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

孫 圣，張勁松,※，孟 平,，汪貴斌，黃 輝,，尹昌君，王鑫梅

（1. 中國林業科學研究院林業研究所，北京 100091；2. 南京林業大學南方現代林業協同創新中心，南京 210037）

0 引 言

植物光合速率和蒸騰速率會受到冠層溫度的影響，對植物生長發育產生重要影響。冠層溫度的變化直接影響葉片水分虧缺，從而改變氣孔導度來影響樹木的碳水和能量交換。而土壤水分則是通過影響植物蒸騰速率以及潛熱和顯熱的比例關系，間接使植物冠層溫度產生變化。因此，自1963年起科學家就開始通過植物冠層溫度來研究和監測植物旱情的發生發展[1]。同時，隨著紅外技術的發展，冠層溫度的測量逐步采用紅外溫度計代替了單點、小范圍、短周期的熱電偶測溫技術，但隨著對空間和時間分辨率的要求，隨后產生的熱紅外成像設備實現了高分辨率、快速、長期的監測要求[2]，并且該技術在國外農業上的應用已經比較成熟，通過監測農作物冠層溫度以及計算植物水分虧缺指數（crop water stress index,CWSI）來診斷植物水分情況，并結合土壤含水量以實現適時適量灌溉[3-4]。但在林木研究領域，由于樹木的異質性以及冠層的不規則性，再加上土壤背景的干擾，使得提取冠層溫度的難度大大提升，利用林木冠層溫度研究植物水分狀況的研究相對較少。國外的相關研究大多集中在蘋果、桃樹、葡萄和橄欖等經濟樹種[5-8]。此外，Leuzinger等[9]研究了8種針葉和闊葉樹種冠層溫度的差異性。Kim 等[10]在針葉樹上對熱紅外設備的測量精度進行了評估，并開發了溫度修正的經驗函數，使得測量平均誤差減小到1K。Agam等[11]利用無人機熱成像系統研究了不同水分條件下的橄欖樹冠層溫度變化情況，以及著重強調了太陽輻射對 CWSI的影響較大。國內方面，農業上應用較多[12-14]，但是林業上報道較少，張勁松等[15]利用紅外測溫建立了蘋果樹的土壤水分預測模型。周罕覓等[16]利用紅外測溫研究桃樹需水信號與灌水量之間的關系。而利用紅外熱成像技術對核桃樹土壤水分狀況的研究仍是空白。因此，該研究針對核桃樹，利用紅外熱成像系統進行了長期連續定位觀測，建立了土壤水分預測模型，并對模型進行了驗證。同時，利用無人機熱成像系統實現了區域水分狀況診斷，為中國北方的核桃園區制定灌溉策略以及合理的水資源配置提供依據。

1 試驗設計

1.1 試驗區概況

試驗地設在河南省濟源市市郊核桃園區（35°01￠N，112°28￠E）。該園區占地約150 hm2，是典型的低山丘陵區，屬暖溫帶大陸性季風氣候，多年平均降水量641.7 mm，其中，6—9月份降水量占全年的 68.3%；土壤以黃褐色黏壤土為主，土層厚度1 m以上，pH值7.66～8.14，石礫體積含量為12%～16%，有機質質量分數在9 g/kg左右，速效氮15.9～38.5mg/kg，速效磷10.2～8.3 mg/kg，速效鉀98～138 mg/kg。園區核桃品種繁多，試驗區以‘香玲’品種為主。

1.2 材料與方法

本研究區域核桃樹的株行距3 m×5 m，行向為南北向，5a生核桃樹株高3.5 m，自然開心形，2～3個主枝條。選擇生長狀況良好的 3棵相鄰核桃樹。每棵樹周圍1.5 m處挖1 m深的方形坑，在側壁上包裹2圈1.5 m寬的塑料薄膜，使這 3棵樣本樹作為獨立的個體，彼此之間沒有橫向的水分移動。2016年7月存在人為灌溉以緩解干旱脅迫，2017年生長季節無人為灌溉。無人機拍攝的樣地選取連續灌溉和持續干旱的 2塊相鄰核桃地，東西60 m，南北120 m。

