's rho（ρ），涵盖了所有树种，包括配备了和未配备树干测量的树木。星号表示显著相关性（*p<0.05，*** p<0.001）。

3.2. TWDmin恢复的预测以及早期干旱压力检测和灌溉计划的临界阈值识别
TWDmin类别之间的CWSI差异反映了树木是否能够补充其茎干水分储备（TWDmin=0）（TWDmin>0）（图4）。F. sylvatica的CWSI差异最大，TWDmin>0时的平均CWSI比TWDmin=0时高74.4%（0.56±0.17 vs 0.32±0.18）。对于Q. robur和P. menziesii，TWDmin>0时的CWSI平均值分别比TWDmin=0时高39.0%和43.1%（Q. robur：0.60±0.18；P. menziesii：0.52±0.24 vs 0.43±0.17；P. menziesii：TWDmin=0：0.36±0.19）。每种树种的TWDmin类别的SWC和VPD差异可以在补充图S 24中找到。下载：下载高分辨率图像（122KB）下载：下载完整尺寸图像

图4. 配备树干测量的树木中TWDmin类别之间的CWSI差异（TWDmin=0 = 水分供应充足，TWDmin>0 = 干旱压力）。星号表示基于Wilcoxon检验的TWDmin类别之间的显著差异（** p<0.01，**** p<0.0001）。

为了预测TWDmin的恢复（RQ 2），仅使用CWSI作为非线性预测因子时，准确率达到了76.67%（GAMCWSI，具体数值见表1）。考虑到类别分布的不均衡，准确率略微下降到70.65%。这表明尽管模型在较少出现的类别（TWDmin>0）上的表现略差，但它仍然能够正确分类大部分观测结果。在89.85%的情况下，GAMCWSI正确分类了早期干旱压力的迹象和灌溉需求的开始（TWDmin>0），这与该类别的召回率相符。CWSI的平滑项具有显著性（p<0.001，χ2=52.07），表明其对TWDmin类别有很强的正面影响。然而，该模型仅解释了TWDmin类别概率的17%的离差（adj. R2=0.21），表明仅使用CWSI作为预测因子时，仍有很大一部分差异无法解释。

表1. 不同预测因子的GAMs的性能指标，从左到右按BA降序排列。BA、Acc、κ、精确度、召回率和F1分数是根据5折交叉验证计算得出的，而AIC、BIC、解释的离差、调整后的R2（adj. R2）以及非线性平滑项（CWSI、SWC、VPD）的p值是从整个数据集拟合的模型中得出的。
指标 GAMCWSI+SWC+VPD GAMCWSI+SWC GAMSWC GAMSWC+VPD GAMCWSI+VPD BA
Acc 0.923 0.921 0.921 0.918 0.706 0.691 0.492
Precision 0.933 0.933 0.933 0.93 0.766 0.753 0.646
κ 0.851 0.850 0.850 0.843 0.443 0.412 -0.019
Recall 0.944 0.940 0.940 0.94 0.779 0.653 0.888
F1-score 0.949 0.949 0.949 0.947 0.834 0.825 0.785
AIC 97.1 103.7 106.8 5.8 29.5 22.6 1.8
BIC 127.6 134.9 127.2 22.2 34.5 21.6
Adj. R2 0.83 0.81 0.79 0.82 0.21 0.01
Explained Deviation 0.79 0.78 0.75 0.79 0.17 0.19
CWSI 0.51 4.7 - - - - -
SWC 0.51 53.8 3.6 2.3 - -
VPD 0.82 8.2 - - -

将SWC和VPD作为预测因子时，得到了准确率最高的模型（GAMCWSI+SWC+VPD，准确率为93.33%，BA=92.38%），以及最低的赤池信息量准则（AIC，97.1）。该模型解释了高比例的TWDmin类别概率（adj. R2=0.83，解释的离差=0.79）。然而，当在模型中包含SWC和VPD作为预测因子时，CWSI的效果不再显著（p=0.475）。SWC具有最强的显著效果（p<0.001，χ2=53.82），而VPD的效果显著但较低（p<0.05，χ2=8.25）。从模型中排除VPD作为预测因子（GAMCWSI+SWC）后，CWSI的效果再次变得显著，尽管仍较低（p<0.05，χ2=4.74）。当排除VPD作为预测因子时，模型的性能没有显著变化，但AIC（103.7）和贝叶斯信息量准则（BIC，134.9）值有所增加。总体而言，在所有包含VPD作为非线性预测因子的GAM中，VPD对TWDmin类别概率的影响较低。当单独使用VPD作为非线性预测因子（GAMVPD）时，其效果不再显著（p=0.449），并且几乎没有任何TWDmin类别概率的离差得到解释（解释的离差=0.03，adj. R2=0.01）。这一发现与TWDmin类别之间没有显著VPD差异的结果一致（补充图S 24）。与仅使用CWSI或SWC作为非线性预测因子（GAMCWSI、GAMSWC）相比，添加VPD（GAMCWSI+VPD、GAMSWC+VPD）导致模型性能略有下降（从交叉验证得出的指标来看），而模型拟合度略有提高，表现为解释的离差、adj. R2和较低的AIC及BIC。

