李志军，于广多，刘 奇，张智韬，黄嘉亮，刘 畅，张秋雨，陈俊英

·农业水土工程·

环境因子与玉米生长对地表温度监测土壤水分的影响

李志军1,3，于广多2,3※，刘 奇3，张智韬1,3，黄嘉亮3，刘 畅3，张秋雨3，陈俊英1,3

（1. 西北农林科技大学旱区农业水土工程教育部重点实验室，杨凌 712100；2. 辽宁省水利水电科学研究院有限责任公司，沈阳 110003；3. 西北农林科技大学水利与建筑工程学院，杨凌 712100）

针对当前地表温度受太阳辐射、气象因素及作物生长状态影响，对早晨与傍晚土壤水分估算精度较差的问题，该研究在2020年夏玉米生长的拔节期与抽雄期，利用无人机搭载热红外传感器获取09:00、11:00、13:00、15:00以及17:00的地表温度数据，探究了太阳高度角、饱和水汽压差、植被覆盖度三者与地表-空气温差的相关性，提出了综合调整温度，构建了土壤含水率监测模型，分析模型在玉米吐丝期与水泡期的适用性并绘制了土壤含水率分布图。结果表明：1）同一时刻不同灌溉处理的地表温度与土壤含水率呈现负相关性，同一灌溉处理的地表温度日变化呈现上午升温较快下午降温较慢的负偏态分布趋势。2）太阳高度角正弦4次方根、饱和水汽压差、植被覆盖度与地表-空气温差的线性相关系数分别为0.509、0.948、-0.659。3）相比较基于地表温度构建的土壤含水率监测模型，基于综合调整温度的监测模型将决定系数由0.230提高到0.771，标准均方根误差由18.8%降低至10.3%。4）利用综合调整温度监测其他生育期的土壤含水率，决定系数由0.238提高到0.831，标准均方根误差由18.9%降低至9.5%，表明模型在玉米生长季的各个生育期的不同时段均有较强适用性。该研究可为无人机热红外遥感精准监测土壤水分亏缺状况提供参考。

无人机；热红外；地表温度；土壤含水率；太阳高度角；饱和水汽压差；植被覆盖度

0 引 言

土壤含水率作为地表水资源形成、转化以及消耗过程中的基本参数，既是确定农作物土壤干旱等级的重要指标，也是决定农作物生长、影响农作物产量的关键因素，监测土壤水分对发展节水灌溉农业、提高水资源利用效率有重要意义[1-3]。取土烘干法等测定土壤含水率的传统方法仅适用于点尺度测量，在大尺度范围内采集数据人力成本与时间成本较高且用土壤水分“点”数据来代替“面”的数据存在较大的误差，因此传统方法无法满足较大空间尺度的农田土壤水分监测需求，无人机热红外遥感具有大范围、低成本、高灵敏度的特点，是监测田间土壤含水率的有效手段[4-7]。

现阶段常用土壤热惯量与作物水分胁迫指数对土壤含水率进行监测研究，土壤热惯量是度量土壤热惰性强弱的物理量，多用于裸土或者植被低覆盖区域，但以上研究多基于卫星遥感，部分模型涉及的参数需要卫星特定波段与特定周期数据求得，在无人机遥感监测研究中应用较少[8-11]。在植被高覆盖区域，基于冠层温度数据构建的作物水分胁迫指数可以较好地反映农田水分胁迫亏缺，然而，有学者研究表明作物水分胁迫指数在正午时对农田水分亏缺的监测精度优于其他时刻[12-14]，因此，利用无人机热红外遥感精准监测早晨与傍晚的农田土壤含水率仍是现阶段的一个研究难点。

由辐射传输模型可知，太阳辐射能量经过大气层到达地面，部分能量被地表反射，另一部分被地表吸收，地表吸收的能量一部分通过水汽蒸散发方式进行能量消耗，一部分通过作物生理作用进行能量转换，其余部分以热能的方式存在[15-16]，因此，地表温度可以较好地反映土壤水分亏缺。然而，将监测模型应用范围扩展到作物生长季的不同时刻后，地表温度易受太阳总辐射、气象参数、作物生长状况以及地表蒸散发的共同影响[17-19]，导致其对土壤含水率的监测精度较低，不足以满足精细化灌溉的需求。

鉴于此，在2020年夏玉米生长季，通过无人机搭载热红外传感器获取不同日期、不同时刻的地表温度数据，并同步采集试验区域内0～20 cm深度的土壤含水率数据，尝试选取参数定量表示太阳辐射热能、气象状况以及作物生长变化情况，探究三者对地表温度的影响规律，以期构建适用于玉米生长季不同时刻的土壤含水率估算模型，提高土壤水分监测精度。

1 材料与方法

1.1 试验设计

研究区域位于陕西省杨凌示范区的中国旱区节水农业研究院（34°17′N，108°04′E），海拔525 m。该区域属于温带大陆性季风气候，夏季温度较高，多年平均降水量约640 mm，主要集中在7—9月，试验期间总辐射较强。试验区域的土壤类型为中壤土，0～20 cm的平均土壤干容重为1.44 g/cm3，平均凋萎系数为12.4%，平均田间持水率为35.7%（均为体积含水率），地下水埋藏较深，其向上补给量忽略不计。

