環(huán)境因子與玉米生長對(duì)地表溫度監(jiān)測(cè)土壤水分的影響

李志軍，于廣多，劉 奇，張智韜，黃嘉亮，劉 暢，張秋雨，陳俊英

·農(nóng)業(yè)水土工程·

環(huán)境因子與玉米生長對(duì)地表溫度監(jiān)測(cè)土壤水分的影響

李志軍1,3，于廣多2,3※，劉 奇3，張智韜1,3，黃嘉亮3，劉 暢3，張秋雨3，陳俊英1,3

（1. 西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點(diǎn)實(shí)驗(yàn)室，楊凌 712100；2. 遼寧省水利水電科學(xué)研究院有限責(zé)任公司，沈陽 110003；3. 西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院，楊凌 712100）

針對(duì)當(dāng)前地表溫度受太陽輻射、氣象因素及作物生長狀態(tài)影響，對(duì)早晨與傍晚土壤水分估算精度較差的問題，該研究在2020年夏玉米生長的拔節(jié)期與抽雄期，利用無人機(jī)搭載熱紅外傳感器獲取09:00、11:00、13:00、15:00以及17:00的地表溫度數(shù)據(jù)，探究了太陽高度角、飽和水汽壓差、植被覆蓋度三者與地表-空氣溫差的相關(guān)性，提出了綜合調(diào)整溫度，構(gòu)建了土壤含水率監(jiān)測(cè)模型，分析模型在玉米吐絲期與水泡期的適用性并繪制了土壤含水率分布圖。結(jié)果表明：1）同一時(shí)刻不同灌溉處理的地表溫度與土壤含水率呈現(xiàn)負(fù)相關(guān)性，同一灌溉處理的地表溫度日變化呈現(xiàn)上午升溫較快下午降溫較慢的負(fù)偏態(tài)分布趨勢(shì)。2）太陽高度角正弦4次方根、飽和水汽壓差、植被覆蓋度與地表-空氣溫差的線性相關(guān)系數(shù)分別為0.509、0.948、-0.659。3）相比較基于地表溫度構(gòu)建的土壤含水率監(jiān)測(cè)模型，基于綜合調(diào)整溫度的監(jiān)測(cè)模型將決定系數(shù)由0.230提高到0.771，標(biāo)準(zhǔn)均方根誤差由18.8%降低至10.3%。4）利用綜合調(diào)整溫度監(jiān)測(cè)其他生育期的土壤含水率，決定系數(shù)由0.238提高到0.831，標(biāo)準(zhǔn)均方根誤差由18.9%降低至9.5%，表明模型在玉米生長季的各個(gè)生育期的不同時(shí)段均有較強(qiáng)適用性。該研究可為無人機(jī)熱紅外遙感精準(zhǔn)監(jiān)測(cè)土壤水分虧缺狀況提供參考。

無人機(jī)；熱紅外；地表溫度；土壤含水率；太陽高度角；飽和水汽壓差；植被覆蓋度

0 引 言

土壤含水率作為地表水資源形成、轉(zhuǎn)化以及消耗過程中的基本參數(shù)，既是確定農(nóng)作物土壤干旱等級(jí)的重要指標(biāo)，也是決定農(nóng)作物生長、影響農(nóng)作物產(chǎn)量的關(guān)鍵因素，監(jiān)測(cè)土壤水分對(duì)發(fā)展節(jié)水灌溉農(nóng)業(yè)、提高水資源利用效率有重要意義[1-3]。取土烘干法等測(cè)定土壤含水率的傳統(tǒng)方法僅適用于點(diǎn)尺度測(cè)量，在大尺度范圍內(nèi)采集數(shù)據(jù)人力成本與時(shí)間成本較高且用土壤水分“點(diǎn)”數(shù)據(jù)來代替“面”的數(shù)據(jù)存在較大的誤差，因此傳統(tǒng)方法無法滿足較大空間尺度的農(nóng)田土壤水分監(jiān)測(cè)需求，無人機(jī)熱紅外遙感具有大范圍、低成本、高靈敏度的特點(diǎn)，是監(jiān)測(cè)田間土壤含水率的有效手段[4-7]。

現(xiàn)階段常用土壤熱慣量與作物水分脅迫指數(shù)對(duì)土壤含水率進(jìn)行監(jiān)測(cè)研究，土壤熱慣量是度量土壤熱惰性強(qiáng)弱的物理量，多用于裸土或者植被低覆蓋區(qū)域，但以上研究多基于衛(wèi)星遙感，部分模型涉及的參數(shù)需要衛(wèi)星特定波段與特定周期數(shù)據(jù)求得，在無人機(jī)遙感監(jiān)測(cè)研究中應(yīng)用較少[8-11]。在植被高覆蓋區(qū)域，基于冠層溫度數(shù)據(jù)構(gòu)建的作物水分脅迫指數(shù)可以較好地反映農(nóng)田水分脅迫虧缺，然而，有學(xué)者研究表明作物水分脅迫指數(shù)在正午時(shí)對(duì)農(nóng)田水分虧缺的監(jiān)測(cè)精度優(yōu)于其他時(shí)刻[12-14]，因此，利用無人機(jī)熱紅外遙感精準(zhǔn)監(jiān)測(cè)早晨與傍晚的農(nóng)田土壤含水率仍是現(xiàn)階段的一個(gè)研究難點(diǎn)。

