基于多光谱和气象参数的菜心水分胁迫指数反演

王卫星，杨明欣，高 鹏，谢家兴，孙道宗，曹亚芃，骆润玫，蓝于洋

基于多光谱和气象参数的菜心水分胁迫指数反演

王卫星1,2，杨明欣1，高 鹏1，谢家兴1,2，孙道宗1,2，曹亚芃1，骆润玫1，蓝于洋1

（1. 华南农业大学电子工程学院（人工智能学院），广州 510642；2. 广东省农情信息监测工程技术研究中心，广州 510642）

作物水分胁迫指数（Crop Water Stress Index，CWSI）的监测对掌握作物的水分状况、指导灌溉具有重要意义。该研究以菜心为试验对象，测量了不同土壤水分条件下的冠层温度，采集了空气温度、相对湿度、风速、光合有效辐射和4个波段（450、650、808、940 nm）的光谱反射图像，并计算了归一化植被指数（Normalized Difference Vegetation Index，NDVI）、差值植被指数（Difference Vegetation Index，DVI）、再归一化差值植被指数（Re-Difference Vegetation Index，RDVI）和转换型土壤调整指数（Optimized Soil-Adjusted Vegetation Index，OSAVI）等，通过支持向量回归（Support Vector Regression，SVR）分别构建了CWSI上基线、CWSI下基线和冠层温度的反演模型。结果表明，菜心在450和650 nm的冠层光谱反射率在0～0.1之间，在808和940 nm的反射率较高，在0.4～0.6之间，当菜心由营养生长阶段进入生殖生长阶段，808和940 nm的反射率有所上升。植被指数能反映菜心的生长状态和植被覆盖度，随着冠层温度的升高，NDVI、DVI、RDVI上升，OSAVI下降；而同一个水分处理组在不同生长期的植被指数有明显的差异，生殖生长期的植被指数变化范围小于营养生长期。结果表明，使用空气温度、相对湿度、风速、光合有效辐射反演CWSI上、下基线具有可行性，决定系数均大于0.75；使用植被指数反演菜心在两个生长期的冠层温度具有较好精度，决定系数均大于0.7。基于反演值计算的CWSI与基于测量值计算的CWSI有较好的相关性，决定系数为0.70；CWSI与气孔导度是负相关的关系，决定系数为0.53。该研究应用气象参数反演CWSI上基线和CWSI下基线，利用植被指数反演冠层温度，基于SVR的模型反演值达到了一定的拟合效果，为实现菜心水分胁迫指数的光谱监测提供支持。

水分；温度；菜心；气象参数；植被指数；支持向量回归

0 引 言

菜心是十字花科蔬菜，其在广东省内分布较广，是广东省重要的蔬菜之一。研究表明，当菜心长期遭受水分胁迫时，其产量随之降低[1-3]。杨恒山等[4-5]指出土壤含水率反应作物的水分胁迫程度具有局限性，应结合作物本身的生理活动进行分析。当作物遭受水分胁迫时，其根部无法吸收充足水分，叶片气孔开始关闭，蒸腾速率下降，最终表现为叶片温度上升[6]。随着红外技术的发展，许多学者利用水分胁迫指数（Crop Water Stress Index，CWSI）反映和指示作物的水分胁迫程度。CWSI可实现对蔬菜等易损作物的无损监测[7]，又能根据与蒸散速率的关系建立方程计算灌溉量[8-9]。因此，研究水分胁迫指数有利于监测菜心的需水状况和制定对应的灌溉计划。CWSI需要测量作物在无水分胁迫胁迫状态下的冠层温度（记为下基线）和严重水分胁迫状态下的冠层温度（记为上基线）。由于作物的冠层温度受环境影响，在温度、湿度、辐射、风速等环境因素变化时，上下基线随之变化[10-11]。Kumar[12-14]等提出空气温度、相对湿度和冠层温度反演基线的神经网络模型，均提高了CWSI的应用范围，减少上下基线的测量。

