基于無人機熱紅外與數碼影像的玉米冠層溫度監測

楊文攀，李長春，楊 浩，楊貴軍，馮海寬，韓 亮,3，牛慶林，韓 東,4

?

基于無人機熱紅外與數碼影像的玉米冠層溫度監測

楊文攀1,2，李長春1※，楊 浩2，楊貴軍2，馮海寬2，韓 亮2,3，牛慶林1,2，韓 東2,4

（1. 河南理工大學測繪與國土信息工程學院，焦作 454000； 2. 農業部農業遙感機理與定量遙感重點實驗室，北京農業信息技術研究中心，北京 100097；3. 山西大同大學建筑與測繪工程學院，大同 037009；4. 西安科技大學測繪科學與技術學院，西安 710054）

快速、準確、無損地獲取田間玉米冠層溫度，對實現無人機輔助玉米抗旱性狀的監測具有重要的意義。該文以無人機搭載熱紅外成像儀和RGB高清數碼相機構成低空遙感數據獲取系統，以不同性狀的拔節期玉米為研究對象，采集試驗區的無人機影像。利用含有已知三維坐標的幾何控制板，進行數碼影像幾何校正，并利用校正后的數碼影像對熱紅外影像進行幾何配準。利用便攜式手持測溫儀測量輻射定標板黑白面的溫度，對熱紅外影像進行輻射定標。利用高空間分辨率的數碼影像對玉米進行分類并二值化處理，基于二值化結果提取熱紅外影像的玉米冠層像元，并提取試驗區不同性狀玉米的冠層溫度。同時，利用便攜式手持測溫儀在地面同步測量玉米冠層溫度，并與提取的冠層溫度經行一致性分析，以驗證評估基于熱紅外影像提取玉米冠層溫度的效果。結果表明：提取的冠層溫度值與地面實測值具有高度一致性（2=0.723 6，RMSE=0.60 ℃)，提取精度較高，表明基于無人機熱紅外影像獲取玉米冠層溫度的方法具有高通量的優勢且精度較高。最后將試驗區的植被覆蓋度與提取的冠層溫度進行對比分析，結果表明：玉米冠層溫度與其覆蓋度有顯著的相關性（2=0.534 5，<0.000 1），覆蓋度越高冠層溫度越低，反之則越高，說明玉米冠層覆蓋度的大小影響玉米冠層溫度的高低。該研究可為玉米育種材料的田間冠層溫度監測提供參考。

無人機；農作物；溫度；玉米；熱紅外影像；二值化；覆蓋度

0 引 言

玉米作為全球三大谷類作物之一，在解決糧食安全、飼料保障、發展國民經濟以及緩解能源危機等方面具有重要作用，是世界上重要的糧食、飼料和工業原料。隨著全球人口不斷增長，全球對玉米的需求量也日益增加，因此為提高玉米產量進行玉米育種勢在必行[1]。玉米的產量和品質不僅受基因遺傳影響，在很大程度上亦受環境條件和種植管理情況的影響[2]。作物冠層溫度是指作物冠層不同高度莖、葉表面溫度的平均值，是農田活動層與其周圍環境進行能量交換的結果，是研究土壤、作物和大氣之間進行水、熱交換傳輸的重要參數，是判斷作物生理狀況的指標之一[3]，因此可以利用玉米冠層溫度輔助玉米抗旱性狀的監測。

作物冠層溫度較難觀測，在許多具有發展潛力的應用中，表面溫度的測定很難達到其所要求的準確度、重復性和穩定性。近幾十年來隨著紅外技術的發展，手持式紅外測溫儀和紅外熱像儀測量植被冠層溫度被廣泛應用到農業監測中[4-7]。Tanner[8]首次使用植物冠層溫度作為水分狀況的指標，同時首次使用紅外測溫器來量化冠層溫度差異和植物水分脅迫之間的關系；Prashar等[9]利用熱成像技術提取馬鈴薯植被的冠層溫度，分析了不同基因下其冠層溫度的差異，結果顯示在不同的氣候條件下，基于冠層相對溫度的基因型排序具有高度的一致性；Pou 等[10]通過近端熱成像技術確定了葡萄樹冠層的溫度變化，并計算了氣孔導度和作物水分脅迫指數（crop water stress index，CWSI），評估了植物水分狀況。

