基于熱紅外成像的溫室番茄植株水分評估方法

張舜凱，楊慧，杜太生

基于熱紅外成像的溫室番茄植株水分評估方法

張舜凱，楊慧，杜太生※

（1. 中國農業(yè)大學中國農業(yè)水問題研究中心，北京 100083；2. 甘肅武威綠洲農業(yè)高效用水國家野外科學觀測研究站，武威 733000）

為在諸多熱紅外指標中篩選出可靠的作物水分評估指標并探明其最優(yōu)獲取方法與最佳監(jiān)測時段，該研究以西北旱區(qū)主要經(jīng)濟作物番茄為試驗材料，設置2個灌水量水平（充分灌溉和1/2虧缺灌溉），通過對比三種干濕參考平面的選取方法（干濕紅織物、干濕綠織物、人工噴涂介質），量化了包括作物水分脅迫指數(shù)（Crop Water Stress Index，CWSI）、相對氣孔導度指數(shù)G、葉片溫度leaf、葉氣溫差leaf-air在內的4個常用熱紅外指標與植株生理指標（氣孔導度s、光合速率n、葉水勢leaf）間的響應關系，并明確了利用熱紅外成像技術進行番茄植株水分評估的最佳測定時段。結果表明，以干濕紅織物作為參考平面測得的CWSI與s、n、leaf間決定系數(shù)2分別達0.687、0.698、0.669，G與s、n、leaf間決定系數(shù)2分別達0.707、0.661、0.663，在三種方法中均最為顯著。在12:00—14:00時段熱紅外指標CWSI與植株生理指標s、n、leaf相關性和G與植株生理指標s、n、leaf相關性均為最高，是利用熱紅外成像技術進行番茄植株水分監(jiān)測的最佳時段，根據(jù)獲得的相關函數(shù)可實時預測葉片缺水指標，依此判定植株水分狀況并作為制定灌溉制度的依據(jù)。

作物；水分；脅迫指數(shù)；熱紅外成像；相對氣孔導度指數(shù)；番茄

0 引 言

植株水分狀況可直接影響其生長狀態(tài)并可用于預測水分生產力水平，精準測量植株水分狀況對于分析植株生長趨勢及其對不同非生物脅迫響應過程模擬具有重要意義[1]。在特定時段測量植株莖葉水勢是最常見的植株水分狀態(tài)監(jiān)測方法[2]，但受限于試驗人員間的測量誤差以及測量操作的復雜性，難以進行大規(guī)模測樣；另一種評估植株水分狀況的方法是通過測量水蒸氣在氣孔中的擴散程度，來實現(xiàn)監(jiān)測單個葉片氣體交換的目的，但該方法需要與葉片直接接觸，通常會對葉片的正常生理生態(tài)功能產生較大干擾[3]。此外，這兩種測量方法大多費時費力且受到樣本數(shù)目的制約。因此，離體測量方法在很大程度上限制了植物水分狀況研究的深度與效率。

近十年來，遠程、快速連續(xù)監(jiān)測植物氣孔導度（s）與光合速率（n）由于具有非破壞性和可重復性的特點逐漸成為評估植物水分狀況的熱點問題[4-7]。其中，熱成像技術作為一種無損監(jiān)測手段已成為植物水分狀況的一種重要判定方法[8-12]。該技術可有效應用于單株、群體甚至更大的區(qū)域尺度[13]。可在非破壞性的條件下基于葉片表面溫度降低差值與蒸發(fā)失水速率呈正比的原理[14]，通過將植物體發(fā)出的不可見紅外能量轉變?yōu)榭梢姷臒釄D像來提取作物生命需水信息從而監(jiān)測植株水分狀況[15-16]，并獲得連續(xù)、實時、完整、客觀的數(shù)據(jù)。植株的蒸騰作用會對葉片能量平衡產生影響，具體體現(xiàn)在葉片溫度的變化上。因此，熱成像是一種估算和量化氣孔導度（s）與蒸騰速率（）的有效技術手段[12,17]。目前，熱紅外成像監(jiān)測技術已在植物與環(huán)境交互作用研究中表現(xiàn)出巨大的應用潛力，同時對諸如氣孔關閉等特殊現(xiàn)象可提供相應的田間管理決策依據(jù)。然而，環(huán)境的可變性（例如光強、溫度、相對濕度、風速）會影響熱成像測量的準確性。