由輻射傳輸模型可知，太陽輻射能量經(jīng)過大氣層到達(dá)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過水汽蒸散發(fā)方式進(jìn)行能量消耗，一部分通過作物生理作用進(jìn)行能量轉(zhuǎn)換，其余部分以熱能的方式存在[15-16]，因此，地表溫度可以較好地反映土壤水分虧缺。然而，將監(jiān)測(cè)模型應(yīng)用范圍擴(kuò)展到作物生長季的不同時(shí)刻后，地表溫度易受太陽總輻射、氣象參數(shù)、作物生長狀況以及地表蒸散發(fā)的共同影響[17-19]，導(dǎo)致其對(duì)土壤含水率的監(jiān)測(cè)精度較低，不足以滿足精細(xì)化灌溉的需求。

鑒于此，在2020年夏玉米生長季，通過無人機(jī)搭載熱紅外傳感器獲取不同日期、不同時(shí)刻的地表溫度數(shù)據(jù)，并同步采集試驗(yàn)區(qū)域內(nèi)0～20 cm深度的土壤含水率數(shù)據(jù)，嘗試選取參數(shù)定量表示太陽輻射熱能、氣象狀況以及作物生長變化情況，探究三者對(duì)地表溫度的影響規(guī)律，以期構(gòu)建適用于玉米生長季不同時(shí)刻的土壤含水率估算模型，提高土壤水分監(jiān)測(cè)精度。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

研究區(qū)域位于陜西省楊凌示范區(qū)的中國旱區(qū)節(jié)水農(nóng)業(yè)研究院（34°17′N，108°04′E），海拔525 m。該區(qū)域?qū)儆跍貛Т箨懶约撅L(fēng)氣候，夏季溫度較高，多年平均降水量約640 mm，主要集中在7—9月，試驗(yàn)期間總輻射較強(qiáng)。試驗(yàn)區(qū)域的土壤類型為中壤土，0～20 cm的平均土壤干容重為1.44 g/cm3，平均凋萎系數(shù)為12.4%，平均田間持水率為35.7%（均為體積含水率），地下水埋藏較深，其向上補(bǔ)給量忽略不計(jì)。

在玉米生育期內(nèi)采用滴管系統(tǒng)進(jìn)行區(qū)域灌溉與控水處理，試驗(yàn)設(shè)置嚴(yán)重水分脅迫（T1）、中度水分脅迫（T2）、輕度水分脅迫（T3）以及充分灌溉（T4）4種灌溉處理梯度，土壤含水率分別控制在田間持水量的40%～50%、>50%～65%、>65%～80%以及>80%～100%，每個(gè)灌溉處理設(shè)有3個(gè)重復(fù)，12個(gè)小區(qū)的布局完全隨機(jī)。小區(qū)規(guī)格為4 m×4 m，試驗(yàn)期間采用滴灌的方式進(jìn)行灌溉，相鄰小區(qū)之間布置保護(hù)行以降低水分相互滲漏的影響，夏玉米采用行播種植方式，播種深度約5 cm，種植行距60 cm，株距30 cm，南北向種植。夏玉米于2020年6月14日播種，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的數(shù)據(jù)構(gòu)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的數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。試驗(yàn)區(qū)域設(shè)置小型氣象站記錄氣象指標(biāo)，并配有移動(dòng)折疊雨棚以防止降雨干擾。

1.2 試驗(yàn)數(shù)據(jù)采集

1.2.1 地表溫度數(shù)據(jù)采集

使用Matrice600Pro六旋翼無人機(jī)搭載Zenmuse XT熱紅外相機(jī)進(jìn)行圖像采集，設(shè)置無人機(jī)飛行高度為20 m，鏡頭垂直地面進(jìn)行拍攝，熱紅外相機(jī)工作波段為7.5～13.5m，像素為640×512，水平視場角32°，垂直視場角26°，鏡頭焦距19 mm，溫度分辨率0.05 ℃，20 m圖像分辨率為1.8 cm。采用PIX4D軟件對(duì)熱紅外圖像進(jìn)行拼接處理，而后利用FLIR Tools軟件將熱紅外圖像的灰度值轉(zhuǎn)換為溫度值，最后借助實(shí)測(cè)水溫在ENVI軟件中校準(zhǔn)圖像溫度，取每個(gè)小區(qū)的溫度均值為此小區(qū)的地表溫度（surface temperature，℃）。