随着遥感技术迅速发展，光谱技术在农业方面得到更多应用，许多学者将光谱技术用于模拟和反演作物的生理参数[15-18]。研究表明，当作物叶片温度升高，光谱反射率随之增加，归一化植被值数则减少[19-21]。许改平等[22-23]利用光谱影像进行高温胁迫试验时发现，处于高温状态（40、39 ℃）的毛竹、水稻叶片，其光谱反射率大于温度低的叶片（25、35 ℃）。Sagan等[24]获取了700～1 400 nm的光谱影像，将归一化植被指数与叶片温度进行拟合分析，发现归一化植被指数与叶片温度为负相关。Ihuoma等[25]以马铃薯为研究对象，建立了植被指数与冠层温度的线性方程，其相关系数接近0.6。梁金晨等[26]获取了水稻的叶片温度及该温度下的光谱数据，构建了多个植被指数与叶片温度的多元线性方程，结果表明方程取得较好的反演效果。同时，许多学者将机器学习算法应用在生理参数的分类和回归方面，并获得很好的效果[27-29]。谭丞轩[30]利用灰度关联分析筛选出在玉米不同生育期下对土壤含水率敏感的植被指数，使用支持向量机构建了玉米土壤含水率的反演模型，相关系数均在0.68以上，表明利用机器学习与光谱数据相结合的方法估算土壤含水率是可行的。Li等[31]利用随机森林对植被指数进行分析并构建模型，实现了竹子地表生物量的反演，模型的精度在0.7以上。

根据King等[14]的研究，气象因子反演CWSI上基线和下基线具有可行性，减少了充分灌溉和严重胁迫处理的试验，相比于上下基线，气象因子的采集更简便；根据梁金晨等[26]的研究，植被指数反演冠层温度具有可行性，相比于红外测温仪，多光谱可实现大范围、快速的数据采集。目前，CWSI的研究主要基于气象因子反演上基线和下基线，而结合光谱成像技术的研究仍较少。基于以上分析，本研究以油青菜心为试验对象，采集空气温度、相对湿度、风速和光合有效辐射等气象参数，利用多光谱仪获取菜心的光谱图像，计算冠层反射率和植被指数，使用支持回归向量机构建CWSI上基线、CWSI下基线和冠层温度的反演模型，以期为菜心水分胁迫指数的光谱监测提供支持。

1 材料与方法

1.1 试验设计

试验于2021年10月26日—12月7日在广东省广州市华南农业大学工程学院（113°28′06″E，23°12′51″N）室外进行。试验对象为油青菜心（L..（）），物候期分别为营养生长期（10月26日—11月25日）和生殖生长期（11月26日—12月07日）。在四叶一心时期，将长势相近的菜心移到相同的花盆中，开始对其进行不同水分处理，当植株菜苔高度与苔叶的先端齐平时结束试验。花盆内径为40 cm×40 cm，高度为80 cm，土壤经烘干、翻松后装入花盆，每个花盆装10 kg土壤。

试验共设置4个水分处理组，分别记为T1、T2、T3、T4，每个处理包含3株的油青菜心。T1为充分灌溉处理组，根据Yang[7]等的研究，充分灌溉条件下土壤最大田间持水量为32.2%，对应的灌溉量为600 ml；T2和T3为控制水分处理组，土壤持水量分别为土壤最大田间持水量的70%和40%，对应的灌溉量分别为400和200 ml。T4为严重胁迫处理组，作自然处理，试验开始不进行人工补充灌溉，直至试验结束。在试验期间对T1、T2、T3处理组进行人工灌溉，灌溉量分别为600、400、200 ml，频率为两天1次。

1.2 数据采集

使用土壤水分传感器（JXBS-J001-EC-RS，精迅，中国）获取土壤含水率，测量时将该设备埋在菜心中间，与土壤表面的距离为10 cm。使用红外测温仪（T10S-B-HW，妙观，中国）获取菜心的叶片温度，测量时将该设备固定在菜心顶部，距离约20 cm，保证视角与叶片呈45°。使用光合作用分析仪（SYS-GH30D，塞亚斯，中国）获取气孔导度，以5次测量的平均值为该对象的测量值。