在单一非线性预测因子的模型中，GAMSWC的表现最佳，正确分类了95.94%（召回率）表明早期干旱压力迹象和灌溉需求开始的类别（TWDmin>0）。此外，其模型性能（以BA、Acc、κ、精确度、召回率和F1分数表示）几乎与最佳性能的GAMCWSI+SWC+VPD相当。然而，GAMSWC在解释的离差（0.75）和adj. R2（0.79）方面的表现略低于GAMCWSI+SWC+VPD，且AIC（106.8）有所增加。一致地，SWC在TWDmin类别之间存在显著且强烈的差异（补充图S 24），这支持了它在模型中的高预测重要性。

在预测TWDmin>0的概率以识别TWDmin恢复失败的临界阈值（RQ 3）时，P随着CWSI的增加而呈S形上升（图5）。表示TWDmin恢复失败和灌溉需求开始的50% P的阈值在不同CWSI值时达到：F. sylvatica首先在CWSI为0.55时达到（95%置信区间：0.46–0.64），其次是Q. robur在0.60时（95%置信区间：0.52–0.70），然后是P. menziesii在0.62时（95%置信区间：0.53和0.73）。

图5. 从GAMCWSI得出的每种树木的TWDmin>0的概率（P）。95%置信区间以阴影区域显示。每种树木的灌溉阈值（Thr）以虚线表示，反映了概率>50%为TWDmin>0的CWSI值（灰线）。

对于GAMCWSI+SWC+VPD，表示50% P的TWDmin>0的阈值随着SWC和VPD值的增加而呈指数上升，CWSI值分别为0.1、0.5和0.9（图6）。这意味着在较低的SWC下，阈值在较低的VPD时达到；而在较高的VPD值下，即使在较高的SWC值时也达到临界阈值。同样，F. sylvatica首先达到阈值，在最高SWC下，其次是Q. robur和P. menziesii。GAMSWC和GAMCWSI+SWC的表示50% P的TWDmin>0的阈值可以在补充材料中找到（图S 25、图S 26）。由于GAMVPD、GAMSWC+VPD和GAMCWSI+VPD的模型性能较差，因此未展示它们的阈值。

图6. 从GAMCWSI+SWC+VPD得出的每种树木的SWC和VPD阈值，对应于50% P的TWDmin>0（实线）。实线表示CWSI为0.5的值，虚线表示0.1的值，点划线表示0.9的值，说明了阈值如何随CWSI变化。

4. 讨论
4.1. 使用CWSI捕捉早期干旱压力迹象（TWDmin恢复）
鉴于迫切需要实用工具来监测树苗的干旱压力，手持式低成本热相机可以提供有关树木水分状况的宝贵见解。基于这种方式获得的图像，我们使用GAMCWSI预测早期干旱压力迹象（TWDmin恢复；RQ 2）获得了可接受的准确性（0.77），这也可能有助于指导灌溉计划，如Hahn等人（2025）所建议的。Estey等人（2026）也报告了类似的结果，他们使用广义加性混合模型从卫星遥感估算的冠层温度二项式预测混合针叶林的每日生长或无生长（Acc=0.87）。我们提出的方法特别适用于土壤结构较疏松的场地，因为在这些场地中，土壤湿度测量通常困难或不准确（Schmitz和Sourell，2000）。此外，直接从植物中获得的干旱压力指标更为精确，因为它们不仅反映了土壤水分和气候条件，还反映了植物的水分状况（Blanco等人，2018；Guo等人，2022；Turner，1990）。与需要大量仪器、维护或测量努力的树干测量或Scholander压力室生态生理测量相比，来自低成本手持式热相机的CWSI是一种实用、非侵入性和可扩展的干旱压力监测工具。