1.2.1 紅外圖像采集

樣地點西側設立10 m高的“觀測塔”，在塔頂處安裝美國FLIR公司生產的A310f自動化熱紅外相機，空間分辨率為1.36 mrad，視場角為水平25°×垂直18.8°。攝像機鏡頭朝東，俯視角度在 40°～50°之間，并計算熱紅外相機鏡頭到3棵樣本樹冠層的距離分別為17.8、19.1、20.5 m。在2016和2017年主要生長季節（5—8月）午后（13:00和14:00）采集圖像，圖像分辨率320×240像素，通過運行IR Monitor（FLIR Systems，USA）每隔1h連續地獲取圖像，并通過4G無線傳輸模塊下載到主機保存。TC640無人機熱紅外成像系統（TeAx公司，歐洲），空間分辨率為1.36 mrad，視場角為水平32°×垂直26°。在2017年8月11日13:00時，利用無人機熱成像系統拍攝了兩塊樣地的紅外圖像，圖像分辨率為640×512像素，在40 m高空1架/次完成既定航線拍攝，并將圖像自動存儲到數據卡中。拍攝時間設定為晴朗的午后，研究認為樹木在該時間段里受到的脅迫程度最高，冠層蒸騰冷卻作用最小，冠層與空氣溫差能夠達到最大[17]。

1.2.2 冠層溫度提取

對于郁閉冠層熱紅外圖像可直接讀取冠層溫度(canopy temperature,Tc)；對于非郁閉的核桃樹冠層，要先消除非冠層部分（土壤）的影響。首先，運用FLIR Tools（FLIR Systems，USA）將所有圖像中全部像素點所對應的溫度導出到 EXCEL中。再利用 Matlab R2012b（Mathworks Inc.，USA）軟件將紅外溫度RGB圖像轉化為8-bit 320×240像素的灰度圖像[18]，其對應了0～255個灰度級別，并利用不同的灰度級來確定冠層范圍。

1.2.3 冠層小氣候觀測

在樣本樹旁邊設立氣象自動觀測系統，高度3.5 m，位于冠層頂部。連續觀測空氣溫度（air temperature,Ta）、空氣相對濕度（relative humidity,RH）、太陽輻射(solar radiation,Ra)、風速（wind speed, WS）和降雨量（precipitation,P），所采用的傳感器（探頭）分別為HMP45C（Campbell Inc.，USA）、AV20P（AVALON Inc.，USA）、AV-30WS（AVALON Inc.，USA）和 TE525M（Texas Inc.，USA），數據采集器為 Squirrel SQ2020（Grant Inc.，UK）。設定每1 min采集1次，每10 min輸出1組平均值。并根據空氣相對濕度和空氣溫度計算蒸汽壓虧缺（vapor pressure deficit，VPD）[19]。

1.2.4 土壤水分測定

土壤含水量（soil water content, SWC）的測定與紅外熱像儀的測定是同步進行的。首先，利用環刀法測量 3棵核桃樹周圍土壤的田間持水量，土壤容重。然后，在3棵樣本樹的東、西兩側，分別距離樹干0.5和1 m處，10、20、40、60、80 cm土層深度中安裝土壤濕度傳感器EC-5（AVALON Sci. Inc.，美國），共60個。通過數據采集器RR-1016（雨根，北京）自動記錄各土層深度的土壤含水量，設定每1 min采集1次，每10 min輸出1組平均值。無人機熱紅外測定中，按照栽植行向，隨機選擇 6棵樣本樹，并用環刀法從東、西、南、北 4個方向上測定土壤含水量，求均值。

2 結果與分析

2.1 核桃樹冠氣溫差與土壤水分含量和氣象因子之間的關系

首先，針對核桃樣本樹的樹冠形狀（圖 1a）來確定冠層范圍，計算后得到目標區域內的像素點在 15 000～17 000個之間，但其中包括土壤像元的干擾。而采用晴朗午后時間來提取冠層溫度，土壤和冠層溫度差會達到最大，灰度圖像上認為土壤的灰度值更低，而植被冠層的灰度值則偏高。所以，再通過自定義程序，根據不同灰度級來剔除土壤干擾，確定最適宜的冠層像素點個數在12 000～13 000之間（圖1b），進而計算所有像素點的平均溫度值作為冠層溫度。