在玉米生育期内采用滴管系统进行区域灌溉与控水处理，试验设置严重水分胁迫（T1）、中度水分胁迫（T2）、轻度水分胁迫（T3）以及充分灌溉（T4）4种灌溉处理梯度，土壤含水率分别控制在田间持水量的40%～50%、>50%～65%、>65%～80%以及>80%～100%，每个灌溉处理设有3个重复，12个小区的布局完全随机。小区规格为4 m×4 m，试验期间采用滴灌的方式进行灌溉，相邻小区之间布置保护行以降低水分相互渗漏的影响，夏玉米采用行播种植方式，播种深度约5 cm，种植行距60 cm，株距30 cm，南北向种植。夏玉米于2020年6月14日播种，利用2020年7月27日、8月2日、8月8日、8月10日每天的09:00、11:00、13:00、15:00、17:00的数据构建土壤含水估算模型，利用8月25日11:00、8月29日13:00、9月4日15:00、9月8日17:00的数据对模型进行验证。试验区域设置小型气象站记录气象指标，并配有移动折叠雨棚以防止降雨干扰。

1.2 试验数据采集

1.2.1 地表温度数据采集

使用Matrice600Pro六旋翼无人机搭载Zenmuse XT热红外相机进行图像采集，设置无人机飞行高度为20 m，镜头垂直地面进行拍摄，热红外相机工作波段为7.5～13.5m，像素为640×512，水平视场角32°，垂直视场角26°，镜头焦距19 mm，温度分辨率0.05 ℃，20 m图像分辨率为1.8 cm。采用PIX4D软件对热红外图像进行拼接处理，而后利用FLIR Tools软件将热红外图像的灰度值转换为温度值，最后借助实测水温在ENVI软件中校准图像温度，取每个小区的温度均值为此小区的地表温度（surface temperature，℃）。

1.2.2 气象数据采集

试验区域设置小型气象站记录玉米生长季不同时刻的净辐射、大气温度、空气湿度等气象信息，每日13:00的气象信息如表1所示。

1.2.3 土壤含水率数据采集

在图像采集完成后，及时利用土钻采集土壤，取土深度为20 cm[20]，而后通过烘干法测定每个样本点处的土壤含水率。烘干方法为105 ℃温度条件下持续干燥8 h以上，利用天平测量烘干前后土壤质量的差值，天平测量精度为0.001 g，而后依据土壤干容重将质量含水率转换为体积含水率（soil water content，m3/m3）。

表1 13:00的主要气象数据

1.3 地表温度影响参数计算

太阳高度角可以准确表示一天内不同时刻太阳相对于地表的位置变化情况[21]，饱和水汽压差包含了某时刻的空气温度与相对湿度信息，可以表示空气湿润程度[22]，作物覆盖度与作物的株高、叶面积、冠层结构等表型信息有较强的相关性[23-25]，且覆盖度可直接从遥感图像获取，计算操作简便，因此，选取以上3个参数来定量表述不同时刻太阳总辐射、气象因素与地面作物生长状态的变化情况，以此探究各个参数对地表温度的影响情况，并构建土壤含水率监测模型。地表温度影响机理框架如图1所示。

图1 地表温度影响机理框架

1.3.1 太阳高度角

太阳高度角（solar altitude，）指从太阳直射到地面的光线与地表水平面的夹角，其值在0～90°范围内变化，对地表太阳光强弱影响密切，导致中午与早晚的光强有较大的差异。太阳高度角越小，太阳辐射在地表散布的面积就越大，地表单位面积上获取的太阳辐射就越少；同时太阳高度角越小，太阳辐射到达地面的距离越长，太阳辐射损耗越多，到达地面的辐射量就越少，故太阳高度角与太阳总辐射呈现较好的线性正相关性[25-26]，可通过下式计算：

式中为太阳高度角，为太阳赤纬，为某点的地理纬度，为太阳时角，单位均为(°)。

以8月2日为例绘制研究区域09:00—17:00太阳高度角变化曲线，由图2可知，太阳高度角日变化为40.3°，由于试验区域位于北回归线以北，太阳无法直射地面，因此太阳高度角小于90°，角度在13:00达到最大值73.5°，曲线近似以13:00为轴呈对称分布。

图2 8月2日太阳高度角日变化

1.3.2 饱和水汽压差

饱和水汽压差（Vapour Pressure Deficiency，VPD，kPa）是指在一定气温下，饱和水汽压与实际水汽压的差值，与空气湿润程度呈负相关，可通过下式[27]计算：

式中T表示空气温度，℃；RH表示相对湿度，%。

1.3.3 植被覆盖度

热红外图像中的地物较为单一，可通过Otsu算法将地物分为冠层与土壤两类[28]，由于热红外图像空间分辨率小于玉米叶片宽度，认为图像中基本为纯像元，根据植被覆盖度（vegetation coverage，F）的定义[29]，计算式如下：