使用多光谱仪（k4 multi-spectrometer，PEAU，美国）获取光谱影像，该仪器包含4个镜头。根据梁金晨等[26,32]的研究，近红外波段和红外波段的光谱反射率与作物叶片温度相关性显著，决定系数在0.5左右；而归一化植被指数NDVI（由红光波段与近红外波段的反射率计算）与叶片温度的决定系数在0.45。因此，本研究选用了650 nm（红光波段）、808 nm（近红外波段）和940 nm（红外波段），并以450 nm（蓝光波段）作为对比。影像数据分辨率为2 048像素×1 536像素，镜头焦距为9.60 mm。选择晴朗无云的时刻进行拍摄，拍摄时将配备的标准白板与菜心放在同一平面，多光谱仪置于正上方，固定距离为2 m，仪器通过信号线与计算机连接，由MAPIR软件触发拍照。

使用距离试验地点1 m的室外小型气象站（WH2081，MISOL，中国）获取环境参数（空气温度、相对湿度、风速和降雨量），气象站内部包含空气温湿度传感器、风速传感器、雨量传感器和无线传输模块，数据由无限传输模块传送到计算机。使用冠层分析仪（MH-G10，绿博，中国）获取光合有效辐射，测量时将该设备置于在菜心顶部约20 cm的位置。

所有的数据采集均在12:00—14:00进行，气孔导度和光谱影像的采集周期为每天1次，每次测量重复5次，其余数据的采集周期为10 min/次[13]。试验期间的天气情况如表1，各项数据的采集示意如图1所示。在试验期间，试验区域的降雨量较少，降雨天数共5 d，相比于灌溉量，最大降雨量（仅1 d）对试验的影响可忽略不计，室外处理可较大程度反映自然环境下CWSI对菜心水分胁迫的响应。

表1 试验期间的天气情况统计（12:00-14:00）

1.3 水分胁迫指数计算

水分胁迫指数CWSI的计算如下式所示[7]：

式中Tc为作物冠层温度，℃；Twet为下基线或无水分胁迫基准线，是作物在无水分胁迫时或充分灌溉下的冠层温度，℃；Tdry为上基线或无蒸腾作用基准线，是作物在无蒸腾作用时、气孔关闭状态下的冠层温度，℃。在本研究中，Twet为水分处理组T1的冠层温度，Tdry为水分处理组T4的冠层温度，Tc为水分处理组T2、T3的冠层温度。因此，本研究只计算水分处理组T2、T3的CWSI。

1.4 光谱数据处理

使用MAPIR软件对原始反射图像进行预处理，将MAPIR格式的图片转换为TIFF格式的灰度图。图2显示4个不同波长的原始光谱图像。

图2 不同波长下的原始光谱图像

使用ENVI5.1软件的ROI工具提取目标叶片的灰度值，每个波段的反射率i计算如下[15]：

式中i为波段（450、650、808、940 nm）的灰度值，d为标准板中黑板的灰度值，w为标准板中白板的灰度值。

归一化植被指数（Normalized Difference Vegetation Index，NDVI）、差值植被指数（Difference Vegetation Index，DVI）、再归一化差值植被指数（Re-Difference Vegetation Index，RDVI）和转换型土壤调整指数（Optimized Soil-Adjusted Vegetation Index，OSAVI）的计算公式如下[13,26]：

式中NIR是近红外波段的反射率，RED是红光波段的反射率，在本研究中，NIR、RED分别为808和650。

1.5 模型构建

SVR最早于1995年提出[33]，是一种有监督的机器学习算法，在回归和分类方面得到广泛应用。对于回归问题，给定= {(1,1), (2,2), ..., (x,y)}，SVR希望将每个样本（x,y)尽量拟合到模型中()T·，=1，2，...，。将()记作最优超平面，和分别决定了超平面的方向和位置，通过求到超平面的距离，引入松弛变量和惩罚系数求损失函数，SVR将最优超平面问题转化为最优化问题。