圖1 2016年5月27日核桃冠層溫度提取示意圖Fig.1 Schematic diagrams of walnut canopy temperature extraction between May 27, 2016

2016年和2017年核桃樹主要生長季節（5—8月）中，土壤含水量整體呈現上升趨，平均變化范圍分別為17.8%～26.2%和18.1%～24.0%，前者與降雨和人為灌溉有關，而后者僅與降雨有關（圖2）。其中，0～20 cm土壤受到溫度、輻射等氣象因子和土壤蒸發的影響，使得土壤表層水分的變化較大，且表層土壤含水量相對偏低，2a的結果基本一致。隨著土壤深度的增加，不同深度土壤含水量也呈現增加趨勢，但在 40 cm處土壤含水量的增長趨勢明顯減緩，尤其是2017年存在明顯的減小趨勢（圖2b），我們推測可能與核桃根系主要在20～60 cm之間吸收水分用于自身生長發育有關；2016和 2017年60～80 cm處土壤含水量的變化最小。我們推測深層土壤含水量的規律變化可能是物理過程，其對核桃樹的生長發育貢獻較小。由圖 3可知，土壤東側不同土層土壤含水量均高于西側，且土壤含水量的變化趨勢相同；距離核桃樹0.5和1 m處的各土層土壤含水量交替波動變化，在40～60 cm深度土壤含水量更為接近。

圖2 2016和2017年不同土層深度土壤含水量的季節變化特征Fig.2 Seasonal variation characteristics of soil water content in different soil layers in 2016 and 2017

圖3 2016和2017年樣本樹東、西兩側和距樹干0.5、1 m處不同土層含水量的空間變化特征Fig.3 Spatial variation characteristics of water content in different soil layers on east and west sides of sample trees and 0.5 and 1 m from trunks in 2016 and 2017

由圖4a可知，2016年和2017年的核桃樹主要生長季節中，冠層溫度和空氣溫度彼此跟隨，空氣溫度相對較低時，冠層溫度與空氣溫度彼此接近，特別是降雨發生時，冠層溫度會有明顯下降，與溫度基本一致，5月初表現尤為明顯；相反在空氣溫度較高時，冠層溫度會高于空氣溫度，所形成的冠層與空氣溫差（canopy-air temperature difference, ΔT）范圍在0～5 ℃之間，并且冠層溫度與降雨量存在負相關關系（圖4b）。2016和2017年的冠層溫度的最大值分別 39.1（6月）和 42.3 ℃（7月）。由圖5可知，生長季節里輻射的波動較大，主要受到云量的影響，陰雨天時，太陽輻射較低，冠氣溫差更接近0，晴朗天氣時，太陽輻射較高，冠氣溫差大于0。因此，選用晴朗午后，更利于對輻射等環境變量的分析。選取40～60 cm深度的土壤含水量主要考慮核桃樹主要的水分吸收區域以該土壤深度為主，其受到環境影響較小，能夠更真實反映植物需水情況。

2.2 土壤水分預測模型的建立與驗證

從單株水平出發，利用固定式熱紅外觀測系統對 3棵獨立樣本樹在 2個生長季節里的連續觀測數據，并結合上述變化規律，首先將 ΔT、Ra、WS、VPD進行數據的歸一化處理從而消除度量單位差異所造成的影響。同時，考慮盡可能消除土壤結構的影響，使其具有普適性，引入土壤相對含水率（relative water content, RWC）作為無量綱參數[20]。

圖4 2016和2017年主要生長季節13:00時冠層溫度（Ta）、氣溫（Tc）、風速（WS）以及日降雨量（P）的變化特征Fig.4 Variation characteristics of canopy temperature (Ta), airtemperature (Tc) and wind speed (WS) at 13:00 and daily precipitation (P) during main growth seasons in 2016 and 2017