在實際生產中，已開發(fā)建立了一系列易于計算的評估指數(shù)，通過測得的冠層溫度來評估植株的水分狀況，如作物水分脅迫指數(shù)（Crop Water Stress Index，CWSI）[18-19]與相對氣孔導度指數(shù)（G）[20]。這些指數(shù)的估算均涉及最高和最低葉片溫度的參考靶葉確定問題。因此，能否選定適宜的參考平面對水分供應充足與受到水分脅迫的植株表面溫度進行估算，決定著模型預測的精度。Leinonen等[21]用凡士林涂抹葉片氣孔面做干參考靶葉，獲取圖像前在葉片兩面噴1～2次清水作為濕參考靶葉，測得的G與s間呈線性相關，決定系數(shù)2為0.20；Pou等[22]用一塊5 cm×1 cm的黑色薄金屬板作為干參考靶葉，選用一塊尺寸相同的能從集水器中吸水的黑色棉芯作為濕參考靶葉，由于金屬板和棉芯與葡萄葉片邊界層條件間的巨大差異，對葉片能量表征的準確性產生較大影響，測得的CWSI與s間決定系數(shù)2為0.39；Maes等[23]用一塊綠色純棉布作為干參考靶葉，浸濕后作為濕參考靶葉，兩測量日內根據(jù)靶葉溫度計算所得的G與s間呈顯著相關（2=0.53，<0.01；2=0.65，<0.01）?；诳刹僮餍耘c研究尺度等原因，前人的研究多限于一種參考方法的實測應用或在不同試驗中比較不同干濕參考面，對多種干濕參考面選取方法在同一試驗環(huán)境下進行評價的研究較少；且不同參考平面材料模擬葉片熱能與光學特性的能力各有差異，因此對于最佳參考平面材料的選取原則目前尚無定論。同時，植株溫度不僅受氣孔導度和蒸騰作用影響，還受到一系列環(huán)境變量的影響[24-25]，Pou等[22]通過在西班牙西北部的葡萄灌溉試驗得出熱紅外最佳觀測時間為11:00和16:00的結論；而García-Tejero等[10]的研究結果表明，11:00和14:00時熱紅外指標與葉氣交換參數(shù)間的相關性最強。因此，確定一天內進行熱紅外監(jiān)測的最佳時段對于有效評估植株葉氣交換水平同等重要。本文擬通過西北旱區(qū)溫室番茄虧缺灌溉試驗，闡明植株葉片熱紅外特征值對水分脅迫的響應機理，明確作物水分脅迫指數(shù)和氣孔導度指數(shù)的最優(yōu)估算方法及最佳獲取時段，以期為作物缺水表型信息識別及高效灌溉調控提供理論依據(jù)。

1 材料與方法

1.1 試驗概況

試驗于2021年5—9月在甘肅武威綠洲農業(yè)高效用水國家野外科學觀測研究站日光溫室內進行，試驗所用溫室為非加熱自然通風型溫室。溫室內設有小型氣象站，對溫室內部空氣溫度、相對濕度和太陽輻射等環(huán)境因子進行連續(xù)觀測。溫室內0～1 m深度的土壤為灌漠土，計劃濕潤層0～0.6 m內的土壤容重為1.48 g/cm3，田間持水率為0.31 cm3/cm3。供試番茄為當?shù)刂饕耘嗥贩N粉禧5號。番茄籽苗以穴盤育苗法培育至四片真葉期時移栽到日光溫室內對應的各小區(qū)中。在定植當日和定植后（DAT）7與15 d對所有植株分別進行3次充分灌溉（即定植水和緩苗水），以保證幼苗成活。番茄植株于2021年5月14日定植至9月22日收獲，每株保留5穗果，全生育期共131 d。從定植到第一穗花開為番茄營養(yǎng)生長期，第一穗花開至第一穗結果為番茄開花期，第一穗結果至成熟為果實膨大和成熟期。

試驗設置2個水分處理，分別為充分灌溉（W1）和虧缺灌溉（W2），每個處理設3個重復，每個重復1個小區(qū)，共計6個小區(qū)。當W1處理的土壤計劃濕潤層深度內平均含水率為田間持水率（F，cm3/cm3）的(75±2)%時進行灌水，灌水上限為(90±2)%F。W2的灌水頻率與W1保持一致，每次灌溉水量為W1的1/2。灌溉方式采用膜下滴灌，灌水量（，mm）按下式計算

式中為計劃濕潤比，取0.5；為計劃濕潤層深度，取60 cm；v為計劃濕潤層深度內實測的土壤體積含水率，cm3/cm3。

除灌水外的其他農藝管理措施如施肥、授粉、吊蔓等均與當?shù)爻Ｒ?guī)方式保持一致，各試驗小區(qū)間不設差異。

1.2 測定項目與方法

1.2.1 土壤的物理與水力特性

采用環(huán)刀法（體積為100 cm3）測定土壤的干容重（γ，g/cm3）、孔隙率和田間持水率，測定深度依次為20、40、60、80和100 cm。使用ECH2O土壤含水率監(jiān)測系統(tǒng)（Decagon Devices，Inc.，Pullman，WA，USA）測定0～60 cm深度土壤的體積含水率與溫度。

1.2.2 氣象數(shù)據(jù)

采用標準自動氣象站HOBO U30（Onset Computer Crop，USA）連續(xù)監(jiān)測日光溫室內的空氣溫度（a，℃）、相對濕度（RH，%）、太陽輻射（s，W/m2）等氣象因子。