然而，傳統的地面紅外測溫裝置測取表面溫度時，具有測量周期長、范圍較小、耗時耗力、成本高等缺點，已經無法滿足目前大范圍作業的需求[11-12]。衛星遙感監測具有范圍廣、測量速度快等優勢，在地面溫度反演方面得到廣泛的應用[13-14]，但衛星遙感監測在農業監測中存在分辨率低、靈活性差的缺點，不能應用于小范圍田間尺度的溫度提取。近年來，無人機作為一種空間探測搭載工具，具有覆蓋范圍廣、測量周期短、成本低和機動性強等特點，已經成為農業定量遙感研究中快速、準確獲取作物表型信息的主要工具，是當前研究的熱點和趨勢[15-18]。基于無人機熱紅外影像提取植被冠層溫度的研究，如Gómez-Candón等[19]提出了一個全面的無人機遙感熱輻射校正方法，成功地測量了整個試驗田的樹冠表面溫度；Ludovisi等[20]基于無人機熱成像提取了楊樹的冠層溫度，并有效評估了楊樹在干旱脅迫條件下的基因型變異特性；Chapman等[21]開展了使用無人機進行各種表型分析應用，包括提取甘蔗冠層溫度；Sullivan等[22]驗證了無人機熱紅外影像在大田作物干旱脅迫評估中的應用。這些研究顯示了無人機熱成像技術在獲取作物表型信息中的潛力。但是，在利用無人機熱紅外影像提取植被冠層溫度時，由于無人機載質量限制，搭載的小型熱紅外儀的空間分辨率較低，僅僅依靠熱紅外影像往往不能很好的把土壤和作物區分開來[23-24]，從而影響了提取精度。國外已有利用RGB影像或R和NIR影像識別葉子像素的研究，研究過程中僅僅取葉子像素的溫度，而忽略背景像素，但過程過于復雜[25-26]。論文在利用無人機熱紅外影像提取玉米冠層溫度過程中，利用無人機獲取的數碼影像，通過玉米分類后生成的二值化影像，剔除熱紅外影像上的土壤像元，提高冠層溫度提取精度。

本文以拔節期玉米作為研究對象，利用無人機同步搭載熱紅外儀和高分辨率RGB數碼相機，構成低空遙感農情監測系統，對多性態玉米冠層溫度進行提取，并分析提取效果，為大范圍玉米育種過程中獲取冠層溫度提供快速、有效的手段。

1 試驗區域概況、材料和方法

1.1 試驗區域概況

試驗區位于北京市昌平區小湯山國家精準農業示范基地，試驗基地位于東經116°27'51"～116°27'53"，北緯40°10'48"～40°10'54"，海拔高度約為30 m，地勢平坦，屬暖溫帶大陸性季風氣候。玉米試驗材料于2017年5月15日播種，共包括800份不同性狀的玉米材料，每份材料種植3行，每行栽種10株，株間距為0.25 m，行間距距為0.6 m，排間距為0.8 m，每個試驗材料進行相同的田間管理。地面均勻布置已觀測坐標（精度為1 cm）的幾何控制板（長×寬30 cm×30 cm）和輻射定標板（黑面為噴漆木板，白面為聚苯乙烯，長×寬100 cm×100 cm）。試驗小區布置見圖1。

圖1 試驗小區布置

1.2 地面數據和遙感數據獲取

在玉米拔節期，即2017年7月1日8:00進行數據采集。地面數據采集包括兩部分內容：利用HT-11D便攜式測溫儀（測量精度±1%，測量范圍0～200 ℃）獲取玉米冠層溫度，主要用于精度驗證；利用測溫槍獲取試驗田中輻射定標板黑白面的溫度，主要用于熱紅外影像輻射定標。在試驗區內，均勻選取72個材料區作為驗證材料，在無人機獲取數據的同時，利用便攜式手持測溫槍在驗證材料區內測取6個玉米葉片（倒一或者倒二葉片2/3處），并測其溫度，取平均值作為這個材料區玉米冠層的平均溫度。同時，獲取試驗田間均勻分布的6個輻射定標板黑色面和白色面的溫度，每個輻射定標板總共4個面（2個白色面和2個黑色面），每個面測3個值，取平均值作為該面的溫度，總共求得24個溫度值。

采用大疆S1000八旋翼無人機（圖2所示），無人機凈質量4.4 kg，有效載質量6 kg，續航時間15 min左右。無人機搭載的傳感器Optris PI450非制冷熱像儀，測量精度±2%，測溫范圍?20～100 ℃，同時搭載Sony DSC-QX100數碼相機，數碼相機類型為Exmor R CMOS，有效像素約2 020萬像素，最大分辨率為5 472×3 648像素，質量為179 g，尺寸為63 mm×63 mm×56 mm。