约束条件如公式（6）～（9）所示，最终支持向量回归模型如公式（11）所示。

基于气象因子构建冠层温度基线预测模型的数据集共有430个样本，训练集有301个样本，验证集有129个样本。基于植被指数构建冠层温度反演模型的数据集共有267个样本，在营养生长期，训练集有112个样本，验证集有48个样本，在生殖生长期，训练集有75个样本，验证集有32个样本。

1.6 模型评估

本研究采用误差分析评估验证集模型的精度，误差分析包括决定系数（Coefficient of determination，2）、均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）[13]，计算如下所示，2越高，RMSE越小，MAE越小，则模型的预测精度越高。

2 结果与分析

2.1 冠层温度的数据特征

在试验期间获取了菜心在不同土壤含水率条件下的冠层温度，4个水分处理组的冠层温度日变化如图3所示。由图3可以看出，T1组的冠层温度最低，T4组的冠层温度最高，T2组和T3组的冠层温度在T1组和T4组之间波动，这表明冠层温度随土壤含水量的减少而升高。当菜心进入生殖生长期，4个处理的冠层温度保持较为明显的差异，可能是在生殖生长期间，菜心的生理特征如光合作用速率、蒸腾作用速率变化趋于稳定。

图3 冠层温度日变化曲线

4个水分处理组的冠层温度分布特征如图5所示。由图4可知，T1组的冠层温度低于34 ℃，T2组和T3组的冠层温度范围在22～36 ℃之间，T4组的冠层温度大部分高于30 ℃。4个水分处理组的冠层温度波动范围较大，冠层温度最大值与最小值的差异平均值约为10 ℃，而数据集的变异大有利于测试反演模型的精度[15]。

图4 冠层温度的特征

2.2 冠层温度的光谱特征

对T2和T3水分处理，每个处理3个采样点的光谱数据取平均值，绘制不同生长期的菜心冠层光谱变化曲线，如图5所示。

图5 光谱反射率变化曲线

从图5中可以看出，T2和T3在不同生长期的菜心冠层反射率呈现了先略微下降后快速上升的趋势。同一生长期内，T3在4个波段的平均值比T2高，表明随着冠层温度的升高，叶片光谱反射率上升。随着菜心成熟，进入到生殖生长期后，叶片面积增大，在近红外波段的反射率明显上升。表3显示了在菜心两个生长期的植被指数变化。由表3可知，不同生长期的植被指数有差异，生殖生长期的植被指数变化范围小于营养生长期，因为在营养生长期间，菜心的叶片面积不断增加，生理活动较活跃，在生殖生长期间菜心趋于成熟状态，叶片面积达到最大值，表明植被指数能反映菜心的生长状态和植被覆盖度。

表3 植被指数的特征

注：NDVI为归一化植被指数；DVI为差值植被指数；RDVI为再归一化差值植被指数；OSAVI转换型土壤调整指数。

Note: NDVI is normalized difference vegetation index; DVI is difference vegetation index; RDVI is re-difference vegetation index; OSAVI is optimized soil-adjusted vegetation index.

2.3 基于气象因子的Twet和Tdry反演

以空气温度、相对湿度、风速和光合有效辐射为自变量，使用SVR构建wet和dry的反演模型，验证集预测值和测量值的对比结果如图6所示。结果表明使用气象参数反演wet和dry具有较好精度，2均大于0.75。但wet的反演模型精度高于dry，文献[7]指出dry与空气温度、光合有效辐射的相关性弱于wet，而且在生殖生长期，随着气象参数的变化，dry的变化趋于平缓，影响了反演的精度。由散点图可知，SVR反演较高的冠层温度时表现较差，这是因为该范围的数据量要小于较低冠层温度的数据量[14]，后续的研究应增加高温天气的数据集。

注：Twet为作物在无水分胁迫时或充分灌溉下的冠层温度，℃；Tdry为作物在无蒸腾作用、气孔关闭状态下的冠层温度，℃。R2为决定系数；RMSE为均方根误差；MAE为平均绝对误差。下同。