1.2.2 氣象數(shù)據(jù)采集

試驗(yàn)區(qū)域設(shè)置小型氣象站記錄玉米生長季不同時(shí)刻的凈輻射、大氣溫度、空氣濕度等氣象信息，每日13:00的氣象信息如表1所示。

1.2.3 土壤含水率數(shù)據(jù)采集

在圖像采集完成后，及時(shí)利用土鉆采集土壤，取土深度為20 cm[20]，而后通過烘干法測(cè)定每個(gè)樣本點(diǎn)處的土壤含水率。烘干方法為105 ℃溫度條件下持續(xù)干燥8 h以上，利用天平測(cè)量烘干前后土壤質(zhì)量的差值，天平測(cè)量精度為0.001 g，而后依據(jù)土壤干容重將質(zhì)量含水率轉(zhuǎn)換為體積含水率（soil water content，m3/m3）。

表1 13:00的主要?dú)庀髷?shù)據(jù)

1.3 地表溫度影響參數(shù)計(jì)算

太陽高度角可以準(zhǔn)確表示一天內(nèi)不同時(shí)刻太陽相對(duì)于地表的位置變化情況[21]，飽和水汽壓差包含了某時(shí)刻的空氣溫度與相對(duì)濕度信息，可以表示空氣濕潤程度[22]，作物覆蓋度與作物的株高、葉面積、冠層結(jié)構(gòu)等表型信息有較強(qiáng)的相關(guān)性[23-25]，且覆蓋度可直接從遙感圖像獲取，計(jì)算操作簡便，因此，選取以上3個(gè)參數(shù)來定量表述不同時(shí)刻太陽總輻射、氣象因素與地面作物生長狀態(tài)的變化情況，以此探究各個(gè)參數(shù)對(duì)地表溫度的影響情況，并構(gòu)建土壤含水率監(jiān)測(cè)模型。地表溫度影響機(jī)理框架如圖1所示。

圖1 地表溫度影響機(jī)理框架

1.3.1 太陽高度角

太陽高度角（solar altitude，）指從太陽直射到地面的光線與地表水平面的夾角，其值在0～90°范圍內(nèi)變化，對(duì)地表太陽光強(qiáng)弱影響密切，導(dǎo)致中午與早晚的光強(qiáng)有較大的差異。太陽高度角越小，太陽輻射在地表散布的面積就越大，地表單位面積上獲取的太陽輻射就越少；同時(shí)太陽高度角越小，太陽輻射到達(dá)地面的距離越長，太陽輻射損耗越多，到達(dá)地面的輻射量就越少，故太陽高度角與太陽總輻射呈現(xiàn)較好的線性正相關(guān)性[25-26]，可通過下式計(jì)算：

式中為太陽高度角，為太陽赤緯，為某點(diǎn)的地理緯度，為太陽時(shí)角，單位均為(°)。

以8月2日為例繪制研究區(qū)域09:00—17:00太陽高度角變化曲線，由圖2可知，太陽高度角日變化為40.3°，由于試驗(yàn)區(qū)域位于北回歸線以北，太陽無法直射地面，因此太陽高度角小于90°，角度在13:00達(dá)到最大值73.5°，曲線近似以13:00為軸呈對(duì)稱分布。

圖2 8月2日太陽高度角日變化

1.3.2 飽和水汽壓差

飽和水汽壓差（Vapour Pressure Deficiency，VPD，kPa）是指在一定氣溫下，飽和水汽壓與實(shí)際水汽壓的差值，與空氣濕潤程度呈負(fù)相關(guān)，可通過下式[27]計(jì)算：

式中T表示空氣溫度，℃；RH表示相對(duì)濕度，%。

1.3.3 植被覆蓋度

熱紅外圖像中的地物較為單一，可通過Otsu算法將地物分為冠層與土壤兩類[28]，由于熱紅外圖像空間分辨率小于玉米葉片寬度，認(rèn)為圖像中基本為純像元，根據(jù)植被覆蓋度（vegetation coverage，F）的定義[29]，計(jì)算式如下：

式中S為研究區(qū)域冠層像元個(gè)數(shù)；S為研究區(qū)域像元總個(gè)數(shù)。

1.4 土壤含水率模型構(gòu)建與驗(yàn)證

1.4.1 模型構(gòu)建

有研究[12-14]表明每日正午溫度指數(shù)對(duì)土壤含水率的監(jiān)測(cè)精度優(yōu)于其他時(shí)刻，故考慮太陽總輻射、氣象因素以及作物生長對(duì)地表溫度的影響，計(jì)算熱紅外圖像獲取的每日13:00地表溫度與實(shí)測(cè)土壤含水率相關(guān)關(guān)系，以二者相關(guān)系數(shù)絕對(duì)值最大的日期為基準(zhǔn)，對(duì)其他時(shí)刻及其他日期的熱紅外圖像獲取的地表溫度進(jìn)行調(diào)整，而后利用一元線性回歸模型監(jiān)測(cè)土壤含水率，相應(yīng)推導(dǎo)過程如式（4）至式（9）所示，模型構(gòu)建過程如圖3所示。

首先，地表凈輻射公式[12]如下：

式中R為地表凈輻射，W/m2；0為太陽常數(shù)，取1.367×103W/m2；為地表反照率；C為大氣透過率；為太陽高度角，(°)；ε與0分別為大氣發(fā)射率與地表發(fā)射率；為Stefan-Boltzmann常數(shù)，取5.67×10-8W/(m2·K4)；T與0分別為大氣溫度與地表溫度，℃。當(dāng)只考慮太陽高度角變化對(duì)溫度的影響，將不同時(shí)刻的公式聯(lián)立得到