圖2 大疆S1000八旋翼無人機

于2017年7月1日8:00－8:10進行無人機影像數據采集。無人機按照設定的航線（總共8條航線）和參數以6 m/s的速度（保證航向重疊度為60%～80%）自主巡航并采集數據，飛行高度為50 m，一次數據獲取時間保持在10 min左右，其中數碼相機每4秒拍攝一張數碼影像，熱成像儀每秒拍攝一張熱紅外影像。為了減小紅外熱成像儀的系統誤差，飛行之前紅外熱成像儀預熱10 min左右，數據獲取時，太陽光輻射強度穩定，天空晴朗無云，無風。

1.3 技術方法

利用無人機熱紅外影像提取玉米冠層溫度技術流程如下：數碼影像和熱紅外影像獲取；數碼影像和熱紅外影像拼接、幾何校正和影像配準；熱紅外影像的輻射定標；熱紅外影像上土壤像元剔除和玉米冠層溫度提取；精度驗證，如圖3所示。

圖3 提取玉米冠層溫度技術流程

1）無人機影像拼接與幾何校正。無人機影像包括數碼影像和熱紅外影像，但每幅影像僅僅只記錄了試驗區部分區域。為了便于數據分析，需要對原始影像進行拼接，從而得到試驗區的整體影像。使用Agisoft PhotoScan Professional進行影像拼接。由于無人機影像獲取過程中存在一些不穩定因素，拼接后的影像存在一定的幾何畸變，因此在數碼影像拼接后，利用16個地面控制點，利用ENVI5.1軟件進行影像的幾何校正。由于熱紅外影像的分辨率較低，無法從影像上判斷控制點的位置，因此無法利用控制點進行幾何校正，論文利用經過幾何校正的數碼影像作為基準影像來配準熱紅外影像。

2）熱紅外影像輻射定標。為了評價熱紅外影像提取玉米冠層溫度的效果，需要與地面便攜式測溫槍測得的驗證材料冠層溫度進行對比。由于儀器自身精度的限制以及在試驗中存在著系統誤差和偶然誤差，為了保證對比精度，需要對熱紅外影像進行輻射定標。輻射定標包括飛行前近距離測量定標和飛行后定標。

為了提高熱紅外影像輻射定標的可靠性，在定標前分別使用便攜式測溫槍和熱紅外成像儀在近距離（1 m左右）測得11種地物的溫度，并進行一致性分析，以判斷2種儀器在不受距離因素條件下，所測溫度的一致性。

飛行后的輻射定標利用地面均勻鋪設的6個輻射定標板（分布狀況如圖1）。在拼接并幾何配準后的熱紅外影像上提取對應6個輻射定標板黑白面像素的溫度后，將提取的溫度與同一時間在地面使用便攜式測溫槍測得輻射定標板黑白面的溫度來計算出輻射定標系數。

3）去除土壤背景。無人機熱紅外影像上包含有土壤背景像元和玉米冠層像元，因此在提取作物溫度時會受到土壤背景的嚴重干擾，在進行作物溫度提取前，首先剔除土壤背景像元[27]。論文通過無人機同步獲取的數碼影像進行玉米分類，分類后二值化，生成玉米植被矢量文件，矢量文件與熱紅外影像進行疊加提取玉米植被像元，從而剔除土壤背景。

為了提高土壤背景的剔除精度，必須提高數碼影像玉米植株的分類精度。在幾何校正后，對數碼影像進行分類，論文通過數碼影像計算RGRI（red-green ratio index）[28]植被指數進行植被分類。RGRI的計算公式如式（1）

式中red、green分別表示數碼影像紅、綠波段的DN（digital number）值。首先對數碼影像進行植被指數計算，然后對計算的結果取閾值進行二值化，隨后通過二值化圖像生成矢量文件，并利用Arcgis 10.2建立玉米冠層掩模工具，最后利用掩模工具掩模統計出輻射定標后的熱紅外影像上各個小區的玉米冠層溫度。

4）結果驗證。精度評定包括估算幾何校正誤差和玉米冠層溫度提取誤差，這2個誤差通常采用均方根誤差（root mean square error, RMSE）表示。RMSE是觀測值與真實值的誤差平方根的均值，用來衡量觀測值同真值之間的偏差，計算公式如式（2）。