2.4 基于植被指数的冠层温度反演

以植被指数为自变量，使用SVR构建T2组和T3组冠层温度的反演模型，验证集预测值和测量值的对比结果如图7所示。结果表明使用植被指数反演菜心在两个生长期的冠层温度具有较好精度，决定系数均大于0.7，但营养生长期的反演模型精度高于生殖生长期，表明生殖生长期的植被指数与冠层温度相关性低于营养生长期。梁金晨[26]等分别利用RDVI和OSAVI建立水稻叶片温度的线性反演方程，决定系数分别为0.524和0.537，低于本研究；RMSE分别为2.495和2.463℃，明显高于本研究的RMSE。通过误差分析，模型决定系数在0.7以上，表明使用植被指数反演菜心的冠层温度具有可行性。

图7 冠层温度估算

2.5 基于反演值与预测值的CWSI计算

根据反演的结果和公式（1）计算T2组和T3组的CWSI，其与基于测量值的CWSI的关系如图8所示。

基于反演值计算的CWSI精度较高，2为0.70。实现CWSI上基线和下基线的预测和冠层温度的反演可以更快速地计算CWSI，缩短诊断灌溉所需的时长，因此两个模型的结合对提高CWSI的适用性、提高灌溉效率具有重要意义。

2.6 CWSI与气孔导度的关系

CWSI与气孔导度的关系如图9所示。T2组的CWSI变化范围为0.1～0.4，T3组的CWSI变化范围为0.4～0.8，CWSI越大，水分胁迫程度越深，而T3组的水分胁迫程度要明显高于T2组。结果表明，基于反演结果计算的CWSI与气孔导度是线性相关关系，2为0.53。

图8 基于反演值的CWSI与基于测量值的CWSI的对比

图9 CWSI与气孔导度的关系

由图9可知，随着CWSI增加，菜心的气孔导度表现为下降，表明CWSI与气孔导度为负相关的关系。气孔导度的检测属于有损检测，长期的有损检测将对菜心产量产生影响，通过探讨CWSI随气孔导度变化的规律，减少气孔导度的有损检测，并为下一步分析用于触发灌溉的CWSI阈值、实现快速精准灌溉提供参考依据[34]。

3 结 论

本文针对营养生长期和生殖生长期的菜心，测量了不同土壤含水率条件下的冠层温度，采集了空气温度、相对湿度、风速、光合有效辐射和光谱图像，利用支持向量回归（Support Vector Regression， SVR）建立了水分协迫指数（Crop Water Stress Index，CWSI）上、下基线和冠层温度的反演模型，研究结果如下：

1）同一生长期内，随着冠层温度的升高，叶片光谱反射率上升。随着菜心成熟，进入到生殖生长期后，叶片面积增大，在近红外、红外波段的反射率相较于营养生长期明显上升。

2）植被指数能反映菜心的生长状态和植被覆盖度。随着冠层温度的升高，归一化植被指数（Normalized Difference Vegetation Index，NDVI）、差值植被指数（Difference Vegetation Index，DVI）、再归一化差值植被指数（Re-Difference Vegetation Index，RDVI）上升，转换型土壤调整指数（Optimized Soil-Adjusted Vegetation Index，OSAVI）下降；生殖生长期的植被指数变化范围小于营养生长期。

3）使用空气温度、相对湿度、风速、光合有效辐射反演CWSI上、下基线具有可行性，决定系数均大于0.75。使用植被指数反演菜心在两个生长期的冠层温度具有较好精度，决定系数均大于0.7。

4）基于反演值计算的CWSI具有较高的精度，决定系数为0.70；CWSI与气孔导度是负相关的关系，决定系数为0.53。

[1] 卢宇鹏，夏岩石，温少波，等. 不同熟性菜心品质性状的多样性分析[J]. 广东农业科学，2020，47(5)：161-164.

Lu Yupeng, Xia Yanshi, Wen Shaobo, et al. Diversity of quality traits of Chinese flowering cabbage varieties with different maturity[J]. Guangdong Agricultural Sciences, 2020, 47(5): 161-164. (in Chinese with English abstract)

[2] 徐燕. 土壤水分胁迫对菜心生理生化指标及气孔发育的影响[D]. 广州：暨南大学，2010.