式中(13:00)為某日13:00的太陽高度角，為所求時(shí)刻的太陽高度角，(°)；0(13:00)為熱紅外圖像獲取的某日13:00的地表溫度，a(13:00)為氣象站獲取的同日13:00的空氣溫度，a為氣象站獲取的同日任意時(shí)刻的空氣溫度，adj(h)為考慮太陽高度角變化的某時(shí)刻輻射調(diào)整溫度，℃。

圖3 土壤含水率監(jiān)測(cè)模型構(gòu)建流程

其次，依據(jù)Idos等[30]提出的作物水分脅迫指數(shù)（Crop Water Stress Index，CWSI）經(jīng)驗(yàn)公式可推導(dǎo)出

式中VPD(13:00)為某日13:00的飽和水汽壓差，VPD為所求時(shí)刻的飽和水汽壓差，kPa；adj(VPD)為考慮飽和水汽壓差變化的某時(shí)刻氣象調(diào)整溫度，℃。

再次，依據(jù)植被覆蓋度與地表-空氣溫度差的線性關(guān)系[31]可假設(shè)

式中F(13:00)為某日13:00的植被覆蓋度，F為所求時(shí)刻的植被覆蓋度，%；adj(F)為考慮植被覆蓋度變化的某時(shí)刻氣象調(diào)整溫度，℃。

而后，研究假設(shè)太陽總輻射變化、氣象因素變化以及作物生長對(duì)地表溫度的影響權(quán)重相同，故綜合調(diào)整溫度adj計(jì)算式如下所示：

最終，采用一元線性回歸模型監(jiān)測(cè)土壤含水率，計(jì)算式如下：

式中SWC為估算土壤含水率，m3/m3；0與1為偏回歸系數(shù)；0為地表溫度，adj為綜合調(diào)整溫度，℃。

1.4.2 模型精度評(píng)價(jià)

本研究通過相關(guān)系數(shù)評(píng)價(jià)兩個(gè)變量的線性相關(guān)性質(zhì)，并通過檢驗(yàn)進(jìn)行方差顯著性分析，從而判斷兩個(gè)變量的顯著水平，>0.05表示結(jié)果無顯著性差異，0.05表示在5%水平上顯著（常標(biāo)記為*），<0.01表示在1%水平上顯著（常標(biāo)記為**），<0.001表示在0.1%水平上顯著（常標(biāo)記為***），兩變量具有極強(qiáng)的線性相關(guān)關(guān)系時(shí)表現(xiàn)為接近1、值接近于0。通過決定系數(shù)（Coefficient of determination，2）及標(biāo)準(zhǔn)均方根誤差（Normalized Root Mean Square Error，NRMSE）來評(píng)價(jià)估算值誤差，可靠的估測(cè)模型具有2接近1及NRMSE接近0的特征。

2 結(jié)果與分析

2.1 地表溫度變化情況

取3個(gè)重復(fù)的地表溫度均值為相應(yīng)灌溉處理的地表溫度值，繪制7月27日、8月2日、8月8日以及8月10日5個(gè)時(shí)刻不同灌溉處理的地表溫度統(tǒng)計(jì)圖，如圖4所示。此時(shí)研究區(qū)域作物半覆蓋，熱紅外圖像中包含冠層與土壤兩種像元信息，由圖3可知，對(duì)比同一時(shí)刻的不同灌溉處理，當(dāng)太陽總輻射一樣時(shí)，不同灌溉處理的地表溫度有一定差距，且與土壤水分脅迫程度呈現(xiàn)正相關(guān)趨勢(shì)。以7月27日13:00為例，T1、T2、T3與T4的溫度分別為46.7 ℃、41.1 ℃、35.9 ℃與34.0 ℃，其中，T3與T4處理的地表溫度差異僅為1.9 ℃，查閱資料[32]顯示玉米拔節(jié)期到孕穗期的土壤適宜含水量為田間持水量的60%～70%，玉米植株在T3處理中受水分脅迫較小，在T4處理中未受到水分脅迫影響，葉片氣孔可正常進(jìn)行蒸騰作用，冠層保持相對(duì)較低的溫度，兩者溫度差異主要源于土壤水分蒸發(fā)。然而，T1、T2處理溫度相對(duì)較高，均超40 ℃，一方面是土壤水分較低蒸發(fā)作用較弱，導(dǎo)致地面溫度升高，另一方面，葉片蒸騰喪失的水分未得到及時(shí)補(bǔ)充，葉片蒸騰作用降低導(dǎo)致降溫效果變?nèi)?，土壤與冠層溫度同時(shí)升高，加劇了充分灌溉與脅迫灌溉的地表溫度差異。對(duì)比每日的地表溫度均值，7月27日、8月2日、8月8日與8月10日試驗(yàn)區(qū)域地表溫度均值分別為35.4 ℃、34.8 ℃、30.3 ℃與35.1 ℃，8月8日的地表溫度值明顯低于其他日期。對(duì)比同一灌溉處理5個(gè)不同時(shí)刻的地表溫度變化情況，由于土壤比熱容與土壤含水量呈正相關(guān)，故T1處理土壤干燥，不同時(shí)刻的土壤溫度變化最大，7月27日、8月2日、8月8日與8月10日T1處理不同時(shí)刻的溫度差分別為16.0 ℃、14.7 ℃、7.2 ℃與7.0 ℃，呈現(xiàn)逐漸減小的趨勢(shì)。無論是一天內(nèi)的不同時(shí)刻，還是不同日期的同一時(shí)刻，同一水分處理的地表溫度均有較大差異，這與試驗(yàn)期間內(nèi)緩慢降低的土壤含水量變化情況不符。此外，受一天內(nèi)太陽總輻射的影響，正午的地表溫度高于早晨與傍晚，然而，4種處理的地表溫度均呈現(xiàn)上午升溫較快下午降溫較慢的趨勢(shì)，變化大致呈現(xiàn)負(fù)偏態(tài)分布，與太陽高度角的軸對(duì)稱分布不符，故驗(yàn)證了地表溫度變化受土壤含水率及太陽總輻射以外因素影響的推論。