与热卫星遥感或现有的大规模干旱监测工具不同，后者由于分辨率有限，只能提供粗略的空间信息，手持式热成像能够检测到树级别的细微水分状况变化。这使得可以精确监测单个树苗的生理干旱响应，补充了大规模监测工具。尽管由于树木体积小和场地条件多样，从无人机图像自动绘制树苗分布仍然具有挑战性，但未来研究中可以从无人机获取CWSI数据以覆盖更大的范围。这在农业中已经是常见做法（Baluja等人，2012；Chen等人，2024；Gonzalez-Dugo等人，2014；Sánchez-Virosta等人，2025）。Krause和Sanders（2023）通过使用无人机获取的温度、相对湿度（RH）和空气湿度（Tair）和时滞GAM成功预测了成熟F. sylvatica林分的TWD，并获得了0.87的R2。

然而，当有准确的土壤水分测量数据时，我们的结果表明，它们比CWSI更可靠地预测TWDmin恢复和灌溉需求的开始。这反映了测量努力和模型精度之间的权衡，应在监测和管理决策中予以考虑。在未来应用中，CWSI可能通过智能手机应用程序获得（见第4.3节），从而简化树木水分状况信息的生成并便于管理决策。不过，基于CWSI的方法的准确性较低，相比之下，土壤水分测量需要更多的测量努力，并且在一些土壤结构疏松的场地可能不可靠。

CWSI和SWC之间的明显相关性（RQ 1）以及SWC在GAM中的重要作用与Buckley（2019）的研究结果一致，他阐述了由于土壤干旱导致气孔关闭以防止水分流失，从而导致叶片温度升高。Baluja等人（2012）和Berni等人（2009）也报告了随着CWSI的增加和气孔或冠层导度的降低，叶片温度上升。此外，Dunkleberger等人（2023）观察到在低土壤湿度条件下，由于气孔关闭，针叶树种的叶片温度升高。另外，Ben-Gal等人（2009；Ekinzog等人，2022；Kumari等人，2024）也报告了CWSI和SWC之间的负相关关系。

在适当的土壤水分条件下，即使在高VPD条件下，由于气孔保持开放，蒸腾作用仍然继续，从而导致叶片冷却；而在低VPD条件下，由于蒸腾需求低，蒸腾作用减少（Dunkleberger等人，2023）。Niglas等人（2014）报告说，较低的VPD增加了气孔导度并降低了气孔对干燥的敏感性，从而允许光合作用继续进行。然而，尽管气孔更加开放，但由于蒸腾需求低，低VPD条件下的整体蒸腾作用仍然较低，导致叶片温度升高（Dunkleberger等人，2023）。相反，增加的VPD导致气孔导度降低和叶片温度升高（Buckley，2019；Grossiord等人，2020；Koehler等人，2023）。在我们的研究中，尽管统计上显著，我们没有观察到VPD和CWSI之间的强相关性（RQ 1），也没有观察到VPD在GAM中的显著影响。这与Dunkleberger等人（2023）的观察结果一致，他们报告了针叶树种VPD和叶片温度之间的弱关系。然而，他们预期随着VPD的增加，蒸腾冷却会增加，因此认为这种弱关系是由于潜在的早期气孔关闭所致。我们的结果则强调了CWSI和VPD之间的正相关关系，即使这种关系较弱。