式中S为研究区域冠层像元个数；S为研究区域像元总个数。

1.4 土壤含水率模型构建与验证

1.4.1 模型构建

有研究[12-14]表明每日正午温度指数对土壤含水率的监测精度优于其他时刻，故考虑太阳总辐射、气象因素以及作物生长对地表温度的影响，计算热红外图像获取的每日13:00地表温度与实测土壤含水率相关关系，以二者相关系数绝对值最大的日期为基准，对其他时刻及其他日期的热红外图像获取的地表温度进行调整，而后利用一元线性回归模型监测土壤含水率，相应推导过程如式（4）至式（9）所示，模型构建过程如图3所示。

首先，地表净辐射公式[12]如下：

式中R为地表净辐射，W/m2；0为太阳常数，取1.367×103W/m2；为地表反照率；C为大气透过率；为太阳高度角，(°)；ε与0分别为大气发射率与地表发射率；为Stefan-Boltzmann常数，取5.67×10-8W/(m2·K4)；T与0分别为大气温度与地表温度，℃。当只考虑太阳高度角变化对温度的影响，将不同时刻的公式联立得到

式中(13:00)为某日13:00的太阳高度角，为所求时刻的太阳高度角，(°)；0(13:00)为热红外图像获取的某日13:00的地表温度，a(13:00)为气象站获取的同日13:00的空气温度，a为气象站获取的同日任意时刻的空气温度，adj(h)为考虑太阳高度角变化的某时刻辐射调整温度，℃。

图3 土壤含水率监测模型构建流程

其次，依据Idos等[30]提出的作物水分胁迫指数（Crop Water Stress Index，CWSI）经验公式可推导出

式中VPD(13:00)为某日13:00的饱和水汽压差，VPD为所求时刻的饱和水汽压差，kPa；adj(VPD)为考虑饱和水汽压差变化的某时刻气象调整温度，℃。

再次，依据植被覆盖度与地表-空气温度差的线性关系[31]可假设

式中F(13:00)为某日13:00的植被覆盖度，F为所求时刻的植被覆盖度，%；adj(F)为考虑植被覆盖度变化的某时刻气象调整温度，℃。

而后，研究假设太阳总辐射变化、气象因素变化以及作物生长对地表温度的影响权重相同，故综合调整温度adj计算式如下所示：

最终，采用一元线性回归模型监测土壤含水率，计算式如下：

式中SWC为估算土壤含水率，m3/m3；0与1为偏回归系数；0为地表温度，adj为综合调整温度，℃。

1.4.2 模型精度评价

本研究通过相关系数评价两个变量的线性相关性质，并通过检验进行方差显著性分析，从而判断两个变量的显著水平，>0.05表示结果无显著性差异，0.05表示在5%水平上显著（常标记为*），<0.01表示在1%水平上显著（常标记为**），<0.001表示在0.1%水平上显著（常标记为***），两变量具有极强的线性相关关系时表现为接近1、值接近于0。通过决定系数（Coefficient of determination，2）及标准均方根误差（Normalized Root Mean Square Error，NRMSE）来评价估算值误差，可靠的估测模型具有2接近1及NRMSE接近0的特征。

2 结果与分析

2.1 地表温度变化情况

取3个重复的地表温度均值为相应灌溉处理的地表温度值，绘制7月27日、8月2日、8月8日以及8月10日5个时刻不同灌溉处理的地表温度统计图，如图4所示。此时研究区域作物半覆盖，热红外图像中包含冠层与土壤两种像元信息，由图3可知，对比同一时刻的不同灌溉处理，当太阳总辐射一样时，不同灌溉处理的地表温度有一定差距，且与土壤水分胁迫程度呈现正相关趋势。以7月27日13:00为例，T1、T2、T3与T4的温度分别为46.7 ℃、41.1 ℃、35.9 ℃与34.0 ℃，其中，T3与T4处理的地表温度差异仅为1.9 ℃，查阅资料[32]显示玉米拔节期到孕穗期的土壤适宜含水量为田间持水量的60%～70%，玉米植株在T3处理中受水分胁迫较小，在T4处理中未受到水分胁迫影响，叶片气孔可正常进行蒸腾作用，冠层保持相对较低的温度，两者温度差异主要源于土壤水分蒸发。然而，T1、T2处理温度相对较高，均超40 ℃，一方面是土壤水分较低蒸发作用较弱，导致地面温度升高，另一方面，叶片蒸腾丧失的水分未得到及时补充，叶片蒸腾作用降低导致降温效果变弱，土壤与冠层温度同时升高，加剧了充分灌溉与胁迫灌溉的地表温度差异。对比每日的地表温度均值，7月27日、8月2日、8月8日与8月10日试验区域地表温度均值分别为35.4 ℃、34.8 ℃、30.3 ℃与35.1 ℃，8月8日的地表温度值明显低于其他日期。对比同一灌溉处理5个不同时刻的地表温度变化情况，由于土壤比热容与土壤含水量呈正相关，故T1处理土壤干燥，不同时刻的土壤温度变化最大，7月27日、8月2日、8月8日与8月10日T1处理不同时刻的温度差分别为16.0 ℃、14.7 ℃、7.2 ℃与7.0 ℃，呈现逐渐减小的趋势。无论是一天内的不同时刻，还是不同日期的同一时刻，同一水分处理的地表温度均有较大差异，这与试验期间内缓慢降低的土壤含水量变化情况不符。此外，受一天内太阳总辐射的影响，正午的地表温度高于早晨与傍晚，然而，4种处理的地表温度均呈现上午升温较快下午降温较慢的趋势，变化大致呈现负偏态分布，与太阳高度角的轴对称分布不符，故验证了地表温度变化受土壤含水率及太阳总辐射以外因素影响的推论。

