基于无人机遥感影像的玉米冠层温度提取及作物水分胁迫监测

针对当前无人机热红外遥感提取冠层温度不准确、监测作物水分胁迫状况精度不高的问题,该研究以不同水分处理的拔节期夏玉米为研究对象,利用无人机获取试验区域热红外和可见光图像资料,分别采用Otsu算法、EXG-Kmeans算法和Otsu-EXG-Kmeans算法获取冠层区域图像,并对提取结果进行精度评价,而后采用最优算法求得对应作物水分胁迫指数（Crop Water Stress Index,CWSI）,通过分析CWSI同土壤含水率相关关系以及CWSI日平均变化趋势来监测玉米水分亏缺状况。结果表明：1）相比于其他方法,Otsu-EXG-Kmeans算法对冠层温度提取精度更高（用户精度为95.9%）,提取的冠层温度更接近实测温度（r=0.788）,可以准确获取图像冠层温度。2）相比于冠层温度,CWSI与土壤含水率的相关性更高（r= -0.738）,CWSI日平均变化趋势更符合实际情况,可更加精确地监测玉米缺水状况。该研究为无人机遥感精准监测作物水分胁迫状况提供参考。     

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

考虑冠层温度变化的时滞效应,可能在一定程度上能够提高土壤含水率的监测精度.该研究以灌浆期的夏玉米为研究对象,利用精密红外温度传感器(SI-411)连续监测I1(田间持水量的85％～100％)、I2(田间持水量的70％～85％)和I3(田间持水量的50％～65％)3个不同水分处理下的冠层温度,并同步获取试验地地面净辐射、...     

环境因子与玉米生长对地表温度监测土壤水分的影响

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。     

剔除土壤背景对反演玉米根域土壤含水率的影响研究

为研究剔除土壤背景对无人机多光谱监测土壤含水率的影响,通过无人机飞行拍摄得到多光谱影像数据,运用监督分类剔除土壤背景,并分别提取剔除背景前后各6个波段的光谱反射率.将反射率与深度10 cm、20 cm和30 cm的实测含水率分别构建一元线性回归模型、逐步回归模型、偏最小二乘回归模型和岭回归模型,以R2、RMSE、RE为指标进行模型精度评价.结果表明:剔除灌浆期玉米的土壤背景后,数据的相关性和回归模型的精度始终比未剔除土壤背景数据的相关性和模型精度差.剔除土壤背景的反射率与各个深度含水率的相关系数绝对值在0.01～0.33之间,未剔除土壤背景的反射率与各个深度含水率的相关系数绝对值在0.08～0.54之间.未剔除土壤背景模型的效果在任何深度均高于剔除土壤背景的模型,其中在各深度处偏最小二乘回归模型的精度均为最优.