Zhou等人（2021）讨论了CWSI和作物水分压力指标之间的非线性关系，我们的数据也表明CWSI和VPD以及其他环境及生态生理变量之间存在类似的非线性模式，这可能导致CWSI和VPD之间的相关系数较低（RQ 1）。此外，由于天气条件变化导致的短期波动的时间延迟和影响（Krause和Sanders，2023年）也可能增加了变量之间关系的复杂性，从而导致TWDmin恢复的相关性和可预测性降低。根据Krause和Sanders（2023年）的研究，叶温及其测量值会受到天气条件快速变化的影响，例如云层覆盖或辐射的突然变化，而如果这些变化不频繁发生，日常TWD值则不会受到影响。此外，叶温动态还受到与周围空气的对流热交换和边界层效应的影响，这些因素控制着叶片与大气条件之间的耦合程度，并可能在湍流条件下缓冲短期变化（Defraeye等人，2013年）。在风速较高或湍流增加的条件下，边界层变薄，增强热交换并增加大气耦合；而在稳定条件下，则边界层变厚，热解耦增强（Nobel，2009年）。通过间歇性地使叶片暴露在温度和湿度不同的空气 parcel 中，这种湍流可能会通过对流热交换和蒸发冷却的变化进一步增加叶温的短期变异性。大气湍流主要由风切变和热不稳定性驱动，而湿度则可能通过与日间蒸发和蒸腾作用相关的潜热通量间接改变大气稳定性（Lee，2023年）。因此，我们观察到在下午几乎同时获得的CWSI和TWDrel之间的相关性略高于夜间或清晨获得的TWDmin。然而，对于Ψ来说，观察到的情况相反，CWSI与Ψmidday之间的相关性低于CWSI与Ψpredawn之间的相关性。Ψpredawn反映了土壤水分状况，因为在没有蒸腾作用的情况下，叶片和土壤的水分势能理论上应该是相等的（Poorter等人，2012年）。如前所述，我们检测到SWC和CWSI之间存在强相关性，因此Ψpredawn与CWSI之间的相关性也更强。Ψmidday在测量期间强烈依赖于变化的天气条件（Sch?nbeck等人，2022年），这降低了相关性。此外，Pappalardo等人（2023年）指出，由于柑橘类树木的等渗透性行为，CWSI与Ψmidday之间的关系不明确，因为随着VPD的增加，它们会提前关闭气孔。在我们的研究中，气孔关闭也可能导致CWSI与Ψmidday之间的关系不明确，因为所使用的树种在气孔行为上有所不同（见第4.2节）。

通过提出的方法，我们发现具有和不具有早期干旱胁迫迹象的树木之间的CWSI存在明显差异，这突显了CWSI作为本研究中使用的树种幼苗干旱胁迫指标的适用性。在文献中，讨论了其他几种基于温度的干旱胁迫指数，并将其与CWSI进行了比较。García-Tejero等人（2016年）和Gerhards等人（2016年）发现，CWSI比Tc与Tair之间的温差（ΔTc-air）更可靠地确定葡萄藤和土豆的水分状态，后者是另一种常用的干旱胁迫指数。这些作者认为这是由于在包含干旱和湿润参考值时，CWSI对主导气候条件的稳定性更好。Taghvaeian等人（2014年）建议使用“非胁迫温度差（DANS）”作为监测向日葵干旱胁迫的简化指标，该方法计算为受胁迫和非胁迫Tc之间的温差。这种方法比计算CWSI更为直接，他们在研究中检测植物水分胁迫的表现也类似。然而，对于我们在重新造林地块评估树苗干旱胁迫的应用来说，使用DANS是不切实际的，因为它需要在相似的环境条件下持续维护灌溉良好的参考树。

此外，还有多种方法用于建立计算CWSI的湿润和干旱参考基准。根据Pappalardo等人（2023年）的说法，这一点甚至比所使用传感器的类型更为重要。一种常见的方法是在拍摄图像前短暂地在一片叶子上喷洒肥皂水，并在另一片叶子上涂上凡士林（vaseline）以防止蒸腾（Jones等人，2002年；Pappalardo等人，2023年；Ramírez-Cuesta等人，2022年）。Grant等人（2007年）不使用选定叶片的温度作为参考，而是使用整个充分灌溉和未灌溉作物的冠层。Idso等人（1981年）提出了一种经验方法来确定基准温度，除了Tleaf之外，还需要测量Tair和RH。根据Jackson等人（1981年）的理论方法，计算CWSI还需要其他几个气象变量，如辐射。尽管这些方法被广泛使用，但它们对我们的研究有几个缺点和局限性，包括需要额外的气象测量、需要持续灌溉参考树，以及增加了劳动力。因此，在我们的研究中，我们使用了基于人工表面的方法，假设它们的热特性与所测量的叶片和针叶相似。Poirier-Pocovi等人（2020年）提出从干燥参考温度建模湿润参考表面温度以简化CWSI的估计。虽然这种方法可以大大减少测量工作量，但其在我们特定的实验条件和我们研究的树种中的适用性仍有待验证。未来的研究应评估这种建模策略在重新造林背景下的准确性是否相当。