Xu Yan. Effects of Soil Water Stress on Physiology and Biochemistry and Stomatal Development in Brassica Chinensis[D]. Guangzhou: Jinan University, 2010. (in Chinese with English abstract)

[3] 李中赫，占车生，胡实，等. 气候变化条件下中国灌溉面积变化的产量效应[J]. 农业工程学报，2021，37(19)：94-104.

Li Zhonghe, Zhan Chesheng, Hu Shi, et al. Yield effects of irrigated acreage change under climate change in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(19): 94-104. (in Chinese with English abstract)

[4] 杨恒山，薛新伟，张瑞富，等. 灌溉方式对西辽河平原玉米产量及水分利用效率的影响[J]. 农业工程学报，2019，35(21)：69-77.

Yang Hengshan, Xue Xinwei, Zhang Ruifu, et al. Effects of irrigation methods on yield and water use efficiency of maize in the West Liaohe Plain[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(21): 69-77. (in Chinese with English abstract)

[5] Wu X, Shi J C, Zuo Q, et al. Parameterization of the water stress reduction function based on soil-plant water relations[J]. Irrigation Science, 2021, 39: 101-122.

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

[7] Yang M X, Gao P, Zhou P, et al. Simulating Canopy Temperature using a random forest model to calculate the crop water stress index of Chinese Brassica[J]. Agronomy, 2021, 11: 2244.

[8] Jamshidi S, Zand-Parsa S, Niyogi D. Assessing crop water stress index of citrus using in-situ measurements, landsat, and sentinel-2 data[J]. International Journal of Remote Sensing, 2021, 42(5): 1893-1916.

[9] 毋海梅，闫浩芳，张川，等. 温室滴灌黄瓜产量和水分利用效率对水分胁迫的响应[J]. 农业工程学报，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)

[10] García L, Parra L, Jimenez J M, et al. Deployment strategies of soil monitoring WSN for precision agriculture irrigation scheduling in rural areas[J]. Sensors, 2021, 21(5): 1-27.

[11] 张芮，王旺田，吴玉霞，等. 水分胁迫度及时期对设施延迟栽培葡萄耗水和产量的影响[J]. 农业工程学报，2017，33(1)：155-161.

Zhang Rui, Wang Wangtian, Wu Yuxia, et al. Effect of moisture stress level and stage on evapotranspiration and yield of grape under protected and delayed cultivation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(1): 155-161. (in Chinese with English abstract)

[12] Kumar N, Rustum R, Shankar V, et al. Self-organizing map estimator for the crop water stress index[J]. Computers and Electronics in Agriculture. 2021, 187, 106232.

[13] Kumar N, Adeloye A J, Shankar V, et al. Neural computing modelling of the crop water stress index[J]. Agricultural Water Management. 2020, 239: 106259.

[14] King B A, Tarkalson D D, Sharma V, et al. Thermal crop water stress index base line temperatures for sugarbeet in arid western U. S[J]. Agricultural Water Management, 2021, 243: 1-12.

[15] 王伟，彭彦昆，马伟，等. 冬小麦叶绿素含量高光谱检测技术[J]. 农业机械学报，2010，41(5)：172-177.

Wang Wei, Peng Yankun, Ma Wei, et al. Prediction of chlorophyll content of winter wheat using leaf-level hyperspectral data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(5): 172-177. (in Chinese with English abstract)

[16] 陈鹏，冯海宽，李长春，等. 无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量[J]. 农业工程学报，2019，35(11)：63-74.

Chen Peng, Feng Haikuan, Li Changchun, et al. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 63-74. (in Chinese with English abstract)

[17] 张鑫磊，刘连涛，孙红春，等. 不同施氮水平下棉花叶片最大羧化速率的高光谱估测[J]. 农业工程学报，2020，36(11)：166-173.