注：T1、T2、T3、T4分别为严重水分胁迫、中度水分胁迫、轻度水分胁迫、充分灌溉处理。下同。

2.2 相关参数变化情况

2.2.1 饱和水汽压差变化

饱和水汽压差由式（2）求得，绘制研究区域的饱和水汽压差变化曲线如图5所示，饱和水汽压差值越大，表示大气越干燥。由图5可知，4个日期内不同时刻的饱和水汽压差均值在0.34～2.03 kPa范围内变化，饱和水汽压差日变化趋势较为相同，在上午升高较快，13:00后变化较为缓慢，整体来说下午的饱和水汽压差值大于上午，推测地表温度日变化呈现上午升温较快下午降温较慢的趋势与此有关。7月27日、8月2日、8月8日与8月10日的饱和水汽压差日均值分别为1.7、1.4、0.9与1.6 kPa，8月8日饱和水汽压差日均值明显低于其他日期，推测当日试验区整体的地表温度日均值明显低于其他日期与此有关。然而，饱和水汽压差日变化为1.1、1.3、1.0与0.9 kPa，与土壤温度日变化呈现逐渐减小的趋势不符，故推测地表温度变化受土壤含水率、太阳高度角以及饱和水汽压差以外的因素影响。

图5 饱和水汽压差变化曲线

2.2.2 植被覆盖度变化

研究区域整体的植被覆盖度由式（3）求得，绘制植被覆盖度变化曲线如图6所示。由每日的植被覆盖度均值可知，随着作物生长，研究区域整体的植被覆盖度逐渐增加，7月27日、8月2日、8月8日与8月10日的植被覆盖度日均值分别为0.70、0.71、0.73与0.74，然而植被覆盖度日变化较小，依次为0.032、0.025、0.020与0.021，推测土壤温度日变化呈现逐渐减小的趋势与植被覆盖度逐渐增加有关。因此可知同时刻不同灌溉处理的地表温度差异与土壤水分有关，不同时刻同一灌溉处理地表温度的变化情况受太阳总辐射、饱和水汽压差以及植被覆盖度共同作用。

图6 植被覆盖度变化曲线

2.3 调整后地表温度变化情况

2.3.1 各参数与地表-空气温差的关系

将4个日期5个不同时刻共计20个地表-空气温差样本分别与太阳高度角正弦4次方根、饱和水汽压差以及植被覆盖度进行相关性分析，相关系数分别为0.509、0.948、-0.659，太阳高度角正弦4次方根与地表-空气温差均达到5%水平上的显著，饱和水汽压差、植被覆盖度与地表-空气温差均达到极显著水平，验证了3种参数与地表-空气温差存在线性相关关系这一推断，同时也表明，虽然太阳辐射是地表热能的根本来源，但是在无人机热红外遥感监测研究中，气象因素与作物生长状态对地表温度的影响是不可忽略的。

表2 各参数与地表-空气温差的关系

注：0为地表温度（℃），a为大气温度（℃）；为太阳高度角（°），VPD为饱和水汽压差（kPa），F为植被覆盖度（%）。下同。

Note:0is surface temperature(℃),ais air temperature(℃),is solar altitude(°), VPD is vapour pressure deficiency(kPa),Fis vegetation coverage(%). Same below.

2.3.2 基准日期的选择

基准温度的选取直接影响土壤含水率的监测精度，计算4个日期13:00地表温度与实测土壤含水率的相关系数，结果如图7所示。4个日期的相关系数均达到极显著水平，其中8月2日的相关系数高达-0.965，因此，以8月2日13:00的地表温度、太阳高度角、饱和水汽压差以及植被覆盖度数据为基准计算综合调整温度。

图7 地表温度与土壤含水率的相关性（13:00）

2.3.3 综合调整温度变化

利用式（8）计算综合调整温度，绘制4个日期不同灌溉处理的综合调整温度日变化趋势图，如图8所示。式 （8）以8月2日13:00为调整基准，因此综合调整温度在8月2日13:00与图2所示地表温度数值相同，其他时刻数值越接近8月2日13:00数值，即综合调整温度变化趋近于一条水平线，表明其对土壤含水率的监测效果越好。较图3相比，图8中同一时刻的不同灌溉处理综合调整温度值差距明显增大，同一灌溉处理的综合调整温度日变化更加稳定，以7月27日为例，对比4种水分处理的地表温度日变化情况，调整前依次为16.0、11.0、7.9与6.5 ℃，调整后依次为1.8、3.2、4.4与5.5 ℃，日温差大幅度降低。此外，试验按梯度控制土壤水分，不同处理土壤含水率日变化趋近平行，由图8可知相邻时刻不同灌溉处理的综合调整温度变化折线同样趋近平行，在09:00与17:00无相交情况发生，因此综合调整温度日变化情况更加符合土壤含水率日变化规律。