1.2.3 熱紅外指標

植株葉片熱紅外圖像：共選取9個全天晴朗無云的典型測量日，利用Fluke TiX650便攜式紅外熱成像儀（Fluke IR Flex Cam TiX650，F(xiàn)luke Crop.，USA）在每個觀測日內8:00—18:00，以2 h為一時段，在距離葉片向陽側0.5 m的位置進行拍攝。

植株冠層熱紅外圖像：共選取3個典型灌水周期，自每次灌水處理第二天開始至下次灌水處理前一天，連續(xù)于每日正午，在距離冠層向陽側1.5 m[2,22]的位置進行拍攝。

熱紅外相機分辨率為640×480（像素），熱靈敏度為0.025 ℃，測溫范圍為-40～2 000 ℃，可在7.5～14m的波段范圍內正常工作。植株葉片與冠層的發(fā)射率均設置為0.96[10,22]，以每個像素作為有效溫度讀數(shù)。可見光數(shù)字圖像（RGB）與熱紅外圖像同時拍攝，并結合兩組圖像來分離植株與參考平面及裸露地表，用SmartView工具軟件，通過面積選擇和測量工具從圖像中提取植株葉片溫度leaf、冠層溫度c及干濕參考平面溫度，圈選過程中忽略葉片邊緣上的混合像素。

作物水分脅迫指數(shù)（CWSI）根據(jù)Jones[18-19]定義的簡化公式計算

相對氣孔導度指數(shù)（G）根據(jù)Jones[20]提出的公式計算

式中l(wèi)eaf為選定待測的番茄葉片溫度，℃；dry為模擬氣孔完全閉合的無蒸騰葉片溫度，℃，分別選擇干燥紅織物、干燥綠織物以及人工向葉片涂抹凡士林的方式進行測量；wet為模擬氣孔完全打開的充分蒸騰葉片溫度，℃，分別選擇濕潤紅織物、濕潤綠織物以及人工向葉片噴水的方式進行測量。

1.2.4 植株生理指標

在完成熱紅外圖像采集后，立即采用便攜式光合測定系統(tǒng)LI-6400XT（LI-COR Corporation，Lincoln，NE，USA）測量對應時段下葉片的光合速率（n，mol/(m2·s)）和氣孔導度（s，mol/(m2·s)），利用植物壓力室（Soil Moisture Equipment，Santa Barbara，CA，USA）測量各時段實時葉水勢（leaf，MPa）。

圖1 三種參考平面選取方法的RGB和其相應的熱紅外圖像

1.2.5 數(shù)據(jù)處理

采用SPSS 20.0數(shù)據(jù)處理軟件（SPSS Inc.，Chicago，IL，USA）對試驗數(shù)據(jù)進行統(tǒng)計檢驗與分析，多重比較選用Tukey方法，采用Microsoft Office Excel 和Origin 2022進行圖表繪制。

2 結果與分析

2.1 不同水分處理下土壤體積含水率及冠層溫度

圖2表示了3次典型灌水周期內不同水分處理下土壤體積含水率及番茄冠層溫度的變化情況。如圖所示，W1處理后的土壤體積含水率v1始終高于虧缺灌溉下的土壤體積含水率v2，兩者間差異隨灌水天數(shù)逐漸減小，在灌水周期末兩者體積含水率間達到最小差值。在任一測量日內，虧缺灌溉下的番茄冠層溫度c2均高于充分灌溉下的番茄冠層溫度c1，兩冠層間溫度差值隨土壤水分消耗逐漸減小，在灌水周期末無顯著差異。

2.2 三種參考平面方法下熱紅外指標與植株生理指標響應關系

圖3為三種參考平面選取方法下番茄植株葉片不同生理指標與相對氣孔導度指數(shù)G間的響應關系，為探究各方法表征不同植株水分狀況的能力，圖中數(shù)據(jù)均采用同一參考方法下兩個水分處理番茄熱紅外指標與葉片生理指標的均值（圖4同）。如圖3所示，G與葉片氣孔導度s呈正相關關系，這與前人在葡萄植株[18]上的研究結果一致；不同水分處理下的G與葉水勢leaf亦呈對數(shù)正相關關系。本研究中實測G值大于0.5的葉片，實時氣孔導度s通常大于0.15 mol/(m2·s)，光合速率n大于12mol/(m2·s)，葉水勢leaf通常高于-0.8 MPa。而G小于0.5時，對應更低的氣孔導度與光合速率值，以及更低的實時葉水勢值。

注：θv1、θv2分別為W1和W2處理下的土壤體積含水率，（cm3·cm-3）；Tc1、Tc2分別為W1和W2處理下的番茄冠層溫度，℃；W1為充分灌溉；W2為虧缺灌溉。*、**和***分別表示在P<0.05、P<0.01和P<0.001時兩處理間有統(tǒng)計學意義的顯著差異；ns表示差異不顯著，下同。

在參考平面的選取方法上，采用干濕紅織物為對照的方法計算的G與s的線性擬合2值最高，為0.707；其次為干濕綠織物對照法，2為0.652；人工噴涂方法下G與g的響應關系最差，2=0.631（圖3a），在G與n和leaf間的響應關系中規(guī)律相同，均為紅色織物效果最佳（圖3b、3c）。同時，利用G衡量番茄植株生理指標的缺水響應情況時，G與s的相關關系要優(yōu)于n，G與leaf的相關性最低。