圖5 2016和2017年13:00時冠氣溫差（ΔT）與輻射（Ra）、40～60 cm深土壤含水量（SWC）的變化特征Fig.5 Variation characteristics of canopy-air temperature difference (ΔT) and radiation (Ra), soil water content (SWC)between 40 cm and 60 cm at 13:00 per day in 2016 and 2017

在 2016年和 2017年晴朗天氣條件下，采用 13:00時ΔT與40～60 cm土層深度RWC、Ra、WS及VPD進行多元回歸分析。2016和2017年的四元線性回歸方程分別為：

式中T、Ra、WS、VPD的單位分別為℃、W/m2、m/s、hPa。式（1）中檢驗結果為極顯著水平。參數估計表明 RWC的t值為–2.12，絕對值大于t0.05=1.984，P<0.05，說明RWC達到了顯著水平，而Ra的t值為5.19，絕對值大于t0.01=2.627，P<0.01，其達到了極顯著水平。同時，RWC與ΔT呈現負相關系，Ra與ΔT呈現正相關關系，其他參數均沒有達到顯著性水平。式（2）中判定系數R2=0.69，F=15.54>P<0.01，檢驗結果為極顯著水平。參數估計顯示，RWC的t值為–3.82，Ra的t值為4.09，絕對值均大于t0.01=2.627，P<0.001，RWC和Ra都達到了極顯著水平。

通過主成分分析方法，利用主成分因子載荷的結果，保留最重要的2個影響因子RWC和Ra，經逐步回歸后，再根據主成分方程計算得到RWC與Ra的貢獻值分別為75%、25%。所以，考慮到冠層溫度能夠簡單測定，可以避免直接測量土壤含水量指標，應用于生產更為經濟實用。因此，將ΔT作為自變量，RWC作為因變量，選擇2017年5—8月13:00時的數據建立土壤水分預測模型（圖6），剔除異常值后得到擬合方程，如圖6所示

式（3）中P<0.001，檢驗結果為極顯著水平，標準誤（root mean squared error，RMSE）為0.04，說明土壤水分預報模型具有一定的擬合精度。研究表明，漸近線隨著冠氣溫差的升高而變的更為接近，說明冠氣溫差較高時，土壤含水量預測精度更高。在具體應用時，根據需要灌溉區土壤相對含水量可計算出臨界冠氣溫差，然后將實測冠氣溫差與計算的臨界冠層溫差相比較，若前者較小，說明園區不需要灌溉，反之則需要灌溉。

圖6 冠氣溫差（ΔT）與土壤相對含水率（RWC）的線性擬合關系Fig.6 Linear fitting relationship between temperature difference(ΔT) and relative water content (RWC)

為驗證土壤水分預測模型的可靠性，本研究采用2017年5—8月晴朗天氣條件下14:00時的ΔT和RWC實測數據進行驗證（圖7），結果表明：RWC的模擬值與實測值吻合效果較好，判定系數R2可達0.61，P<0.001，表現為極顯著水平，RMSE=0.03。但當RWC較高時，模擬值與實測值間相對誤差變大。總體來看，分析表明該模型能夠較好地反映實際土壤含水量的變化情況。

2.3 土壤水分預測模型的應用

從區域尺度出發，采用無人機熱成像系統對面積為720 m2的核桃區域進行航空拍攝（圖8a），發現冠層溫度較低，土壤背景溫度較高。由圖8b可知，左側長方形選區是連續灌溉區域，右側正方形選區是連續干旱區域，圓形選區是實際測量土壤含水量的 6棵核桃樹。根據所構建的RWC圖譜（圖9a），我們可以直觀地分辯出，連續灌溉區域的RWC較高，干旱脅迫區域的RWC較低，而且由于2塊樣地相鄰，彼此接近的區域RWC相差最小。在研究冠層全部像素點與RWC的關系中，將所提取的全部像素點根據圖像從左到右，從上到下的順序作圖，這樣能夠更好的量化了模型輸出結果。由圖9b可知，所有連續灌溉區域RWC的變化范圍主要集中在0.5～0.6，而干旱脅迫區域RWC的變化范圍主要集中在0.41～0.5之間。