Zhang Xinlei, Liu Liantao, Sun Hongchun, et al. Hyperspectral estimation of the maximum carboxylation rate of cotton leaves under different nitrogen levels[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(11): 166-173. (in Chinese with English abstract)

[18] Gokhan C, Kursad D, Levent G. Use of infrared thermography and hyperspectral data to detect effects of water stress on pepper[J]. Quantitative InfraRed Thermography Journal, 2018, 15(1): 81-94.

[19] Neiff N, Dhliwayo T, Suarez A E, 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.

[20] Huang S, Tang L N, Joseph P H, et al. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing[J]. Journal of Forestry Research, 2021, 32: 1-6.

[21] Mohammed A N, Raj K, Louis L, et al. Using NDVI to differentiate wheat genotypes productivity under dryland and irrigated conditions[J]. Remote sensing, 2020, 12(5): 1-17.

[22] 许改平，吴兴波，刘芳，等. 高温胁迫下毛竹叶片色素含量与反射光谱的相关性[J]. 林业科学，2014，50(5)：41-48.

Xu Gaiping, Wu Xingbo, Liu Fang, et al. The correlation between the pigment content and reflectance spectrum in phyllostachys edulis leaves subjected to high temperature[J]. Scientia Silvae Sinicae, 2014, 50(5): 41-48. (in Chinese with English abstract)

[23] 程高峰. 高温胁迫下水稻生理及光谱特性的研究[D]. 镇江：江苏大学，2009.

Cheng Gaofeng. Study on the Physiological and Hyperspectral Characteristics of Rice Under High Temperature Stress[D]. Zhenjiang: Jiangsu University, 2009. (in Chinese with English abstract)

[24] Sagan V, Maimaitijiang M, Sidike P, et al. UAV-based high resolution thermal imaging for vegetation monitoring, and plant phenotyping using ICI 8640 P, FLIR Vue Pro R 640, and thermomap cameras[J]. Remote Sensing, 2019, 11(3): 1-29.

[25] Ihuoma S O, Madramootoo C A. Sensitivity of spectral vegetation indices for monitoring water stress in tomato plants[J]. Computers and Electronics in Agriculture, 2019, 163: 1-10.

[26] 梁金晨，江晓东，杨沈斌，等. 基于高光谱遥感数据的水稻叶温反演[J]. 南方农业学报，2020，51(1)：230-236.

Liang Jinchen, Jiang Xiaodong, Yang Shenbin, et al. Rice leaf temperature inversion based on hyperspectral remote sensing data[J]. Journal of Southern Agriculture, 2020, 51(1): 230-236. (in Chinese with English abstract)

[27] Gyamerah S A, Ngare P, Ikpe D. Probabilistic forecasting of crop yields via quantile random forest and Epanechnikov Kernel function[J]. Agriculture and Forest Meteorology, 2020, 280: 107808.

[28] 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.

[29] 徐敏，赵艳霞，张顾，等. 基于机器学习算法的冬小麦始花期预报方法[J]. 农业工程学报，2021，37(11)：162-171.

Xu Min, Zhao Yanxia, Zhang Gu, et al. Method for forecasting winter wheat first flowering stage based on machine learning algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11): 162-171. (in Chinese with English abstract)

[30] 谭丞轩. 基于无人机多光谱遥感的大田玉米土壤含水率估算模型研究[D]. 杨凌：西北农林科技大学，2020.

Tan Chengxuan. Research on the Estimation Model of Field Maize Soil Moisture Content Based on UAV Multispectral Remote Sensing[D]. Yangling: Northwest A&F University, 2020. (in Chinese with English abstract)

[31] Li X J, Du H Q, Mao F J, et al. Estimating bamboo forest aboveground biomass using EnKF-assimilated MODIS LAI spatiotemporal data and machine learning algorithms[J]. Agriculture and Forest Meteorology, 2018, 256: 445-457.

[32] 黄春燕，王登伟，肖莉娟，等. 不同水分条件下棉花光谱数据对冠层叶片温度的响应特征[J]. 棉花学报，2014，26(3)：244-251.