作物水分脅迫指數(shù)CWSI與s間呈顯著負相關關系，在CWSI與n以及l(fā)eaf的響應關系中發(fā)現(xiàn)了同樣的趨勢。當CWSI≥0.7時，s、n、leaf的取值范圍分別為0.02～0.1 mol/(m2·s)、2～10mol/(m2·s)，-1.2～-0.8 MPa；當0.3≤CWSI≤0.6時，三者的取值范圍分別在0.15～0.25 mol/(m2·s)、12.5～17.5mol/(m2·s)，-0.6～-0.3 MPa（圖 4）。

通過擬合三種參考平面選取方法下CWSI與植株生理指標間的響應關系，可以判斷CWSI的最佳獲取方式。如圖4所示，采用干濕紅織物為對照的方法計算的CWSI與g的擬合程度最優(yōu)（2=0.687），采用干濕綠織物計算的CWSI與s的響應關系次之（2=0.631），采用人工噴涂介質計算的CWSI與g的決定系數(shù)2最低，為0.628（圖4a）。這種規(guī)律同樣體現(xiàn)在CWSI與n和leaf的響應關系中（圖4b、4c），同樣以干濕紅織物作為參照效果最佳，決定系數(shù)2分別為0.698和0.669；人工噴涂介質的參照效果最差，2分別為0.643和0.609。在對CWSI與n間響應關系的研究中，三種方法下擬合所得的2值均大于0.6；同時，利用CWSI衡量番茄植株的需水狀況時，n對CWSI的響應均優(yōu)于s與leaf。

a. IG與gs響應關系a. Relationships between IG and gsb. IG與An響應關系b. Relationships between IG and Anc. IG與φleaf響應關系c. Relationships between IG and φleaf

a. CWSI與gs響應關系a. Relationships between CWSI and gsb. CWSI與An響應關系b. Relationships between CWSI and Anc. CWSI與φleaf響應關系c. Relationships between CWSI and φleaf

2.3 熱紅外指標與單葉氣體交換參數(shù)間的關系

結合上文得到的最佳參考平面為紅棉織物的結論，在研究不同熱紅外指標與葉片氣體交換參數(shù)（s和n）間的響應關系時，均以紅棉織物為參考平面來分別評估兩個水分處理下的葉片生理指標。如表1所示，熱紅外指標CWSI和leaf與葉氣交換參數(shù)之間呈負相關，而G和leaf-air與各生理指標呈正相關。兩個水分處理下s、n均與環(huán)境溫度歸一化的熱紅外指標CWSI、IG呈極顯著的相關關系（<0.01），CWSI與n、G與s的相關性更強。葉片紅外溫度leaf與氣體交換參數(shù)間亦呈顯著的相關性（<0.05），利用leaf預測s與n的效果大致相同，且不同處理間的相關性無顯著差異。代表葉片與周圍空氣溫度差值的leaf-air在與葉片生理指標的相關性評估中均未表現(xiàn)出顯著差異。

2.4 利用熱紅外成像技術進行植株水分監(jiān)測的最佳時段

為了進一步探究以干濕紅織物為參考平面下不同時段熱紅外指標與番茄生理指標間的響應關系，分別對一天內不同時段測得的CWSI與n和leaf、G與s進行擬合分析（表2）。結果表明，一天內不同時段的CWSI、G均與植株生理指標n、leaf和s呈極顯著相關，12:00 —14:00時段測得的CWSI與n間2值為0.761，、G與s間2值為0.755，CWSI與leaf間2值為0.686，均在此時段為最高。其次為10:00-12:00時段。

表1 四個熱紅外指標與葉片氣體交換參數(shù)間的皮爾遜相關系數(shù)

注：表中參與相關性分析的數(shù)據(jù)為全天五個時段內測得的兩個水分處理下不同熱紅外指標與葉片氣體交換參數(shù)的觀測值。

Note: The data involved in the correlation analysis in the table are the values of thermal indicators and leaf gas exchage parameters under two water treatments measured at five time periods.

表2 不同時段內熱紅外指標與植株生理指標間的響應關系

注：表中數(shù)據(jù)均為不同時段下測得的兩個水分處理下熱紅外指標與相應植株生理指標的均值。

Note: The data in this table are the pooled values of thermal indicators and plant physiological indicators under two water treatments measured at different time periods.