圖7 模擬值與實測值的比較Fig.7 Comparison of simulation and measured values

圖8 無人機拍攝的熱紅外圖像以及帶有目標區域的灰度圖像Fig.8 Thermal infrared images taken by unmanned aerial vehicle and grayscale images with object regions

圖9 不同水分條件下RWC圖譜構建以及區域尺度和單株水平的變化特征Fig.9 RWC map construction for different water conditions and change characteristics between regional scales and plant level

6棵樣本樹冠層像素點所計算出的RWC用3種顏色（藍、綠、紅）突出顯示出來，不難看出單株冠層溫度變異范圍較大，是由于冠層中葉片角度各異和葉片相互遮蔽導致的。因此，所有像素點溫度的均值更能代表冠層真實溫度。對于連續灌溉區域中的 3棵樣本樹來說，RWC模擬和實測的均值分別為0.57、0.53、0.55，0.62、P>0.05；對于連續干旱區域的3棵樣本樹來說，RWC模擬和實測的均值分別為 0.49、0.44、0.42，0,44、0.42、0.39，F=14.3>P>0.05，分析結果表明：2組數據的不存在顯著性差異。因此，認為該土壤水分預測模型能夠用于核桃園區的土壤水分狀況診斷，且具有一定的精度，并可將該模型用于指導灌溉策略的制定。

3 討 論

土壤水分含量變化主要與天氣條件，植物吸水量，土壤結構等因素相關，被認為是土壤-植物-大氣連續體的綜合作用結果。其中，冠層溫度作為表征植物生理生態過程及能量平衡狀況的重要參數之一，是指示土壤水分狀況的潛在指標。但是冠層溫度的變化并不僅僅受到土壤水分多少的影響。許多研究都表明，植物冠層溫度或冠氣溫差還受到外界環境因素的影響[21]。其中，熱紅外拍攝時間設定為晴朗的午后，一方面，能夠更有效區分冠層與土壤，消除背景干擾；另一方面，該時間段的冠氣溫差達到最大，受環境影響最為明顯，有利于變量的分析和模型的建立。隨后，對歸一化環境變量進行多元回歸分析中發現2016與2017年的判定系數以及各因子系數之間存在差異，可能是由環境因子在年際變化過程中存在不規律波動所導致的。加之，2016年的生長季節里存在人為灌溉影響，弱化了RWC與ΔT的相關性。同時，評價了RWC和Ra這2個變量的貢獻值，雖然微氣象因子中輻射對冠氣溫差的影響最大，但是，冠氣溫差的變化與土壤水分含量關系更為密切，且呈現負相關。此外，考慮到不同土層深度的土壤含水量會存在一定的差異，所以，根據RWC的變化特點，推斷出核桃樹根系吸水的主要位置，與 Mulia等[22]研究表明核桃根系主要集中于40～80 cm土層深度的結果基本相一致。還考慮到表層土壤水分含量變化較大，受到環境影響較大，而深層土壤水分含量變化較小，則不利于模型的建立。Bogena等[23]利用600個EC-5在大面積區域里測量了不同土層深度SWC，證實了50 cm處SWC的空間變異顯著低于5 cm處，深層土壤的含水量相對穩定。因此，利用40～60 cm深度的土壤含水量來構建土壤水分預測模型擬合精度更高，更能真實地反映土壤水分狀況。Patel等[24]研究也認為ΔT與30～60 cm土層厚度的土壤含水量存在較高的相關性。土壤水分預測模型在實際應用中得到較好的驗證，該模型能夠有效診斷核桃園水分狀況，對于園區水資源合理配置具有重要的指導意義。

該模型雖然具有較小的標準誤差，但仍未能達到較高的擬合精度。分析原因：1）所建立的是經驗模型，可能會受到核桃不同生長發育期需水量差異的影響，比如花芽分化期是其水分消耗較大的時期；單一變量，雖然便于實際應用與測定，但對于模型的解釋能力受到限制，沒有考慮微氣象因子以及交互作用所帶來的多因子綜合影響[25]。2）受限于土壤含水量的測定手段，環刀法測定更為準確，不過卻費時費力，且沒辦法做到實時監測，采用 EC-5等儀器設備測量時會帶來系統誤差。3）盡管在冠層溫度提取過程中，已經較好的剔除了土壤背景的干擾，但是熱紅外相機測量的精度也會受到諸多因子的影響，可能涉及外部環境因素所引起的隨機誤差以及相機自身的靈敏度等所造成的系統誤差。因此，接下來的研究內容應該主要集中在如何消除環境因素影響以及提高模型擬合精度等問題上。