式中1參與幾何校正的控制點數量；為待幾何校正圖像上的地理空間坐標；X為影像上像元對應地面點的空間坐標；2為參與誤差計算的材料區數量；Z為熱紅外影像上提取的玉米冠層溫度，℃；Z為地面便攜式測溫槍測得的玉米冠層溫度，℃。

2 結果與分析

2.1 熱紅外影像輻射校正分析

飛行前，利用便攜式測溫槍和熱紅外成像儀在近距離（1 m）測取11種地物的溫度，進行一致性分析，結果如圖4a所示。

圖4 飛行前后的輻射定標

由圖4a可知，不受距離影響時，2種儀器所測地物的溫度在25°～55°范圍內，具有極高的線性擬合度（2=0.986 9），因此可以利用手持測溫儀獲取的溫度對熱成像儀提取的溫度進行輻射定標，進而驗證熱成像提取的溫度。

圖4b表示飛行后熱紅外影像上提取對應6個輻射定標板黑白面像素的溫度與同一時間在地面使用便攜式測溫槍測得輻射定標板黑白面溫度計算出的輻射定標系數。從圖4b可以看出，計算的斜率大于1（=1.403 7），說明熱成像儀所獲取的輻射定標板溫度低于便攜式測溫槍獲取的溫度，而從圖4a可以看出近距離情況下兩者測得的溫度具有極高的一致性（≈1），因此說明距離會影響熱成像儀獲取的地物溫度精度，距離越大所測溫度衰減越明顯。

2.2 土壤背景去除

在原始數碼影像上利用式（1）計算RGRI植被指數，得到植被指數圖。通過對研究區影像的觀察，確定在無人機數碼影像上，包括玉米、玉米陰影和土壤3種地物。為了使典型地物的信息統計更具代表性，對于每種地物分別選取20個代表區域，選取的典型區域同種地物樣本色差跨度較大且均勻分布在整個研究區域。利用選取的樣本統計各個地物的特征值（包括平均值和標準差），統計結果如表1所示。

表1 RGRI的統計特征值

由表1可知，RGRI指數圖中玉米和其他地物特征值范圍不存在交叉現象，表明RGRI適合無人機提取玉米信息，并且玉米與其他地物數值區分度較大，更利于閾值的確定。從土壤和玉米陰影的特征值看，兩者可以歸為一類。

為了更加直觀的說明RGRI計算情況，統計并計算RGRI灰度直方圖，結果如圖5所示，圖中橫坐標為計算的植被指數值，縱軸為像元數量。從圖5中看出，RGRI灰度直方圖的雙峰特征較為明顯，在值為1附近有劇烈波動，主要因為該值代表的是試驗田間輻射定標板和幾何定標板的值，理想狀態下輻射定標板的白色面應為光的全反射色面，黑面應為光的全吸收面，根據式（1），紅綠藍3個波段的DN相等，白色面和黑色面的值應為1.0左右。

圖5 RGRI的灰度直方圖

利用雙峰直方圖閾值法和最大類間方差法[29]確定各個植被指數的閾值。利用得到的閾值提取玉米植被信息，計算各個指數的玉米與其他地物的二值分布圖。為評價各個植被指數的分類提取精度，選取試驗田部分典型地塊進行分類精度評價，典型地塊的選取原則是盡量包含圖像上所有地物，并且玉米與其他地物的色差跨度要大，然后采用人機交互方式將影像進行玉米與其他地物分類，分類結果作為精度驗證的基準評價各植被指數的提取精度，精度評價結果如表2所示。

表2 RGRI的閾值及精度評價

由表2可知，2種閾值法確定的閾值提取精度都比較高，雙峰直方圖閾值法比最大類間方差法對玉米的分類正確率稍高一些，但是最大類間方差法比雙峰直方圖閾值法對非植被分類的正確率、總正確率及Kappa系數高很多。總體上，最大類間方差法比雙峰直方圖閾值法的分類精度高，因此論文選擇最大類間方差法確定閾值，閾值為1.004 6。利用確定的閾值提取玉米植被信息，結果如圖6所示。