注：T1、T2、T3、T4分別為嚴(yán)重水分脅迫、中度水分脅迫、輕度水分脅迫、充分灌溉處理。下同。

2.2 相關(guān)參數(shù)變化情況

2.2.1 飽和水汽壓差變化

飽和水汽壓差由式（2）求得，繪制研究區(qū)域的飽和水汽壓差變化曲線如圖5所示，飽和水汽壓差值越大，表示大氣越干燥。由圖5可知，4個(gè)日期內(nèi)不同時(shí)刻的飽和水汽壓差均值在0.34～2.03 kPa范圍內(nèi)變化，飽和水汽壓差日變化趨勢(shì)較為相同，在上午升高較快，13:00后變化較為緩慢，整體來說下午的飽和水汽壓差值大于上午，推測(cè)地表溫度日變化呈現(xiàn)上午升溫較快下午降溫較慢的趨勢(shì)與此有關(guān)。7月27日、8月2日、8月8日與8月10日的飽和水汽壓差日均值分別為1.7、1.4、0.9與1.6 kPa，8月8日飽和水汽壓差日均值明顯低于其他日期，推測(cè)當(dāng)日試驗(yàn)區(qū)整體的地表溫度日均值明顯低于其他日期與此有關(guān)。然而，飽和水汽壓差日變化為1.1、1.3、1.0與0.9 kPa，與土壤溫度日變化呈現(xiàn)逐漸減小的趨勢(shì)不符，故推測(cè)地表溫度變化受土壤含水率、太陽高度角以及飽和水汽壓差以外的因素影響。

圖5 飽和水汽壓差變化曲線

2.2.2 植被覆蓋度變化

研究區(qū)域整體的植被覆蓋度由式（3）求得，繪制植被覆蓋度變化曲線如圖6所示。由每日的植被覆蓋度均值可知，隨著作物生長，研究區(qū)域整體的植被覆蓋度逐漸增加，7月27日、8月2日、8月8日與8月10日的植被覆蓋度日均值分別為0.70、0.71、0.73與0.74，然而植被覆蓋度日變化較小，依次為0.032、0.025、0.020與0.021，推測(cè)土壤溫度日變化呈現(xiàn)逐漸減小的趨勢(shì)與植被覆蓋度逐漸增加有關(guān)。因此可知同時(shí)刻不同灌溉處理的地表溫度差異與土壤水分有關(guān)，不同時(shí)刻同一灌溉處理地表溫度的變化情況受太陽總輻射、飽和水汽壓差以及植被覆蓋度共同作用。

圖6 植被覆蓋度變化曲線

2.3 調(diào)整后地表溫度變化情況

2.3.1 各參數(shù)與地表-空氣溫差的關(guān)系

將4個(gè)日期5個(gè)不同時(shí)刻共計(jì)20個(gè)地表-空氣溫差樣本分別與太陽高度角正弦4次方根、飽和水汽壓差以及植被覆蓋度進(jìn)行相關(guān)性分析，相關(guān)系數(shù)分別為0.509、0.948、-0.659，太陽高度角正弦4次方根與地表-空氣溫差均達(dá)到5%水平上的顯著，飽和水汽壓差、植被覆蓋度與地表-空氣溫差均達(dá)到極顯著水平，驗(yàn)證了3種參數(shù)與地表-空氣溫差存在線性相關(guān)關(guān)系這一推斷，同時(shí)也表明，雖然太陽輻射是地表熱能的根本來源，但是在無人機(jī)熱紅外遙感監(jiān)測(cè)研究中，氣象因素與作物生長狀態(tài)對(duì)地表溫度的影響是不可忽略的。

表2 各參數(shù)與地表-空氣溫差的關(guān)系

注：0為地表溫度（℃），a為大氣溫度（℃）；為太陽高度角（°），VPD為飽和水汽壓差（kPa），F為植被覆蓋度（%）。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 基準(zhǔn)日期的選擇