3 討 論

通過遙感技術監(jiān)測作物生長及水分狀況可為灌溉制度的擬定及田間水分管理提供實時可靠的依據(jù)。前人研究表明，熱紅外成像技術可用于定量評估田間玉米[26-27]、水稻[28]、棉花[29]、葡萄[4]、杏樹[30]、核桃[31]等作物與樹木的水分狀況。已有的部分研究著眼于紅外圖像的提取與分析優(yōu)化，這為基于熱紅外成像技術進行植株水分狀況診斷提供了可靠的技術支撐[32-33]。本文通過對比兩個水分處理間溫室番茄冠層溫度c進一步證實，水分脅迫程度較高的番茄植株具有較高的冠層溫度值，未受或受到輕度水分脅迫的植株表現(xiàn)出較低的冠層溫度值，其根本原因是水分脅迫下的葉片會通過減小氣孔開度來限制蒸騰作用，以減少水分的過多散失，從而導致冠層溫度的升高[34-35]。然而，熱紅外指標不能單獨作為植株水分虧缺的評估因素，必須將其實測值與植株的生理指標相關聯(lián)，目的是為了減少單一溫度估計產生的誤差，提高利用熱紅外成像技術判斷作物水分脅迫程度的可靠性。本文對比了三組不同參考平面選取方法，主要目的是甄別不同參考平面材料及其顏色對番茄植株水分監(jiān)測結果的影響。結果表明，干濕紅織物為對照的方法在一系列熱紅外指標中表現(xiàn)最為穩(wěn)定，根據(jù)其計算的CWSI和G與番茄葉片生理指標間的響應關系均優(yōu)于干濕綠織物和人工噴涂介質方式（圖3、圖4）。相較于干濕織物的參考方式，人工噴涂介質的方法難以保持操作的穩(wěn)定性，且手動潤濕后的葉片溫度存在較短的穩(wěn)定期[24]，紅外測溫僅應在特定的時間內進行，否則容易造成wet的估算誤差，在風速更高、干燥更快的野外種植條件下存在更大的局限性；通過人工涂抹凡士林來主動閉合葉片氣孔的方式也會對番茄葉片生理與光學特性產生永久性影響，無法進行可持續(xù)生產。通過對比同種材料下不同顏色織物對評估結果產生的影響，發(fā)現(xiàn)以紅色織物為參考平面進行植株水分監(jiān)測的效果均優(yōu)于綠色織物，這與兩顏色織物對環(huán)境影響的不同反應有密切關系，綠色織物更易受到日光溫室內太陽直射光及周圍高溫物體反射光的影響[36]，且本研究中采用的暗紅色織物材料較亮綠色材料具有更高的發(fā)射率，而發(fā)射率高的物體其表面溫度更接近其真實溫度，發(fā)射率低的物體表面溫度與環(huán)境溫度更接近，因此綠色織物易造成wet和dry的估計偏差，由此對評估結果產生影響。同時紅色織物在熱紅外圖像的處理過程中更易于區(qū)分，不會在圖像提取過程中造成像素塊的錯誤圈選，由此提升了測量的精度與準確性。

熱紅外指標CWSI、G與番茄植株生理指標n和s間表現(xiàn)出最高的線性回歸系數(shù)，未經(jīng)環(huán)境歸一化處理的熱紅外指標leaf也與兩生理指標間具備一定的相關性，但葉氣溫差leaf-air與兩個水分處理下的番茄植株生理指標間均未表現(xiàn)出顯著的相關性（表1），主要原因可能是由于部分測量目標葉片與溫室內氣象站間存在一定距離，由此對leaf-air測量的穩(wěn)定性產生影響。與leaf相比，CWSI和G均需依據(jù)與目標葉片處在同一區(qū)域的參考表面溫度（wet和dry）計算得出，是考慮環(huán)境因素的歸一化指標，很大程度地避免了單一葉片溫度受溫室氣象變化的影響，這也是leaf與s、n間的相關性較CWSI、G低的主要原因。盡管如此，參考平面溫度的使用也存在一定的限制，可能會制約CWSI和G在植株水分評估上的表現(xiàn)，尤其是在種植環(huán)境復雜多變以及太陽輻射角不固定的情況下[37]。潮濕環(huán)境會減少水分的蒸發(fā)冷卻，由此降低wet與dry間的差異[20]；大風條件可能會改變冠層能量平衡并導致葉片氣孔關閉[38]。

因此，在多變的氣象條件下對缺水植株進行及時地識別，需要確定最可靠的熱紅外指標以及一天內進行熱紅外成像測量的最佳時段。本研究表明，利用熱紅外成像技術判定番茄植株水分狀況的最佳時段為12:00-14:00，在這一時段內測得的熱紅外指標與植株生理指標間相關性最高（表2）。這也是一天內不同水分處理下番茄植株葉片溫度leaf、熱紅外指標和葉片生理特性間差異最顯著的時段。正是在這一時段內環(huán)境溫度與植株水分蒸發(fā)強度達到最大值，由此導致葉片氣孔開度以及葉片溫度間的顯著差異[10,22]。此外，在任一測量日內，W2處理下的冠層溫度均高于W1處理，土壤水分的虧缺導致了不同水分處理下冠層溫度c的差異，這也是熱紅外指標可以表征植株水分狀態(tài)的根本原因。根據(jù)CWSI和G預測番茄植株葉氣交換指標的線性函數(shù)證實了熱紅外成像技術在番茄植株水分狀況判定上的應用潛力。本研究主要聚焦于利用熱紅外手段監(jiān)測番茄植株水分狀況的方法探究上，未來還需對虧水識別后熱紅外指標向灌水制度的轉化進行深入研究與探討，以便更好地服務于作物水管理。