2.4 土壤含水率监测模型

2.4.1 模型监测精度评价

分别以地表温度与综合调整温度为自变量，利用式（9）所示一元线性回归模型监测土壤含水率，土壤含水率监测模型和不同时刻的监测精度如表3所示。

如表3所示，相比较基于地表温度的一元线性回归模型，考虑太阳总辐射、气象因素以及作物生长状态的模型可以有效提高不同时刻的土壤含水率监测精度，决定系数由0.230提高到0.771，标准均方根误差由18.8%降低到10.3%。对比不同时刻下地表温度原始值（0）监测土壤含水率的标准均方根误差可知，13:00的监测精度最高，15:00、17:00、11:00次之，09:00最差，标准均方根误差依次为17.2%、17.3%、18.4%、18.5%与22.3%，进一步验证了每日正午温度指数对土壤含水率的监测精度优于其他时刻这一结论，同时也说明了在其他时刻地表水汽蒸发占太阳热能散失的比例低于正午。利用综合调整温度（adj）对土壤含水率进行监测，09:00、11:00、13:00、15:00与17:00的标准均方根误差依次为12.5%、9.5%、9.8%、9.4%与9.9%，该监测模型可将标准均方根误差降低7个百分点以上，在受环境因素影响较为严重的9:00，标准均方根误差降低达9.8个百分点。

图8 综合调整温度日变化

表3 土壤含水率监测模型

2.4.2 模型适用性评价

研究选取8月25日11:00（吐丝期）、8月29日13:00（吐丝期）、9月4日15:00（水泡期）、9月8日17:00（水泡期）共计48个样本对模型进行验证，以探究模型在玉米生长季其他生育期的适用性，结果如图9所示。实测土壤含水率在0.17～0.34 m3/m3之间分布，无人机热红外遥感观测温度估算的土壤含水率在0.21～0.28 m3/m3之间分布，决定系数仅为0.238，标准均方根误差高达18.9%；利用综合调整温度估算的土壤含水率在0.14～0.31 m3/m3之间分布，决定系数为0.831，标准均方根误差为9.5%，监测精度远高于基于地表温度的一元线性回归模型，因此，由于模型引入时间、气象以及作物生长相关参数，在玉米生长季的各个生育期的不同时段均有较强适用性。

图9 模型适用性分析

2.4.3 土壤含水率分布图

利用调整后的综合温度估算9月8日17:00（水泡期）的土壤含水率，从而绘制土壤含水率分布图。由图10可知土壤含水率在0.12～0.32 m3/m3之间分布，依据试验设计土壤含水率应在0.143～0.357 m3/m3之间（40%～100%田间持水率），然而9月8日未对试验区域进行灌溉，实际土壤含水率部分区域应小于0.143 m3/m3，利用土钻取土实测的土壤含水率更接近小区平均值，但无法确定小区土壤含水率极值的位置，因此，将无人机热红外影像与太阳辐射、气象因素、作物生长信息相结合可以更加准确、直观地反映试验区域土壤含水率的分布趋势。

注：T1-1代表第1个水分胁迫处理的第1个重复，以此类推。

3 讨 论

3.1 综合调整温度的物理意义

研究表明地表温度是环境因素与下垫面条件变化的综合表现，其数值大小受到土壤—植物—大气连续体内热能和水汽交换的共同作用[33-34]，为了提高地表温度对土壤含水率的估算能力，需要控制其他变量。研究选取8月2日13:00的为基准日期与基准时刻，将其他日期与时刻相对于8月2日13:00的太阳辐射能量、气象因素以及作物生长发育的变化量化为两者间的地表-空气温差比值，则代入比值后求得的综合调整温度值体现的是在任意时刻将研究区域的太阳辐射能量、气象因素以及作物生长状态调整为与基准时刻相同时地表温度的理论值，则该值与基准时刻在数值上的差异只与土壤含水率变化有关，因此，其对土壤水分亏缺的监测能力优于调整前地表温度。

3.2 监测模型的优点与局限性

研究构建的监测模型具有以下优点：在温度指标的选取方面，现阶段土壤水分估算研究多在植被高覆盖条件下进行[35-36]，借助冠层温度构建的监测模型在在裸土或植被半覆盖条件下监测精度较差，而本研究采用的地表温度包含了冠层温度与表层土壤温度两种信息，因此模型在玉米生长的各个阶段均有一定适用性。在参数输入方面，Moran等[37]提出的水分亏缺指数（Water Deficit Index，WDI）借助NDVI指数的变化间接表示植被覆盖度的分布情况，将模型的应用由植被高覆盖的阶段扩展到裸土或低植被覆盖阶段，但是该指数的采集需要借助多光谱成像仪，成本较高，而本研究通过热红外成像仪直接获取植被覆盖度参数，对玉米生长阶段表述更为准确。饱和水汽压差充分考虑了大气温度与空气湿度信息[27]，可以较好地表示短时间内气象因素的变化情况。此外，太阳高度角参数包含研究区域的地理位置及时刻信息，多用于卫星遥感[38]，在无人机遥感中引入该参数可为模型在不同地区、不同时刻进行土壤水分监测打下基础。