圖6 數碼分類結果對比圖及植被熱紅外提取圖

從圖6可以看出，利用最大類間方差法確定的閾值提取效果與參考分類結果最為接近。因此，論文選擇1.004 6為閾值生成的矢量掩膜去除熱紅外影像上的土壤像元。

2.3 冠層溫度提取結果驗證

提取溫度后，為了驗證利用熱紅外影像提取溫度的精度，將72個地面觀測值剔除24個無效的數據后與提取的溫度進行一致性分析（結果如圖7），剔除原則是地面觀測值的誤差超過限差（2倍的標準差），同時剔除掉由覆蓋度低、植株少導致觀測值異常的數據。

圖7 熱紅外影像提取的溫度與對應地面點的實測溫度一致性分析

從圖7可知，2=0.723 6，表明提取的溫度與驗證溫度有顯著的相關性，而且回歸線的斜率（=1.480 4）大于1，表明利用熱紅外影像提取的溫度低于便攜式測溫槍獲取的溫度，導致這個現象的原因是提取的玉米冠層熱紅外影像包括陽光直接照射的冠層部分和陰影里的冠層部分（所占比例較小），在提取過程中溫度較低的陰影部分參與了計算，而地面實測溫度是陽面冠層溫度，因此提取的冠層平均溫度應低于地面實測值。

從誤差精度來看，RMSE=0.60 ℃，表明提取玉米冠層溫度的精度適合玉米冠層溫度差異分析需求。主要有兩方面原因導致RMSE較低，一是早上8:00時各個材料間的冠層溫差較小；二是無人機數據采集時間短（10 min左右），在采集時間內溫度變化小。

2.4 玉米覆蓋度差異引起的冠層溫度差異分析

利用提取的玉米冠層溫度作為各個材料的平均溫度，根據不同的溫度賦予不同的顏色，并利用分類后的數碼影像計算出各個小區的玉米覆蓋度，根據不同的覆蓋度賦予不同的顏色，結果如圖8所示。因覆蓋度為10%以下的材料區在熱紅外影像上提取的溫度受土壤影響明顯，因此剔除玉米覆蓋度為10%以下的8個材料區，將剩下792個材料區的玉米冠層溫度與玉米覆蓋度進行對比，結果如圖9所示。

圖8 試驗區玉米冠層溫度分布與玉米覆蓋度

圖9 玉米冠層溫度與玉米覆蓋度對比

圖8a是在玉米拔節期上午8:00時獲取的，可知試驗區冠層溫度范圍在27.51～31.3 ℃，北邊部分的玉米冠層溫度大于南邊部分。經計算在玉米關鍵生育期拔節期試驗區玉米平均覆蓋度為49.3%，由圖8b可知，試驗區覆蓋度范圍在0.11%～93.6%，北邊試驗區玉米覆蓋度高于南邊試驗區玉米覆蓋度；由圖9可知，在玉米關鍵生育期拔節期8:00時，玉米冠層溫度與其覆蓋度有顯著的相關性（2=0.534 5，<0.000 1），通過對比玉米冠層溫度與覆蓋度可以明顯看出，覆蓋度越高則冠層溫度越低，反之則越高。這主要由二方面因素引起，一是覆蓋度越低則周圍高溫土壤帶來的影響越大，周圍植被的溫度提高越明顯；二是覆蓋度越高玉米葉片蒸騰量越大，蒸騰作用越明顯，帶走的水分越多，熱量流失越嚴重，使覆蓋度高的材料區溫度越低。

由于試驗區面積較大，在整個生長期間不能完全保證地形起伏、土壤濕度以及土壤養份的均一，這些因素可能導致溫度差異。因此假設不同生長期間，均保持相同的外界環境，圖8表明不同性狀的玉米表現不同的冠層溫度，而基因決定作物的長勢性狀和耐旱性[30]，因此可以說明不同基因型玉米表現不同的冠層溫度。

3 討 論

通過遙感快速大面積提取作物冠層溫度對于現代農業育種具有重要意義。常規地面獲取作物冠層溫度信息的方法，已經無法滿足現代化農業對大范圍冠層溫度獲取的需求。在國外曾有利用載人直升機和飛艇獲取熱紅外影像用于表型分析的研究報道，但是由于其昂貴的成本及國內的禁飛限制，該方式并不適合推廣使用[12,31]。論文利用小型化的無人機平臺搭載熱紅外成像儀，可以高效、便捷、低成本地獲取作物冠層表型信息[32]，提取的玉米冠層溫度，效果優于地面測量結果。該方法獲取玉米冠層溫度周期短，可以在短時間內連續獲取玉米冠層溫度信息，因此可以用于分析玉米冠層溫度節律性特點，這也是論文下一步要研究的內容。