基準(zhǔn)溫度的選取直接影響土壤含水率的監(jiān)測(cè)精度，計(jì)算4個(gè)日期13:00地表溫度與實(shí)測(cè)土壤含水率的相關(guān)系數(shù)，結(jié)果如圖7所示。4個(gè)日期的相關(guān)系數(shù)均達(dá)到極顯著水平，其中8月2日的相關(guān)系數(shù)高達(dá)-0.965，因此，以8月2日13:00的地表溫度、太陽高度角、飽和水汽壓差以及植被覆蓋度數(shù)據(jù)為基準(zhǔn)計(jì)算綜合調(diào)整溫度。

圖7 地表溫度與土壤含水率的相關(guān)性（13:00）

2.3.3 綜合調(diào)整溫度變化

利用式（8）計(jì)算綜合調(diào)整溫度，繪制4個(gè)日期不同灌溉處理的綜合調(diào)整溫度日變化趨勢(shì)圖，如圖8所示。式 （8）以8月2日13:00為調(diào)整基準(zhǔn)，因此綜合調(diào)整溫度在8月2日13:00與圖2所示地表溫度數(shù)值相同，其他時(shí)刻數(shù)值越接近8月2日13:00數(shù)值，即綜合調(diào)整溫度變化趨近于一條水平線，表明其對(duì)土壤含水率的監(jiān)測(cè)效果越好。較圖3相比，圖8中同一時(shí)刻的不同灌溉處理綜合調(diào)整溫度值差距明顯增大，同一灌溉處理的綜合調(diào)整溫度日變化更加穩(wěn)定，以7月27日為例，對(duì)比4種水分處理的地表溫度日變化情況，調(diào)整前依次為16.0、11.0、7.9與6.5 ℃，調(diào)整后依次為1.8、3.2、4.4與5.5 ℃，日溫差大幅度降低。此外，試驗(yàn)按梯度控制土壤水分，不同處理土壤含水率日變化趨近平行，由圖8可知相鄰時(shí)刻不同灌溉處理的綜合調(diào)整溫度變化折線同樣趨近平行，在09:00與17:00無相交情況發(fā)生，因此綜合調(diào)整溫度日變化情況更加符合土壤含水率日變化規(guī)律。

2.4 土壤含水率監(jiān)測(cè)模型

2.4.1 模型監(jiān)測(cè)精度評(píng)價(jià)

分別以地表溫度與綜合調(diào)整溫度為自變量，利用式（9）所示一元線性回歸模型監(jiān)測(cè)土壤含水率，土壤含水率監(jiān)測(cè)模型和不同時(shí)刻的監(jiān)測(cè)精度如表3所示。

如表3所示，相比較基于地表溫度的一元線性回歸模型，考慮太陽總輻射、氣象因素以及作物生長狀態(tài)的模型可以有效提高不同時(shí)刻的土壤含水率監(jiān)測(cè)精度，決定系數(shù)由0.230提高到0.771，標(biāo)準(zhǔn)均方根誤差由18.8%降低到10.3%。對(duì)比不同時(shí)刻下地表溫度原始值（0）監(jiān)測(cè)土壤含水率的標(biāo)準(zhǔn)均方根誤差可知，13:00的監(jiān)測(cè)精度最高，15:00、17:00、11:00次之，09:00最差，標(biāo)準(zhǔn)均方根誤差依次為17.2%、17.3%、18.4%、18.5%與22.3%，進(jìn)一步驗(yàn)證了每日正午溫度指數(shù)對(duì)土壤含水率的監(jiān)測(cè)精度優(yōu)于其他時(shí)刻這一結(jié)論，同時(shí)也說明了在其他時(shí)刻地表水汽蒸發(fā)占太陽熱能散失的比例低于正午。利用綜合調(diào)整溫度（adj）對(duì)土壤含水率進(jìn)行監(jiān)測(cè)，09:00、11:00、13:00、15:00與17:00的標(biāo)準(zhǔn)均方根誤差依次為12.5%、9.5%、9.8%、9.4%與9.9%，該監(jiān)測(cè)模型可將標(biāo)準(zhǔn)均方根誤差降低7個(gè)百分點(diǎn)以上，在受環(huán)境因素影響較為嚴(yán)重的9:00，標(biāo)準(zhǔn)均方根誤差降低達(dá)9.8個(gè)百分點(diǎn)。

圖8 綜合調(diào)整溫度日變化

表3 土壤含水率監(jiān)測(cè)模型

2.4.2 模型適用性評(píng)價(jià)