模型也存在一定局限性，首先，研究假设太阳总辐射、气象因素以及作物生长对地表温度的影响权重相同，然而，如图8所示，8月8日综合调整温度日变化波动任然较大，由图5可知该日饱和水汽压差较小，推测此时气象因素对地表温度的影响权重较大，综合调整温度中3种参数权重相等的假设不能很好地诠释该日的地表温度影响情况，即综合调整温度对地表温度的影响情况的解释能力是有限度的。Huang等[36]探究发现太阳辐射、大气温度、空气湿度等环境因子对冠层温度的影响程度不同，因此，下一步研究需要依据实际情况对地表温度的影响因素赋予不同的权重。其次，如图10所示，由于玉米植株南北向种植，而植株秆茎与叶片之间、冠层温度与土壤温度之间存在一定温差，估算的土壤含水率分布图受上述因素影响，小区内未呈现均匀分布趋势。许崇豪[39]提出的算法可将无人机热红外图像中的冠层与土壤像素有效分离，植土分离后构建的水分-温度综合指数提高了对土壤水分的监测精度，因此，将热红外图像分类后建模是后续土壤水分监测研究的一个重点。

4 结 论

研究探究了太阳总辐射、气象因素以及作物生长状态对地表温度的影响规律，利用综合调整温度构建了土壤含水率监测模型，得出结论如下：

1）同一时刻不同灌溉处理的地表温度与土壤含水率呈现负相关性，同一灌溉处理的地表温度日变化呈现上午升温较快下午降温较慢的负偏态分布趋势。

2）太阳高度角正弦4次方根、饱和水汽压差、植被覆盖度与地表-空气温差的相关系数分别为0.509、0.948、-0.659，存在显著的线性相关关系（<0.05）。

3）在夏玉米拔节期与抽雄期，相比较基于地表温度构建的土壤含水率监测模型，基于综合调整温度的监测模型将决定系数由0.230提高到0.771，标准均方根误差由18.8%降低至10.3%。

4）利用综合调整温度监测其他生育期的土壤含水率，决定系数由0.238提高到0.831，标准均方根误差由18.9%降低至9.5%，表明模型在玉米生长季的各个生育期的不同时段均有较强适用性。

[1] Zhang C, Xie Z, Wang Q J, et al. AquaCrop modeling to explore optimal irrigation of winter wheat for improving grain yield and water productivity[J]. Agricultural Water Management, 2022, 266: 107580.

[2] Bai X Q, Chen Y W, Chen J Y, et al. Optimal window size selection for spectral information extraction of sampling points from UAV multispectral images for soil moisture content inversion[J]. Computers and Electronics in Agriculture, 2021, 190: 106456.

[3] 赵建辉，张晨阳，闵林，等. 基于特征选择和GA-BP 神经网络的多源遥感农田土壤水分反演[J]. 农业工程学报，2021，37(11)：112-120.

Zhao Jianhui, Zhang Chenyang, Min Lin, et al. Retrieval for soil moisture in farmland using multi-source remote sensing data and feature selection with GA-BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11): 112-120. (in Chinese with English abstract)

[4] Du R Q, Chen J Y, Zhang Z T, et al. Simultaneous estimation of surface soil moisture and salinity during irrigation with the moisture-salinity-dependent spectral response model[J]. Agricultural Water Management, 2022, 265: 107538.

[5] 刘又夫，周志艳，田麓弘，等. 红外热成像技术在农业中的应用[J]. 农业工程学报，2019，9(11)：102-110.

Liu Youfu, Zhou Zhiyan, Tian Luhong, et al. Application of infrared thermal imaging technology in agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 9(11): 102-110. (in Chinese with English abstract)

[6] Gamage D, Biswas A, Strachan I B. Scale and location dependent time stability of soil water storage in a maize cropped field[J]. Catena, 2020, 188: 104420.

[7] Cen H Y, Wan L, Zhu J P, et al. Dynamic monitoring of biomass of rice under different nitrogen treatments using a lightweight UAV with dual image-frame snapshot cameras[J]. Plant Methods, 2019, 15(1): 15-32.

[8] Liu Z H, Zhao L, Peng Y P, et al. Improving estimation of soil moisture content using a modified soil thermal inertia model[J]. Remote Sensing, 2020, 12(11): 1719.

[9] 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.

[10] Lausch A, Baade J, Bannehr L, et al. Linking remote sensing and geodiversity and their traits relevant to biodiversity-part i: Soil characteristics[J]. Remote Sensing, 2019, 11(20): 2356.

[11] Akuraju V R, Ryu D, George B. Estimation of root-zone soil moisture using crop water stress index (CWSI) in agricultural fields[J]. GIScience and Remote Sensing, 2021, 58(3): 340-353.

[12] 张仁华. 定量热红外遥感模型及地面实验基础[M]. 北京：科学出版社，2009.