利用熱紅外影像提取玉米冠層溫度的精度受很多方面的影響，主要有以下3個方面：1）玉米冠層溫度的變化受風和光照的影響明顯[33]，如果在無人機獲取數據的時間內（10 min左右）天氣不穩定（如有風）或者光照強度變化，導致試驗材料的冠層溫度改變明顯，會明顯影響數據的質量，因此獲取數據時盡量選擇晴朗無風的天氣，在無外界因素影響的情況下獲取數據；2）受無人機載質量限制，所搭載的均為非制冷小型化的紅外熱像儀，存在系統誤差，獲取的影像存在漂移現象，因此每次飛行之前需要開機預熱10 min左右以減小系統誤差的影響，并且需要一種較為準確的輻射校正方法來減小或者消除系統誤差[19,21]；3）熱紅外影像的空間分辨率不高，飛行高度越高則獲取的熱紅外影像越模糊，玉米與土壤的混合像元就越多，不利于土壤背景的剔除，同時高度越高受大氣輻射的影響越明顯，會增加熱紅外影像的系統誤差。因此在獲取數據時，要根據試驗區的大小以及無人機的飛行續航時間來盡可能的降低高度。

4 結 論

論文利用幾何校正后的高空間分辨率數碼影像提取熱紅外影像上的玉米像元，有效解決了熱紅外影像由于空間分辨率低無法剔除土壤像元的問題。以數碼和熱紅外無人機影像提取了拔節期玉米的冠層溫度，并與地面冠層溫度的實測值進行一致性分析，提取效果較好（2=0.723 6），表明論文研究的方法是切實可行的，且提取的玉米冠層溫度的精度（RMSE=0.60 ℃）適合于玉米冠層溫度差異分析需求。提取的冠層溫度與覆蓋率對比發現，玉米冠層溫度與其覆蓋度有顯著的相關性（2=0.534 5，<0.000 1），覆蓋度越高冠層溫度越低，反之則越高，說明玉米冠層覆蓋度的大小影響玉米冠層溫度的高低。

[1] 董春水，才卓. 現代玉米育種技術研究進展與前瞻[J]. 玉米科學，2012，20(1)：1－9.

Dong Chunshui, Cai Zhuo. Current status and perspectives of maize breeding technologies[J]. Journal of Maize Sciences, 2012, 20(1): 1－9. (in Chinese with English abstract)

[2] 王國宇，宋尚有，樊廷錄，等. 不同基因型玉米冠層溫度與產量和水分利用效率的關系[J]. 玉米科學，2009，17(1)：92－95.

Wang Guoyu, Song Shangyou, Fan Tinglu, et al. Relationship of canopy temperature with grain yield and water use efficiency in various genotypes of maize[J]. Journal of Maize Sciences, 2009, 17(1): 92－95. (in Chinese with English abstract)

[3] 史長麗，郭家選，梅旭榮，等. 夏玉米農田表面溫度影響因素分析[J]. 中國農業科學，2006，39(1)：48－56.

Shi Changli, Guo Jiaxuan, Mei Xurong, et al. Analysis of factors influencing surface temperature in summer maize field[J]. Scientia Agricultura Sincia, 2006, 39(1): 48－56. (in Chinese with English abstract)

[4] Sadler E J, Camp C R, Evans D E, et al. Corn canopy temperatures measured with a moving infrared thermometer array[J]. Transactions of the Asae, 2002, 45(3): 581－591.

[5] Reynolds M P, Balota M, Delgado M, et al. Physiological and morphological traits associated with spring wheat yield under hot, irrigated conditions[J]. Functional Plant Biology, 1994, 21(6): 717－730.

[6] Badaruddin M, Reynolds M P, Ageeb O A A. Wheat management in warm environments[J]. Agronomy Journal, 1999, 91(6): 975－983.

[7] Khanal S, Fulton J, Shearer S. An overview of current and potential applications of thermal remote sensing in precision agriculture[J]. Computers and Electronics in Agriculture, 2017, 139(Supp.C): 22－32.

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

[9] Prashar A, Yildiz J, Mcnicol J W, et al. Infra-red thermography for high throughput field phenotyping in, solanum tuberosum[J]. Plos One, 2013, 8(6): e65816.

[10] 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(3): 60－72.

[11] Jones H G. Application of thermal imaging and infrared sensing in plant physiology and ecophysiology[J]. Advances in Botanical Research, 2004, 41: 107－163.