研究選取8月25日11:00（吐絲期）、8月29日13:00（吐絲期）、9月4日15:00（水泡期）、9月8日17:00（水泡期）共計(jì)48個(gè)樣本對(duì)模型進(jìn)行驗(yàn)證，以探究模型在玉米生長季其他生育期的適用性，結(jié)果如圖9所示。實(shí)測(cè)土壤含水率在0.17～0.34 m3/m3之間分布，無人機(jī)熱紅外遙感觀測(cè)溫度估算的土壤含水率在0.21～0.28 m3/m3之間分布，決定系數(shù)僅為0.238，標(biāo)準(zhǔn)均方根誤差高達(dá)18.9%；利用綜合調(diào)整溫度估算的土壤含水率在0.14～0.31 m3/m3之間分布，決定系數(shù)為0.831，標(biāo)準(zhǔn)均方根誤差為9.5%，監(jiān)測(cè)精度遠(yuǎn)高于基于地表溫度的一元線性回歸模型，因此，由于模型引入時(shí)間、氣象以及作物生長相關(guān)參數(shù)，在玉米生長季的各個(gè)生育期的不同時(shí)段均有較強(qiáng)適用性。

圖9 模型適用性分析

2.4.3 土壤含水率分布圖

利用調(diào)整后的綜合溫度估算9月8日17:00（水泡期）的土壤含水率，從而繪制土壤含水率分布圖。由圖10可知土壤含水率在0.12～0.32 m3/m3之間分布，依據(jù)試驗(yàn)設(shè)計(jì)土壤含水率應(yīng)在0.143～0.357 m3/m3之間（40%～100%田間持水率），然而9月8日未對(duì)試驗(yàn)區(qū)域進(jìn)行灌溉，實(shí)際土壤含水率部分區(qū)域應(yīng)小于0.143 m3/m3，利用土鉆取土實(shí)測(cè)的土壤含水率更接近小區(qū)平均值，但無法確定小區(qū)土壤含水率極值的位置，因此，將無人機(jī)熱紅外影像與太陽輻射、氣象因素、作物生長信息相結(jié)合可以更加準(zhǔn)確、直觀地反映試驗(yàn)區(qū)域土壤含水率的分布趨勢(shì)。

注：T1-1代表第1個(gè)水分脅迫處理的第1個(gè)重復(fù)，以此類推。

3 討 論

3.1 綜合調(diào)整溫度的物理意義

研究表明地表溫度是環(huán)境因素與下墊面條件變化的綜合表現(xiàn)，其數(shù)值大小受到土壤—植物—大氣連續(xù)體內(nèi)熱能和水汽交換的共同作用[33-34]，為了提高地表溫度對(duì)土壤含水率的估算能力，需要控制其他變量。研究選取8月2日13:00的為基準(zhǔn)日期與基準(zhǔn)時(shí)刻，將其他日期與時(shí)刻相對(duì)于8月2日13:00的太陽輻射能量、氣象因素以及作物生長發(fā)育的變化量化為兩者間的地表-空氣溫差比值，則代入比值后求得的綜合調(diào)整溫度值體現(xiàn)的是在任意時(shí)刻將研究區(qū)域的太陽輻射能量、氣象因素以及作物生長狀態(tài)調(diào)整為與基準(zhǔn)時(shí)刻相同時(shí)地表溫度的理論值，則該值與基準(zhǔn)時(shí)刻在數(shù)值上的差異只與土壤含水率變化有關(guān)，因此，其對(duì)土壤水分虧缺的監(jiān)測(cè)能力優(yōu)于調(diào)整前地表溫度。

3.2 監(jiān)測(cè)模型的優(yōu)點(diǎn)與局限性

研究構(gòu)建的監(jiān)測(cè)模型具有以下優(yōu)點(diǎn)：在溫度指標(biāo)的選取方面，現(xiàn)階段土壤水分估算研究多在植被高覆蓋條件下進(jìn)行[35-36]，借助冠層溫度構(gòu)建的監(jiān)測(cè)模型在在裸土或植被半覆蓋條件下監(jiān)測(cè)精度較差，而本研究采用的地表溫度包含了冠層溫度與表層土壤溫度兩種信息，因此模型在玉米生長的各個(gè)階段均有一定適用性。在參數(shù)輸入方面，Moran等[37]提出的水分虧缺指數(shù)（Water Deficit Index，WDI）借助NDVI指數(shù)的變化間接表示植被覆蓋度的分布情況，將模型的應(yīng)用由植被高覆蓋的階段擴(kuò)展到裸土或低植被覆蓋階段，但是該指數(shù)的采集需要借助多光譜成像儀，成本較高，而本研究通過熱紅外成像儀直接獲取植被覆蓋度參數(shù)，對(duì)玉米生長階段表述更為準(zhǔn)確。飽和水汽壓差充分考慮了大氣溫度與空氣濕度信息[27]，可以較好地表示短時(shí)間內(nèi)氣象因素的變化情況。此外，太陽高度角參數(shù)包含研究區(qū)域的地理位置及時(shí)刻信息，多用于衛(wèi)星遙感[38]，在無人機(jī)遙感中引入該參數(shù)可為模型在不同地區(qū)、不同時(shí)刻進(jìn)行土壤水分監(jiān)測(cè)打下基礎(chǔ)。