4.2. 确定早期干旱胁迫迹象（TWDmin恢复）的物种特定临界阈值，以指导灌溉调度
总体而言，从所研究的物种来看，Q. robur在等渗透性-非等渗透性连续体上被认为是最不均匀的物种，因为在干旱条件下，它的气孔控制较为松弛，与F. sylvatica或P. menziesii等更均匀的物种相比，它倾向于在土壤干燥时较晚关闭气孔（Paligi等人，2024年，Paligi等人，2025年；Peters等人，2023年；Schumann等人，2024年）。与其他强调F. sylvatica比Q. robur具有更高干旱敏感性的研究一致（Meyer等人，2020年；Peters等人，2023年；Scharnweber等人，2011年；Wang等人，2025年），我们观察到F. sylvatica较早出现干旱胁迫迹象，表明灌溉需求开始，表现为CWSI、SWC和VPD较低时P > 50%的TWDmin > 0的时间比Q. robur（RQ 3）更早。对于P. menziesii，我们的结果与其他研究相反，那些研究报告称P. menziesii的干旱敏感性更高，其等渗透性行为比F. sylvatica更强（Paligi等人，2024年，Paligi等人，2025年；Schumann等人，2024年）。在我们的研究中，P. menziesii的干旱敏感性低于F. sylvatica，并且在更高的CWSI、SWC和VPD值时达到临界阈值，几乎与Q. robur相当。除了气孔调节外，结构特征如冠层结构与叶片功能特性也对树木的水分利用和冠层温度很重要（Leuzinger和K?rner，2007年；Paligi等人，2025年）。在我们的实验中，视觉检查显示P. menziesii的针叶面积小于F. sylvatica和Q. robur的叶面积。因此，考虑到相同的土壤体积和相似的土壤水分储量，我们预计P. menziesii每株植物的水分利用量较低，从而导致土壤水分储备的消耗速度较慢。由于针叶树的叶边界层阻力低于阔叶树种，它们的针叶温度与大气的耦合更为紧密（Leuzinger和K?rner，2007年）。因此，在CWSI与环境变量之间的相关性方面，我们发现P. menziesii的CWSI与VPD之间的相关性最强，而对于阔叶树种来说则是SWC（补充图S 21）。因此，即使在CWSI水平较高时，P. menziesii的茎部水分储备仍可补充，TWDmin仍可恢复。结果，P. menziesii在我们的实验中出人意料地具有更强的抗旱性，因为它达到临界阈值的时间比假设的要晚，表明灌溉需求的开始时间晚。这些物种特定的生理和结构差异也意味着这里得出的阈值是特定于研究和情境的。

阈值反映了本研究中使用的土壤类型，因为SWC强烈依赖于土壤质地。土壤结构、质地和持水能力的差异会影响树木经历水分限制的速度，从而导致树木水分状态的空间变化（Hacke等人，2000年；Wankmüller等人，2024年）。因此，即使在相同地点但土壤条件不同的树木也可能表现出不同的CWSI值。因此，在实际应用计算出的阈值时，建议测量多棵树并考虑当地站点特性。此外，还需要进一步研究来评估这些阈值在各种地点和管理设置下的适用性（见第4.3节），然后再将其纳入操作性灌溉监测中。除了不同的土壤条件外，不均匀的风条件也会影响CWSI的行为，即使使用了参考表面。风增强了对流冷却，降低了叶片以及湿润和干燥参考表面的温度，但由于物理表面特性的不同，程度不一定相同（Gardiner等人，2016年；Grace，1988年；Maes和Steppe，2012年）。这可能会改变叶片和参考表面之间的温差，导致CWSI被略微高估或低估，这意味着在平静条件下，阈值可能会比预期更早或更晚达到。因此，我们建议在平静条件下获取热图像，并在未来的研究中研究风对阈值的影响。此外，其他因素，如辐射异质性或竞争植被的遮荫，也会影响CWSI。例如，在相同的土壤含水量下，生长在伴生植被阴影下的幼苗的CWSI会低于生长在暴露条件下的幼苗，因为后者的太阳辐射更高，导致叶片温度更高（Maes和Steppe，2012年）。然而，当这些条件持续时间较长时，暴露条件下的TWDmin也会随着蒸腾作用的增加而上升，茎部水分储备也会减少。因此，表明TWDmin恢复丧失的阈值不太可能发生实质性变化，而是会更早达到。不过，辐射的短期波动可能会影响阈值，因为叶片温度和CWSI的变化比TWD更快（见第4.1节）。因此，应在稳定的天气条件下测量CWSI，确保幼苗和参考面板暴露在相同的辐射条件下。