[12] Deery D M, Rebetzke G J, Jimenezberni J A, et al. Methodology for high-throughput field phenotyping of canopy temperature using airborne thermography[J]. Frontiers in Plant Science, 2016, 7.

[13] 侯英雨，孫林，何延波，等. 利用EOS-MODIS數據提取作物冠層溫度研究[J]. 農業工程學報，2006，22(12)：8－12.

Hou Yingyu, Sun Lin, He Yanbo, et al. Algorithm for estimating crop canopy temperature using EOS-MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(12): 8－12. (in Chinese with English abstract)

[14] Sobrino J A, Caselles V. A methodology for obtaining the crop temperature from NOAA-9 AVHRR data[J]. International Journal of Remote Sensing, 1991, 12(12): 2461－2475.

[15] 楊貴軍，李長春，于海洋，等. 農用無人機多傳感器遙感輔助小麥育種信息獲取[J]. 農業工程學報，2015，31(21)：184－190.

Yang Guijun, Li Changchun, Yu Haiyang, et al. UAV based multi-load remote sensing technologies for wheat breeding information acquirement[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 184－190. (in Chinese with English abstract)

[16] 韓東，楊浩，楊貴軍，等.基于Sentinel-1雷達影像的玉米倒伏監測模型[J]. 農業工程學報，2018，34(3)：166－172.

Han Dong, Yang Hao, Yang Guijun, et al. Monitoring model of maize lodging based on Sentinel-1 radar image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(3): 166－172. (in Chinese with English abstract)

[17] Yue J, Yang G, Li C, et al. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models[J]. Remote Sensing, 2017, 9(7): 708.

[18] Neiff N, Dhliwayo T, Suarez E A, et al. Using an airborne platform to measure canopy temperature and ndvi under heat stress in maize[J]. Journal of Crop Improvement, 2015, 29(6): 669－690.

[19] Gómez-Candón D, Virlet N, Labbé S, et al. Field phenotyping of water stress at tree scale by UAV-sensed imagery: new insights for thermal acquisition and calibration[J]. Precision Agriculture, 2011, 17(6): 1－15.

[20] 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.

[21] Chapman S C, Chan A, Jackway P, et al. Pheno-copter: a low-altitude, autonomous, remote-sensing robotic helicopter for, high-throughput field-based phenotyping[J]. Agronomy, 2014, 4(2): 279－301.

[22] Sullivan D G, Fulton J P, Shaw J N, et al. Evaluating the sensitivity of an unmanned thermal infrared aerial system to detect water stress in a cotton canopy[J]. International Journal of Sociology & Social Policy, 2007, 50(6): 708－724.

[23] Han M, Zhang H, DeJonge K C, et al. Estimating maize water stress by standard deviation of canopy temperature in thermal imagery [J]. Agricultural Water Management, 2016, 177: 400－409.

[24] Baluja J, Diago M P, Balda P, et al. Assessment of vineyard water status variability by thermal and multispectral imagery using an unmanned aerial vehicle (UAV)[J]. Irrigation Science, 2012, 30(6): 511－522.

[25] M?ller M, Alchanatis V, Cohen Y, et al. Use of thermal and visible imagery for estimating crop water status of irrigated grapevine[J]. Journal of Experimental Botany, 2007, 58(4): 827.

[26] 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.

[27] Jones H, Sirault X. Scaling of thermal images at different spatial resolution: The mixed pixel problem[J]. Agronomy, 2014, 4(3): 380－396.

[28] Verrelst J, Schaepman M E, Koetz B, et al. Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data[J]. Remote Sensing of Environment, 2008, 112(5): 2341－2353.

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

[30] Bola?os J, Edmeades G O. The importance of the anthesis-silking interval in breeding for drought tolerance in tropical maize[J]. Field Crops Research, 1996, 48(1): 65－80.

[31] 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(10/11): 978－989.

[32] Maimaitijiang M, Ghulam A, Sidike P, et al. Unmanned Aerial System (UAS)-based phenotyping of soybean using multi-sensor data fusion and extreme learning machine[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017, 134: 43－58.

[33] Jackson R D, Reginato R J, Idso S B. Wheat canopy temperature: A practical tool for evaluating water requirements[J]. Water Resources Research, 1977, 13(3): 651－656.