[13] 韩文霆，张立元，牛亚晓，等. 无人机遥感技术在精量灌溉中应用的研究进展[J]. 农业机械学报，2020，51(2)：1-14.

Han Wenting, Zhang Liyuan, Niu Yaxiao, et al. Review on uav remote sensing application in precision irrigation[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(2): 1-14. (in Chinese with English abstract)

[14] 张智韬，吴天奎，于广多，等. 夏玉米冠层温度变化的时滞效应及其对土壤水分监测的影响[J]. 农业工程学报，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)

[15] Price J C. The potential of remote sensed thermal infrared data to infer surface soil moisture and evaporation[J]. Water Resources Research, 1980, 16(4): 787-795.

[16] 刘素华，韩宇平，张仁华. 利用改进的 MOD16 模型估算区域蒸散发[J]. 农业工程学报，2022，38(12)：145-153.

Liu Suhua, Han Yuping, Zhang Renhua. Estimating regional evapotranspiration by the improved MOD16 model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(12): 145-153. (in Chinese with English abstract)

[17] Prudnikova E, Savin I, Vindeker G, et al. Influence of soil background on spectral reflectance of winter wheat crop canopy[J]. Remote Sensing, 2019, 11(16): 1932.

[18] 杜瑞麒，陈俊英，张智韬，等. Sentinel-2 多光谱卫星遥感反演植被覆盖下的土壤盐分变化[J]. 农业工程学报，2021，37(17)：107-115.

Du Ruiqi, Chen Junying, Zhang Zhitao, et al. Inversing soil salinity under vegetation cover using Sentinel-2 multispectral satellite remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(17): 107-115. (in Chinese with English abstract)

[19] Neinavaz E, Skidmore A K, Darvishzadeh R. Effects of prediction accuracy of the proportion of vegetation cover on land surface emissivity and temperature using the NDVI threshold method[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 85: 101984.

[20] Cheng M H, Jiao X Y, Liu Y D, et al. Estimation of soil moisture content under high maize canopy coverage from UAV multimodal data and machine learning[J]. Agricultural Water Management, 2022, 264: 107530.

[21] Bourages B. Technical note improvement in solar declination computation[J]. Solar Energy, 1985, 35(40): 367-369.

[22] Zhang L Y, Zhang H H, Han W T, et al. The mean value of gaussian distribution of excess green index: A new crop water stress indicator[J]. Agricultural Water Management, 2021, 251: 106866.

[23] Linscheid N, Mahecha M D, Rammig A, et al. Time-scale dependent relations between earth observation based proxies of vegetation productivity[J]. Geophysical Research Letters, 2021, 24(48): e2021GL093285.

[24] Wan L, Chen H Y, Zhu J P, et al. Grain yield prediction of rice using multi-temporal UAV-based RGB and multispectral images and model transfer: A case study of small farmlands in the South of China[J]. Agricultural and Forest Meteorology, 2020, 291: 108096.

[25] 赵英时. 遥感应用分析原理与方法（第二版）[M]. 北京：科学出版社，2013.

[26] Song L S, Bian Z J, Kustas W P, et al. Estimation of surface heat fluxes using multi-angular observations ofradiative surface temperature[J]. Remote Sensing of Environment, 2020, 239: 111674.

[27] Zhang L Y, Zhang H H, Niu Y X, et al. Mapping maize water stress based on UAV multispectral remote sensing[J]. Remote sensing, 2019, 11(6): 605.

[28] Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man and Cybernetics, 1979, 9(1): 62-66.

[29] Chen A, Orlov L V, Meron M. Applying high-resolution visible-channel aerial scan of crop canopy to precision Iirrigation management[J]. Proceedings, 2018, 2(7): 335.

[30] Idso S B, Jackson R D, Reginato R J, et al. Normalizing the stress-degree-day parameter for environmental variability[J]. Agricultural Meteorology, 1981, 24(1): 45-55.

[31] 张智韬，许崇豪，谭丞轩，等. 覆盖度对无人机热红外遥感反演玉米土壤含水率的影响[J]. 农业机械学报，2019，50(8)：213-225.

Zhang Zhitao, Xu Chonghao, Tan Chengxuan, et al. Influence of coverage on soil moisture content of field corn inversed from thermal infrared remote sensing of UAV[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(8), 213-225. (in Chinese with English abstract)

[32] 汪志农. 灌溉排水工程学（第二版）[M]. 北京：中国农业出版社，2010.

[33] Petr L, Eva N, Zuzana L, et al. Upscaling seasonal phenological course of leaf dorsiventral reflectance in radiative transfer model[J]. Remote Sensing of Environment, 2020, 246: 111862.

[34] Hu T, Cao B, Du Y, et al. Estimation of surface upward longwave radiation using a direct physical algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(8): 4412-4426.

[35] Zhou Y C, Lao C C, Yang Y L, et al. Diagnosis of winter-wheat water stress based on UAV-borne multispectral image texture and vegetation indices[J]. Agricultural Water Management, 2021, 256: 107076.