4 結 論

1）以干濕紅織物作為參考平面測得的作物水分脅迫指數(shù)、相對氣孔導度指數(shù)與葉片生理指標間關系在三種方法中最為顯著。作物水分脅迫指數(shù)與氣孔導度、光合速率、葉水勢間決定系數(shù)分別達0.687、0.698、0.669；相對氣孔導度指數(shù)與氣孔導度、光合速率、葉水勢間決定系數(shù)分別達0.707、0.661、0.663，可作為熱紅外指標獲取的最優(yōu)方法。

2）作物水分脅迫指數(shù)、相對氣孔導度指數(shù)與氣孔導度、光合速率間均呈極顯著相關關系（< 0.01），葉片溫度與氣孔導度、光合速率呈顯著相關關系（< 0.05），葉氣溫差與氣孔導度、光合速率無顯著相關關系。作物水分脅迫指數(shù)和相對氣孔導度指數(shù)可用于預測植株葉氣交換水平，作為衡量番茄植株是否缺水的代表性熱紅外指標。

3）利用熱紅外成像技術獲取具備生理學意義的熱紅外數(shù)據(jù)以評估番茄植株水分狀況的最佳推薦時段為12:00 —14:00，此時作物水分脅迫指數(shù)與光合速率、葉水勢間的決定系數(shù)分別為0.761、0.755，相對氣孔導度指數(shù)與氣孔導度間的決定系數(shù)為0.686，能更好地反映番茄作物水分脅迫狀況。

[1] 山侖，鄧西平，康紹忠. 我國半干旱地區(qū)農業(yè)用水現(xiàn)狀及發(fā)展方向[J]. 水利學報，2002，33(9)：27-31.

Shan Lun, Deng Xiping, Kang Shaozhong. Current situation and perspective of agricultural water used in semiarid area of China[J]. Journal of Hydraulic Engineering, 2002, 33(9): 27-31. (in Chinese with English abstract)

[2] Jones H G. Irrigation scheduling: Advantages and pitfalls of plant-based methods[J]. Journal of Experimental Botany, 2004, 55(407): 2427-2436.

[3] Costa J M, Grant O M, Chaves M M. Thermography to explore plant–environment interactions[J]. Journal of Experimental Botany, 2013, 64(13): 3937-3949.

[4] Petrie P R, Wang Y, Liu S, et al. The accuracy and utility of a low cost thermal camera and smartphone-based system to assess grapevine water status[J]. Biosystems Engineering, 2019, 179: 126-139.

[5] Briglia N, Montanaro G, Petrozza A, et al. Drought phenotyping inusing RGB and NIR imaging[J]. Scientia Horticulturae, 2019, 256: 108555.

[6] 毋海梅，閆浩芳，張川，等. 溫室滴灌黃瓜產量和水分利用效率對水分脅迫的響應[J]. 農業(yè)工程學報，2020，36(9)：84-93.

Wu Haimei, Yan Haofang, Zhang Chuan, et al. Responses of yield and water use efficiency of drip-irrigated cucumber in greenhouse to water stress[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(9): 84-93. (in Chinese with English abstract)

[7] 王衛(wèi)星，楊明欣，高鵬，等. 基于多光譜和氣象參數(shù)的菜心水分脅迫指數(shù)反演[J]. 農業(yè)工程學報，2022，38(6)：157-164.

Wang Weixing, Yang Mingxin, Gao Peng, et al. Inverting the water stress index of the Brassica chinensis using multiple-spectral and meteorological parameters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(6): 157-164. (in Chinese with English abstract)

[8] Akpolat H, Barineau M, Jackson K A, et al. Portable infrared sensing technology for phenotyping chemical traits in fresh market tomatoes[J]. LWT - Food Science and Technology, 2020, 124: 109164.

[9] Ludovisi R, Tauro F, Salvati R, et al. UAV-Based Thermal imaging for high-throughput field phenotyping of black poplar response to drought[J]. Frontiers in Plant Science, 2017, 8: 1681.

[10] García-Tejero I F, Costa J M, Egipto R, et al. Thermal data to monitor crop-water status in irrigated Mediterranean viticulture[J]. Agricultural Water Management, 2016, 176: 80-90.

[11] 劉又夫，周志艷，田麓弘，等. 紅外熱成像技術在農業(yè)中的應用[J]. 農業(yè)工程，2019，9(11)：102-110.

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

[12] 韓文霆，張立元，牛亞曉，等. 無人機遙感技術在精量灌溉中應用的研究進展[J]. 農業(yè)機械學報，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)

[13] Jones H G, Vaughan R A. Remote Sensing of Vegetation: Principles, Techniques and Applications[M]. Oxford, UK: Oxford University Press, 2010.