4 結 論

該研究在2016和2017年核桃樹主要生長季節里，利用熱紅外成像系統在午后時間獲取樹木冠層溫度，基于單株水平構建了土壤水分預測模型，并將該模型應用于大面積區域尺度，主要結論如下：1）確定了最適宜的冠層像素點個數范圍在12 000到13 000之間，能夠有效的去除土壤背景的干擾，利用均值溫度表征整個冠層溫度更具有代表性。在研究冠層與空氣溫差、微氣象因子和土壤含水量的關系中發現，冠氣溫差與土壤含水量呈顯著負相關，與太陽輻射呈顯著正向關系。并利用 40～60 cm土層深度的土壤含水量進行模型構建。2）建立了ΔT為因變量的多元線性回歸方程，通過主成分分析方法，得到了最重要的2個影響因子RWC和Ra，其貢獻值分別為75%、25%。因此，建立以RWC為因變量，ΔT為自變量的土壤水分預測模型，結果表明該模型具有較好的擬合精度。然后，進行了模型驗證，認為RWC的模擬值與實測值吻合效果較好，模型具有較好的預測可靠度。3）利用無人機熱紅外成像系統將單株水平所建立的模型應用于核桃園區大面積范圍，能夠很好的區分連續灌溉區域和連續干旱區域，RWC分別在 0.5～0.6和 0.41～0.5之間，該模型能夠有效地診斷區域尺度的土壤水分狀況，并成功實現了從理論模型到實際應用，從單株水平到區域尺度的轉換。

[1]Tanner C B. Plant temperatures[J]. Agronomy Journal, 1963,55(2): 210－211.

[2]Aubrecht D M, Helliker B R, Goulden M L, et al. Continuous,long-term, high-frequency thermal imaging of vegetation:Uncertainties and recommended best practices[J]. Agricultural and Forest Meteorology, 2016, 228(1): 315－326.

[3]Jones H G, Leinonen I. Thermal imaging for the study of plant water relations [J]. Agricultural and Forest Meteorology,2003, 59(3): 205－217.

[4]Grant O M, Tronina ?, Jones H G, et al. Exploring thermal imaging variables for the detection of stress responses in grapevine under different irrigation regimes[J]. Journal of Experimental Botany, 2007, 58(4): 815－825.

[5]Giuliani R, Magnanini E, Flore J A. Potential use of infrared thermometry for the detection of water deficit in apple and peach orchards[J]. International Symposium on Orchard and Plantation Systems, 2000, 557(3): 399－406.

[6]Remorini D, Massai R. Comparison of water status indicators for young peach trees[J]. Irrigation Science, 2003, 22(1): 39－46.

[7]Ben-Gal A, Agam N, Alchanatis V, et al. Evaluating water stress in irrigated olives: Correlation of soil water status, tree water status, and thermal imagery[J]. Irrigation Science, 2009,27(5): 367－376.

[8]Bellvert J, Zarco-Tejada P J, Girona J, et al. Mapping crop water stress index in a ‘Pinot-noir’ vineyard: Comparing ground measurements with thermal remote sensing imagery from an unmanned aerial vehicle[J]. Precision Agriculture,2014, 15(4): 361－376.

[9]Leuzinger S, K?rner C. Tree species diversity affects canopy leaf temperatures in a mature temperate forest[J]. Agricultural and Forest Meteorology, 2007, 146(1): 29－37.

[10]Kim Y, Still C J, Roberts D A, et al. Thermal infrared imaging of conifer leaf temperatures: Comparison to thermocouple measurements and assessment of environmental influences[J]. Agricultural and Forest Meteorology, 2018,248(1): 361－371.