4.3. 研究限制
提出的方法使用来自低成本热像仪的CWSI来监测树苗的干旱胁迫，旨在支持重新造林地点的实际森林管理决策。然而，我们不是在重新造林地点的田间条件下进行实验，而是在半控制的温室实验中开发的该方法，实验中没有伴生植被，且大部分时间无风。由于风会影响叶片温度、蒸腾作用及其相应的测量值（Krause和Sanders，2023年），未来的研究应在田间条件下并使用更大的样本量来验证该方法，并结合这些方面（也见第4.2节）。

在温室实验中获得的树苗图像中，背景在颜色和结构上存在显著差异，使用SAM 2可以更好地将树苗与背景分割开来。在重新造林地点，条件各不相同，因为伴生植被（如草、草本植物、灌木或自然更新物以及枯木）会导致背景信号多样化，这些信号可能与树苗相似。因此，建议对在重新造林地点使用SAM 2分割树苗进行进一步的性能检查。额外的训练和SAM 2的微调可以改善结果，因为我们仅将SAM 2用于推断。此外，未来的研究可以避免Soltani等人（2025年）提出的手动标注像素数据的需要，他们实现了自动生成SA的输入标签。作者在计算机视觉模型上使用梯度加权类激活映射（Selvaraju等人，2017年）进行树种分类，以识别主要负责物种分类的图像区域，然后将其作为SA的输入。总体而言，像SAM 2这样的基础模型的强大泛化能力为生态监测和林业应用提供了实际优势。在SAM 2的情况下，模型架构、源代码和预训练权重（即模型检查点）都是公开可用的（Ravi等人，2024年），这支持了科学应用、推理工作流程的可重复性以及更广泛的采用。然而，SAM 2是在公开发布的数据（例如SA-V数据集）和其他内部许可或非公开数据集的混合上进行训练的，而这些非公开数据集并未完全披露（Ravi等人，2024年）。因此，关于完整训练数据组合、数据选择和整理程序、注释流程以及所有训练阶段的透明度仍然有限。更一般地说，对于开发流程封闭或仅部分披露的模型，这类限制可能会阻碍严格的科学评估、可重复性以及对数据集特定偏差或领域可转移性的评估。此外，持续访问、许可条件、更新或长期维护可能取决于外部提供商，这可能会对需要稳定、透明和持续可用工具的（商业）林业应用造成不确定性。这些考虑因素强调了在未来的研究中使用开放数据、开放权重或特定领域模型时需要方法论上的独立性，以确保可重复性，减少对外部提供商的依赖，并提高科学工作流程的透明度。这样的发展将进一步促进我们的方法向实际应用的转化。

在我们的研究中，所有数据处理都是在数据获取之后进行的。实时管理决策将需要实时监控。因此，我们的回顾性方法需要被转移到一个自动化的智能手机应用程序中，该应用程序能够直接将热成像仪拍摄的图像转换为操作值。正如Soltani等人（2025年）所提出的，森林管理者需要在图像中自动识别树苗和参考表面。之后，所有处理步骤和CWSI的计算都应在后台系统中进行。在最终的应用产品中，森林管理者将直接接收到CWSI值（以及气候和土壤湿度条件），并结合是否超过了干旱胁迫的临界阈值以及是否需要灌溉的信息。为了操作可靠性，从业者需要确保湿润的参考表面保持足够的饱和度，并且树苗和参考表面处于相似的条件下。

关于树苗分割的性能，SAM 2在均匀光照条件下能够准确地将树苗与背景区分开来。在非均匀光照条件下，我们通过为每种光照条件包括代表性点来考虑不同的光照情况（阳光充足 vs. 阴凉），从而提高了整体的分割性能。剩余的误分类像素在2.4节中解释的后处理过程中得到了大部分纠正。尽管仍可能有一些误分类像素存在，但我们认为使用覆盖树苗较大面积的中位温度比像García-Tejero等人（2018a）在相关研究中手动选择像素的方法更具代表性。此外，使用覆盖树苗大部分区域的中位数可以考虑到叶片角度、方向和辐射对温度（Tc）的影响，如2.4节所述（Grant等人，2007；Jones等人，2002；Jones等人，2009）。