[14] Brown H T, Escombe F. Researches on some of the physiological processes of green leaves, with special reference to the interchange of energy between the leaf and its surroundings[J]. Proceedings of the Royal Society of London Series B-Containing Papers of a Biological Character, 1905, 76(507): 29-111.

[15] Yousfi S, Kellas N, Saidi L, et al. Comparative performance of remote sensing methods in assessing wheat performance under Mediterranean conditions[J]. Agricultural Water Management, 2016, 164: 137-147.

[16] Tattaris M, Reynolds M P, Chapman S C. A direct comparison of remote sensing approaches for High-Throughput phenotyping in plant breeding[J]. Frontiers in Plant Science, 2016, 7: 1131.

[17] 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.

[18] Jones H G. Use of infrared thermometry for estimation of stomatal conductance as a possible aid to irrigation scheduling[J]. Agricultural and Forest Meteorology, 1999, 95(3): 139-149.

[19] Jones H G. Use of thermography for quantitative studies of spatial and temporal variation of stomatal conductance over leaf surfaces[J]. Plant Cell and Environment, 1999, 22(9): 1043-1055.

[20] Jones H G, Stoll M, Santos T, et al. Use of infrared thermography for monitoring stomatal closure in the field: Application to grapevine[J]. Journal of Experimental Botany, 2002, 53(378): 2249-2260.

[21] Leinonen I, Jones H G. Combining thermal and visible imagery for estimating canopy temperature and identifying plant stress[J]. Journal of Experimental Botany, 2004, 55(401): 1423-1431.

[22] Pou A, Diago M P, Medrano H, et al. Validation of thermal indices for water status identification in grapevine[J]. Agricultural Water Management, 2014, 134: 60-72.

[23] Maes W H, Baert A, Huete A R, et al. A new wet reference target method for continuous infrared thermography of vegetations[J]. Agricultural and Forest Meteorology, 2016, 226/227: 119-131.

[24] Maes W H, Steppe K. Estimating evapotranspiration and drought stress with ground-based thermal remote sensing in agriculture: a review[J]. Journal of Experimental Botany, 2012, 63(13): 4671-4712.

[25] Alchanatis V, Cohen Y, Cohen S, et al. Evaluation of different approaches for estimating and mapping crop water status in cotton with thermal imaging[J]. Precision Agriculture, 2010, 11(1): 27-41.

[26] 張智韜，于廣多，吳天奎，等. 基于無人機遙感影像的玉米冠層溫度提取及作物水分脅迫監(jiān)測[J]. 農業(yè)工程學報，2021，37(23)：82-89.

Zhang Zhitao, Yu Guangduo, Wu Tiankui, et al. Temperature extraction of maize canopy and crop water stress monitoring based on UAV remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(23): 82-89. (in Chinese with English abstract)

[27] 楊文攀，李長春，楊浩，等. 基于無人機熱紅外與數(shù)碼影像的玉米冠層溫度監(jiān)測[J]. 農業(yè)工程學報，2018，34(17)：68-75.

Yang Wenpan, Li Changchun, Yang Hao, et al. Monitoring of canopy temperature of maize based on UAV thermal infrared imagery and digital imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(17): 68-75. (in Chinese with English abstract)

[28] Krishna G, Sahoo R N, Singh P, et al. Application of thermal imaging and hyperspectral remote sensing for crop water deficit stress monitoring[J]. Geocarto International, 2021, 36(5): 481-498.

[29] 張智韜，邊江，韓文霆，等. 無人機熱紅外圖像計算冠層溫度特征數(shù)診斷棉花水分脅迫[J]. 農業(yè)工程學報，2018，34(15)：77-84.

Zhang Zhitao, Bian Jiang, Han Wenting, et al. Cotton moisture stress diagnosis based on canopy temperature characteristics calculated from UAV thermal infrared image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(15): 77-84. (in Chinese with English abstract)

[30] García-Tejero I F, Ortega-Arévalo C J, Iglesias-Contreras M, et al. Assessing the crop-water status in almond (Mill. ) trees via thermal imaging camera connected to smartphone[J]. Sensors, 2018, 18(4): 1050.

[31] 孫圣，張勁松，孟平，等. 基于無人機熱紅外圖像的核桃園土壤水分預測模型建立與應用[J]. 農業(yè)工程學報，2018，34(16)：89-95.

Sun Sheng, Zhang Jinsong, Meng Ping, et al. Establishment and application of prediction model of soil water in walnut orchard based on unmanned aerial vehicle thermal infrared imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(16): 89-95. (in Chinese with English abstract)

[32] Parihar G, Saha S, Giri L I. Application of infrared thermography for irrigation scheduling of horticulture plants[J]. Smart Agricultural Technology, 2021, 1: 100021.

[33] Salgadoe A S A, Robson A J, Lamb D W, et al. A non-reference temperature histogram method for determining Tc from Ground-Based thermal imagery of orchard tree canopies[J]. Remote Sensing, 2019, 11(6): 714.

[34] Gates D M. Transpiration and leaf temperature[J]. Annual Review of Plant Physiology, 1968, 19(1): 211-238.