Monitoring of canopy temperature of maize based on UAV thermal infrared imagery and digital imagery

Yang Wenpan1,2, Li Changchun1※, Yang Hao2, Yang Guijun2, Feng Haikuan2, Han Liang2,3, Niu Qinglin1,2, Han Dong2,4

(1.454000,; 2.100097,; 3.037009; 4.710054,)

Crop canopy temperature is one of the most important indexes for evaluating crop physiological conditions for it is closely related leaf stomatal conductance, water use, transpiration of crops. Therefore, crop canopy temperatures can be used in monitoring drought resistance traits of crop. Traditional crop canopy temperature estimates are based on artificial field measurement, which are not only time and labor consuming, but more importantly, are difficult to apply over large areas. In recent years, with the rapid development of unmanned aerial vehicle (UAV) technology, UAVs have been widely used in agricultural phenotypic data acquisition. However, when using thermal infrared image data to extract crop canopy temperatures, UAV is equipped with a miniaturized thermal infrared instrument with low spatial resolution due to the limited load capacity of the UAV. Thermal infrared images often cannot effectively separate soil and crops individually, thus reducing the accuracy of extracting crop canopy temperatures. In this paper, a low-altitude UAV remote sensing system equipped with a thermal infrared imager and a RGB high-definition digital camera was adopted for remote sensing data collection. Experiments were conducted at the Xiao Tangshan National Precision Agriculture Research Center of China, which is located in Changping District of Beijing, PR China. A total of 800 maize materials with different varieties in the jointing period were collected. While UAV acquiring images, a total of 72 ground samples were measured using a hand-held thermometer portable, which was used to verify the maize canopy temperature results from thermal infrared images. The RGB high-definition digital orthophoto map (DOM) was generated and geometry was corrected using ground control points (GCPs) and digital camera images in Agisoft's PhotoScan. A RGB high-definition DOM was used as base an image for the thermal infrared images geometrical calibration to solve the problem of coordinate mismatch between thermal infrared images and digital images, facilitating the removal of the soil background in the next step. The temperature of the black and white surface of the radiant correction plate was measured by a hand-held thermometer portable before and after the flight, which was used for the radiation calibration of the thermal infrared image. A high-resolution digital image was used to calculate the red-green ratio index (RGRI), and the image was binarized after classification of maize and soil. Then the binarization result was used to generate a maize mask file for the experimental area, which was used to extract the pixels of the maize vegetation on the thermal infrared image. By doing so, the low spatial resolution thermal infrared image pixels were separate into soils and crops parts, and crop canopy temperature was extracted from the crops. Finally, the canopy temperature of maize with different characters in the experimental area was statistically analyzed. And the consistency with observations on the ground was analyzed to verify and evaluate the effect of the maize canopy temperature extraction based on thermal infrared images. Our results indicated that canopy temperature based on thermal infrared images was highly relevant with ground observations with2=0.723 6, RMSE=0.60 ℃. Our results demonstrated that it was accurate and feasible to use the high spatial resolution digital images to remove the soil background pixels on low spatial resolution thermal infrared images. In addition, the new method of obtaining maize canopy temperature based on UAV thermal infrared imagery was feasible and effective. Our results also demonstrated that the canopy temperature of materials was significantly correlated with the canopy coverage with2=0.534 5 (< 0.000 1). Canopy temperature decreased with increasing of canopy coverage.

unmanned aerial vehicle; crops; temperature; maize; thermal infrared imagery; binarization; coverage

2018-04-16

2018-06-30

國家重點研發計劃（2016YFD0300602）；國家自然科學基金（61661136003，41471351）；北京市農林科學院科技創新能力建設項目（KJCX20170423）；河南省科技攻關項目（182102110186）

楊文攀，助理研究員，主要從事無人機農業定量遙感相關技術及其農業應用研究。Email：yangwp100098@163.com

李長春，副教授，主要從事農業遙感長勢監測與評估研究。Email：lichangchun610@126.com

10.11975/j.issn.1002-6819.2018.17.010

S252

A

1002-6819(2018)-17-0068-08

楊文攀，李長春，楊 浩，楊貴軍，馮海寬，韓 亮，牛慶林，韓 東. 基于無人機熱紅外與數碼影像的玉米冠層溫度監測[J]. 農業工程學報，2018，34(17)：68－75.doi：10.11975/j.issn.1002-6819.2018.17.010 http://www.tcsae.org

Yang Wenpan, Li Changchun, Yang Hao, Yang Guijun, Feng Haikuan, Han Liang, Niu Qinglin, Han Dong. 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) doi：10.11975/j.issn.1002-6819.2018.17.010 http://www.tcsae.org