热测量的一个主要误差来源是发射率设置不准确，这可能导致温度被高估或低估（Jones等人，2003；Minkina和Dudzik，2009）。如2.4节所述，发射率取决于多个因素，并且会随着树木种类和叶片含水量的不同而变化（Buitrago等人，2016；Gerhards等人，2016；Krause和Sanders，2023；Ribeiro da Luz和Crowley，2007；Rubio等人，1997）。先前的研究表明，干旱胁迫可能导致叶片发射率发生物种特异性变化，这可能与角质层和表面性质的改变有关，包括F. sylvatica的减少和Rhododendron cf. catawbiense的增加（Buitrago等人，2016；Xu等人，2023）。在我们的研究中，选择代表树苗和参考表面的像素确保了混合像素效应和大的发射率变化被最小化。因此，使用来自文献的恒定发射率值被认为是合适的。未来的实验可以进一步结合发射率测量或应用特定于物种的发射率参数化，以提高温度测量的精度。

由于我们使用人工表面计算了CWSI，所以我们依赖于相对温度测量而不是绝对温度测量。因此，传感器的热灵敏度比其绝对准确性更为关键（Pappalardo等人，2023）。本研究使用的热成像仪具有成本效益的优势；然而，这与高端热成像仪相比，其热灵敏度较低，降低了检测细微温度差异的能力。为了提高温度区分的精度并可能增强TWDmin恢复建模的可靠性，未来的研究可以采用具有更高热灵敏度的热成像仪。

最后，我们使用了来自不同记录仪和传感器的Tair_min来校正RH测量值并计算VPD，因为温度记录仪在高太阳辐射下显示出现过热现象（见2.2节和补充图S 27），这可能会引入系统性偏差。因此，我们使用了基于Tair_min的和未校正的气候变量，以及使用不同记录仪和传感器的中位Tair进行校正（Tair_median）来测试结果的稳健性。与CWSI和模型性能的相关系数略有不同，但在各种方法中是一致的（补充图S 28、S 29），表明主要结论不受所选校正方法的影响。虽然在GAMCWSI+SWC+VPD和GAMSWC+VPD中，使用未校正的温度数据时VPD的平滑项变得不显著，但在基于Tair_min和Tair_median的校正中仍然显著（补充图S 28）。这些结果表明，我们的主要结论不受所选校正方法的影响，未校正的数据可能会由于传感器过热而低估VPD的效果。

5. 结论

在气候变化的背景下，迫切需要实用且可扩展的树苗干旱监测解决方案。本研究提出了一种低成本且非侵入性的方法，利用手持式热成像仪来检测重新造林地点早期干旱胁迫的迹象，这种方法在中欧地区因最近的干旱事件而得到了广泛应用。我们在温室实验中开发了一种方法，该方法在支持重新造林地点树苗的灌溉计划方面具有很高的实际潜力。然而，还需要在野外条件下进行进一步的研究来证明其适用性。

我们的结果显示，从低成本热成像中得到的CWSI可以以可接受的精度预测TWDmin的恢复情况，从而指示干旱胁迫的早期反应。虽然该方法的性能不如基于土壤湿度和气候的测量方法，但它在实用性和预测能力之间提供了有价值的平衡，特别是在土壤湿度数据不可靠或无法获得的地点。此外，这种方法可以补充粗尺度监测系统，如基于卫星的遥感和基于模型的干旱监测系统，填补了大规模环境评估与本地森林管理之间的空白。

在手稿准备过程中，作者使用了Grammarly和ChatGPT5.2来辅助语言编辑、风格改进和提高文本的清晰度。使用这些工具后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

CRediT作者贡献声明：
Leonie A. Hahn：撰写 – 审查与编辑、撰写 – 初稿、可视化、方法论、调查、正式分析、数据整理、概念化。
Markus Schmidt：撰写 – 审查与编辑、项目管理、调查、数据整理、概念化。
Mete Ahishali：撰写 – 审查与编辑、正式分析。
Samuli Junttila：撰写 – 审查与编辑。
Andreas Rothe：撰写 – 审查与编辑。
Anja Rammig：撰写 – 审查与编辑、监督。
Christian S. Zang：撰写 – 审查与编辑、监督、概念化。

资金支持
这项工作得到了巴伐利亚州营养、农业、林业和旅游部的支持[授予号码Z3-7831-1/1087 (klifW016)]。本文由Weihenstephan-Triesdorf应用科学大学的开放获取出版基金资助。

未引用参考文献：
Core Writing Team, 2023