[35] Mukherjee S, Nandi R, Kundu A, et al. Soil water stress and physiological responses of chickpeaL.subject to tillage and irrigation management in lower Gangetic plain[J]. Agricultural Water Management, 2022, 263: 1-17.

[36] 李云紅. 基于紅外熱像儀的溫度測量技術及其應用研究[D]. 哈爾濱：哈爾濱工業(yè)大學，2010.

Li Yunhong. Research on Temperature Measurement Technology and Application Based on Infrared Thermal Imager[D]. Harbin: Harbin Institute of Technology, 2010. (in Chinese with English abstract)

[37] Jones H G, Grant O M. Remote Sensing and Other Imaging Technologies to Monitor Grapevine Performance[M]. Hoboken, NJ: Wiley-Blackwell, 2016.

[38] Campbell-Clause, J M. Stomatal response of grapevines to wind[J]. Australian Journal of Experimental Agriculture, 1998, 38(1), 77-82.

Evaluating the water status of greenhouse tomatoes using thermal infrared imaging

Zhang Shunkai, Yang Hui, Du Taisheng※

(1.100083; 2.733000)

Infrared thermography is a promising technology for crop water status assessment. Effective information can be acquired for the timely formulation of regulated deficit irrigation strategies. However, it is very necessary to optimize the assessment under field conditions, especially under variable environmental conditions (daily and seasonal). Besides, simplicity and robustness are the basis of thermography applicability in the field. In this study, the optimal thermal indicator and the best acquisition were proposed for the monitoring daily period using thermal infrared imaging. The trial was carried out in the solar greenhouse of the National field scientific observation and research station on efficient water use of oasis agriculture in Wuwei from May to September 2021. The tomato plants (Fenxi 5) were selected as the research object. Two irrigation treatments were set: W1-full irrigation (control); W2-deficit irrigation (50% of the control). Firstly, three groups of dry and wet reference planes were selected to calculate the thermal indicators, including the red fabric, green fabric, and artificial spray medium. Subsequently, the performance was evaluated on the four common thermal indicators (Crop Water Stress Index (CWSI), Relative Stomatal Conductance Index (G), leaf temperature (leaf),and the difference betweenleafand surrounding air (leaf-air)) in the plant water status diagnosis. Finally, the optimal daily period of thermal imagery acquisition was determined for the tomato plants. The results showed that there were significant correlations of the normalized indices (CWSI andG) with the plant physiological indicators, such as stomatal conductance (s), photosynthetic rate (n), and leaf water potential. The leaf temperatureleafwas also used in a stable planting environment to determine whether the plant was dehydrated or not. There were no significant correlations between theleaf-airand the physiological indicators of tomato plants under two water treatments. The correlations between the CWSI andGobtained by the red fabric as the reference plane with thes,n,and leaf water potential were the most significant among the three groups of reference planes, where the determination coefficients were 0.687, 0.698, 0.669 and 0.707, 0.661, 0.663 respectively. By contrast, the thermal indicators obtained by the green fabric as the reference plane showed a weaker correlation with thes,n,and leaf water potential, where the determination coefficients were 0.631, 0.655, 0.615, and 0.652, 0.634, 0.638 respectively. The CWSI andGobtained by the spraying medium artificially were achieved in the lowest determination coefficients with the leaf physiological indicators, which were 0.628, 0.643, 0.609, 0.631, 0.624, and 0.586, respectively. Among the three groups of reference plane acquisition,wetanddryobtained by the red fabric were least affected by the reflection of ambient light. There was no permanent damage to the physiological characteristics of tomato leaves, thereby much easier to distinguish and extract from the thermal imagery. Therefore, the red fabric achieved a great performance to select the reference plane. In addition, the CWSI andGwere most significantly correlated withs,nand leaf water potential during 12:00-14:00 under both irrigation treatments. Different mathematical functions were obtained to estimate the leaf gas exchange using the best-performing thermal indicators. Therefore, the water status of the plant was effectively determined using thermal infrared imaging.

crops; water content; stress index; infrared thermography; relative stomatal conductance index; tomato

10.11975/j.issn.1002-6819.2022.18.025

S274.1

A

1002-6819(2022)-18-0229-08

張舜凱，楊慧，杜太生. 基于熱紅外成像的溫室番茄植株水分評估方法[J]. 農業(yè)工程學報，2022，38(18)：229-236.doi：10.11975/j.issn.1002-6819.2022.18.025 http://www.tcsae.org

Zhang Shunkai, Yang Hui, Du Taisheng. Evaluating the water status of greenhouse tomatoes using thermal infrared imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 229-236. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.18.025 http://www.tcsae.org

2022-07-01

2022-08-12

國家自然科學基金項目（51725904）；中央高?；究蒲袠I(yè)務費專項資金項目（2021TC107）

張舜凱，研究方向為節(jié)水灌溉理論與新技術。Email：zhangshunkai@cau.edu.cn

杜太生，教授，研究方向為農業(yè)節(jié)水與水資源高效利用。Email：dutaisheng@cau.edu.cn