[11]Agam N, Cohen Y, Alchanatis V, et al. How sensitive is the CWSI to changes in solar radiation[J]. International journal of remote sensing, 2013, 34(17): 6109－6120.

[12]劉云，宇振榮，孫丹峰，等. 冬小麥遙感冠層溫度監測土壤含水量的試驗研究[J]. 水科學進展，2004，15(3)：352.Liu Yun, Yu Zhenrong, Sun Danfeng, et al. Canopy temperature monitoring soil water content based on field experiment of winter wheat[J]. Advances in Water Science,2004, 15(3): 352. (in Chinese with English abstract)

[13]張文忠，韓亞東，杜宏絹，等. 水稻開花期冠層溫度與土壤水分及產量結構的關系[J]. 中國水稻科學，2007，21(1)：99—102.Zhang Wenzhong, Han Yadong, Du Hongjuan, et al.Relationship between canopy temperature and soil water content, yield components at flowering stage in rice[J].Chinese Journal of Rice Science, 2007, 21(1): 99－102. (in Chinese with English abstract)

[14]黃春燕，趙鵬舉，王登偉，等. 基于紅外熱圖像的棉花水分脅迫指數高光譜遙感估算研究[J]. 紅外，2012，33(6)：17—21.Huang Chunyan, Zhao Pengju, Wang Dengwei, et al. Estimation of cotton canopy crop water stress index (CWSI) based on hyperspectral remote sensing infrared images[J]. Infrared,2012, 33(6): 17－21. (in Chinese with English abstract)

[15]張勁松，孟平，高峻，等. 基于冠層葉氣溫差的蘋果園土壤水分預報模型[J]. 農業工程學報，2007，23(6)：17－20.Zhang Jinsong, Meng Ping, Gao Jun, et al. Model for predicting soil water status based on the canopy-air temperature differential in apple orchard[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2007, 23(6): 17－20. (in Chinese with English abstract)

[16]周罕覓，張富倉，龔道枝，等. 桃樹樹干液流和冠層溫度對不同灌溉水量的響應[J]. 西北農林科技大學學報：自然科學版，2011，39(3)：188—196.Zhou Hanmi, Zhang Fucang, Gong Daozhi, et al. The response of stem sap flow velocity and canopy temperature of peach tree to different irrigation water quantities[J]. Journal of Northwest A&F University: Natural Science Edition, 2011,39(3): 188－196. (in Chinese with English abstract)

[17]Jones H G, Serraj R, Loveys B R, et al. Thermal infrared imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field[J]. Functional Plant Biology, 2009, 36(11): 978－989.

[18]Cohen Y, Alchanatis V, Meron M, et al. Estimation of leaf water potential by thermal imagery and spatial analysis[J].Journal of Experimental Botany, 2005, 56(417): 1843－1852.

[19]Payero J O, Irmak S. Variable upper and lower crop water stress index baselines for corn and soybean[J]. Irrigation Science, 2006, 25(1): 21－32.

[20]González L, González-Vilar M. Determination of relative water content[J]. Handbook of plant ecophysiology techniques.Springer Netherlands, 2001: 207－212.

[21]Leuzinger S, Vogt R, K?rner C. Tree surface temperature in an urban environment[J]. Agricultural and Forest Meteorology,2010 150(4), 56－62.

[22]Mulia R, Dupraz C. Unusual fine root distributions of two deciduous tree species in southern France: What consequences for modelling of tree root dynamics?[J]. Plant and Soil, 2006,281(2): 71－85.

[23]Bogena H R, Herbst M, Huisman J A, et al. Potential of wireless sensor networks for measuring soil water content variability[J]. Vadose Zone Journal, 2010, 9(4): 1002－1013.

[24]Patel N R, Mehta A N, Shekh A M. Canopy temperature and water stress quantificaiton in rainfed pigeonpea[J]. Agricultural and Forest Meteorology, 2001, 109(3): 223－232.

[25]Jones H G. Plants and microclimate: A Quantitative Approach to Environmental Plant Physiology[M]. Cambridge:Cambridge university press, 2013.