[36] Huang J L, Wang S, Guo Y H, et al. Hysteresis between winter wheat canopy temperature and atmospheric temperature and its driving factors[J]. Plant and Soil, 2022, 480: 05509.

[37] Moran M S, Clarke T R, Inoue Y, et al. Estimating cropwater deficitusing the relation between surface-air temperature and spectral vegetation index[J]. Remote Sensing of Environment, 1994, 49: 246-263.

[38] Liu Z H, Zhao L, Peng Y P, et al. Improving estimation of soil moisture content using a modified soil thermal inertia model[J]. Remote Sensing, 2020, 12(11): 1719.

[39] 许崇豪. 基于无人机热红外遥感土壤含水率的模型研究[D]. 杨凌：西北农林科技大学，2020.

Xu Chonghao. Research on Diagnosis Methods of Soil Moisture Content of Corn in Field Based on UAV Thermal Infrared Remote Sensing[D]. Yangling: Northwest A&F University, 2020. (in Chinese with English abstract)

Effects of environmental factors and maize growth on surface temperature to monitor soil water content

Li Zhijun1,3, Yu Guangduo2,3※, Liu Qi3, Zhang Zhitao1,3, Huang Jialiang3, Liu Chang3, Zhang Qiuyu3, Chen Junying1,3

(1.,,712100,; 2.,110003,; 3.,,712100,)

Surface temperature can be one of the most important indicators to monitor the soil water deficit situation. However, the surface temperature depends mainly on solar radiation, meteorological factors, and crop growth state. The low accuracy of soil water content estimation cannot fully meet the requirements of precision irrigation, especially in the morning and evening. Fortunately, unmanned aerial vehicles (UAVs) with thermal infrared remote sensing can be expected to rapidly extract the surface temperature in recent years. In this study, an accurate and rapid detection of soil water content was proposed to clarify the effect of environmental factors and maize growth on the surface temperature using UAVs with thermal infrared remote sensing. Four gradients of irrigation treatment were set as severe water stress (T1), moderate water stress (T2), mild water stress (T3), and adequate irrigation (T4), whereas, the soil water content was controlled by the field capacity of 40%-50%, 50%-65%, 65%-80%, and 80%-100%. The layout of 12 plots was completely random, where each irrigation treatment was carried out with three replicates. Specifically, the jointing and sampling periods of summer corn growth were set on July 27, August 2, August 8, and August 10, 2020. Thermal infrared sensors were then used to obtain the field surface temperature at 09:00, 11:00, 13:00, 15:00, and 17:00 daily. The soil moisture content was collected simultaneously at a depth of 0-20 cm in the test area. Firstly, a systematic analysis was performed on the surface temperature at various time in the irrigation treatments. Secondly, three factors were selected as total solar radiation, meteorological parameters, and crop growth status. The influence of three factors on the surface-air temperature difference was then quantified using the solar height angle, vegetation coverage, as well as the pressure difference between saturated water and air. Thirdly, the comprehensive adjustment temperature was calculated using the surface temperature of 13:00. A monitoring model of soil water content was then constructed. Finally, the applicability of the monitoring model was verified atthe silking and blistering stages. The results show that: 1) There was a negative correlation between the surface temperature in the different irrigation treatments and the soil water content at the same time. The daily change of the surface temperature in the same irrigation treatment presented a negative skewed distribution trend of fast warming in the morning and slow cooling in the afternoon. 2) The linear correlation coefficients were 0.509, 0.948, and -0.659, respectively, for the four power roots of the sine value in the solar height and surface-air temperature difference, the saturated water-gas pressure difference and surface-air temperature difference, as well as the vegetation coverage and surface-air temperature difference. 3) The coefficients of determination of the monitoring model using the integrated temperature increased from 0.230 to 0.771, and the normalized root mean square errors were reduced from 18.8% to 10.3%, respectively, compared with the model using surface temperature. 4) The comprehensive adjusted temperature was used to monitor the soil water content of other growth periods. The coefficient of determination increased from 0.238 to 0.831, and the normalized root mean square error was reduced from 18.9% to 9.5%, indicating the strong applicability in different growth periods of the maize growing season. This finding can provide a strong reference to accurately monitor the soil water deficit using the UAV thermal infrared remote sensing.

unmanned aerial vehicle; thermal infrared; surface temperature; soil water content; solar altitude; vapour pressure deficiency; vegetation coverage

10.11975/j.issn.1002-6819.2022.20.009

X833；S252；S127

A

1002-6819(2022)-20-0077-09

李志军，于广多，刘奇，等. 环境因子与玉米生长对地表温度监测土壤水分的影响[J]. 农业工程学报，2022，38(20)：77-85.doi：10.11975/j.issn.1002-6819.2022.20.009 http://www.tcsae.org

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) doi：10.11975/j.issn.1002-6819.2022.20.009 http://www.tcsae.org

2022-07-18

2022-10-10

国家自然科学基金项目（51979232，52179044）

李志军，硕士，高级实验师，研究方向为节水灌溉及水资源高效利用。Email：lizhij@nwsuaf.edu.cn

于广多，硕士，助理工程师，研究方向为遥感技术在农业及水资源中的应用。Email：yguangduo@163.com