模型也存在一定局限性，首先，研究假設(shè)太陽總輻射、氣象因素以及作物生長對(duì)地表溫度的影響權(quán)重相同，然而，如圖8所示，8月8日綜合調(diào)整溫度日變化波動(dòng)任然較大，由圖5可知該日飽和水汽壓差較小，推測(cè)此時(shí)氣象因素對(duì)地表溫度的影響權(quán)重較大，綜合調(diào)整溫度中3種參數(shù)權(quán)重相等的假設(shè)不能很好地詮釋該日的地表溫度影響情況，即綜合調(diào)整溫度對(duì)地表溫度的影響情況的解釋能力是有限度的。Huang等[36]探究發(fā)現(xiàn)太陽輻射、大氣溫度、空氣濕度等環(huán)境因子對(duì)冠層溫度的影響程度不同，因此，下一步研究需要依據(jù)實(shí)際情況對(duì)地表溫度的影響因素賦予不同的權(quán)重。其次，如圖10所示，由于玉米植株南北向種植，而植株稈莖與葉片之間、冠層溫度與土壤溫度之間存在一定溫差，估算的土壤含水率分布圖受上述因素影響，小區(qū)內(nèi)未呈現(xiàn)均勻分布趨勢(shì)。許崇豪[39]提出的算法可將無人機(jī)熱紅外圖像中的冠層與土壤像素有效分離，植土分離后構(gòu)建的水分-溫度綜合指數(shù)提高了對(duì)土壤水分的監(jiān)測(cè)精度，因此，將熱紅外圖像分類后建模是后續(xù)土壤水分監(jiān)測(cè)研究的一個(gè)重點(diǎn)。

4 結(jié) 論

研究探究了太陽總輻射、氣象因素以及作物生長狀態(tài)對(duì)地表溫度的影響規(guī)律，利用綜合調(diào)整溫度構(gòu)建了土壤含水率監(jiān)測(cè)模型，得出結(jié)論如下：

1）同一時(shí)刻不同灌溉處理的地表溫度與土壤含水率呈現(xiàn)負(fù)相關(guān)性，同一灌溉處理的地表溫度日變化呈現(xiàn)上午升溫較快下午降溫較慢的負(fù)偏態(tài)分布趨勢(shì)。

2）太陽高度角正弦4次方根、飽和水汽壓差、植被覆蓋度與地表-空氣溫差的相關(guān)系數(shù)分別為0.509、0.948、-0.659，存在顯著的線性相關(guān)關(guān)系（<0.05）。

3）在夏玉米拔節(jié)期與抽雄期，相比較基于地表溫度構(gòu)建的土壤含水率監(jiān)測(cè)模型，基于綜合調(diào)整溫度的監(jiān)測(cè)模型將決定系數(shù)由0.230提高到0.771，標(biāo)準(zhǔn)均方根誤差由18.8%降低至10.3%。

4）利用綜合調(diào)整溫度監(jiān)測(cè)其他生育期的土壤含水率，決定系數(shù)由0.238提高到0.831，標(biāo)準(zhǔn)均方根誤差由18.9%降低至9.5%，表明模型在玉米生長季的各個(gè)生育期的不同時(shí)段均有較強(qiáng)適用性。

[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] 趙建輝，張晨陽，閔林，等. 基于特征選擇和GA-BP 神經(jīng)網(wǎng)絡(luò)的多源遙感農(nóng)田土壤水分反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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] 劉又夫，周志艷，田麓弘，等. 紅外熱成像技術(shù)在農(nóng)業(yè)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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] 張仁華. 定量熱紅外遙感模型及地面實(shí)驗(yàn)基礎(chǔ)[M]. 北京：科學(xué)出版社，2009.

[13] 韓文霆，張立元，牛亞曉，等. 無人機(jī)遙感技術(shù)在精量灌溉中應(yīng)用的研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，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] 張智韜，吳天奎，于廣多，等. 夏玉米冠層溫度變化的時(shí)滯效應(yīng)及其對(duì)土壤水分監(jiān)測(cè)的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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] 劉素華，韓宇平，張仁華. 利用改進(jìn)的 MOD16 模型估算區(qū)域蒸散發(fā)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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，陳俊英，張智韜，等. Sentinel-2 多光譜衛(wèi)星遙感反演植被覆蓋下的土壤鹽分變化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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] 趙英時(shí). 遙感應(yīng)用分析原理與方法（第二版）[M]. 北京：科學(xué)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] 張智韜，許崇豪，譚丞軒，等. 覆蓋度對(duì)無人機(jī)熱紅外遙感反演玉米土壤含水率的影響[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，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] 汪志農(nóng). 灌溉排水工程學(xué)（第二版）[M]. 北京：中國農(nóng)業(yè)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] 許崇豪. 基于無人機(jī)熱紅外遙感土壤含水率的模型研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，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

李志軍，于廣多，劉奇，等. 環(huán)境因子與玉米生長對(duì)地表溫度監(jiān)測(cè)土壤水分的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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

國家自然科學(xué)基金項(xiàng)目（51979232，52179044）

李志軍，碩士，高級(jí)實(shí)驗(yàn)師，研究方向?yàn)楣?jié)水灌溉及水資源高效利用。Email：lizhij@nwsuaf.edu.cn

于廣多，碩士，助理工程師，研究方向?yàn)檫b感技術(shù)在農(nóng)業(yè)及水資源中的應(yīng)用。Email：yguangduo@163.com