Huang Chunyan, Wang Dengwei, Xiao Lijuan, et al. The responsive characteristics between cotton canopy leaves temperature from infrared thermography and hyperspectral data under different water conditions[J]. Cotton Science, 2014, 26(3): 244-251. (in Chinese with English abstract)

[33] Corinna C, Vladimir V. Support vector networks[J]. Machine Learning, 1995, 20(3)：273-297.

[34] Osroosh Y, Troy Peters R, Campbell C S, et al. Automatic irrigation scheduling of apple trees using theoretical crop water stress index with an innovative dynamic threshold[J]. Computer and Electronic in Agriculture, 2015, 118: 193-203.

Inverting the water stress index of theusing multiple-spectral and meteorological parameters

Wang Weixing1,2, Yang Mingxin1, Gao Peng1, Xie Jiaxing1,2, Sun Daozong1,2, Cao Yapeng1, Luo Runmei1, Lan Yuyang1

(1.(),510642,; 2.,510642,)

Monitoring the Crop Water Stress Index (CWSI) is of great significance for the water status and irrigation in crop production. Taking theas the test object, this study aims to measure the canopy temperature under different soil moisture conditions. Some meteorological parameters were collected, including the air temperature, relative humidity, wind speed, and photosynthetic active radiation. Meanwhile, the images of spectral reflectance were also collected for the four bands (450, 650, 808, and 940nm). Four vegetation indexes were then calculated by the canopy spectral reflectance, including the Normalized Difference Vegetation Index (NDVI), Difference Vegetation Index (DVI), Re-Difference Vegetation Index (RDVI), and Optimized Soil-Adjusted Vegetation Index (OSAVI). Support Vector Regression (SVR) was selected to construct the inversion models of the CWSI upper/lower baseline using the meteorological parameters, and the inversion models of the canopy temperature using the vegetation index. The results showed that the canopy spectral reflectance at 450 and 650 nm for theranged from 0 to 0.1, while the relatively higher one at 808 and 940 nm ranged from 0.4 to 0.6. The reflectance at 808 and 940 nm increased outstandingly, when thewas developed gradually from the vegetative to reproductive growth stage. The vegetation index reflected the growth state and vegetation coverage of the. There was a different response of vegetation indexes to the canopy temperature. The vegetation NDVI, DVI and RDVI increased, while the vegetation OSAVI decreased with the increase of the canopy temperature of the. The vegetation index under the same water treatment was slightly different in the various growth stages. Specifically, the range of the vegetation index in the reproductive growth stage was smaller than that in the vegetative growth stage. The error analysis showed that the inversion models were feasible to monitor the air temperature, relative humidity, wind speed, and photosynthetic radiation, further invert the upper/lower baseline of CWSI with the determination coefficient greater than 0.75. In the light of the error analysis of the inversion models, the vegetation index was inverted the canopy temperature of thein the vegetative and reproductive growth stage, indicating an excellent accuracy with the determination coefficient greater than 0.7. The calculated CWSI using the inversion models presented a significant correlation with the using the measurement, while the determination coefficient was equal to 0.70. And the CWSI showed the negative relationship with the stomatal conductance with the determination coefficient equal to 0.53. The meteorological parameters were used to invert the upper/lower baseline of CWSI, where the vegetation indexes were used to invert the canopy temperature. The inverted values using the SVR model shared the better fitting performance. The finding can provide a strong support for the spectral monitoring of the crop water stress index of the.

water; temperature;; meteorological parameter; vegetation index; support vector regression

10.11975/j.issn.1002-6819.2022.06.018

S27

A

1002-6819(2022)-06-0157-08

王卫星，杨明欣，高鹏，等. 基于多光谱和气象参数的菜心水分胁迫指数反演[J]. 农业工程学报，2022，38(6)：157-164.doi：10.11975/j.issn.1002-6819.2022.06.018 http://www.tcsae.org

Wang Weixing, Yang Mingxin, Gao Peng, et al. Inverting the water stress index of theusing 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) doi：10.11975/j.issn.1002-6819.2022.06.018 http://www.tcsae.org

2021-12-25

2022-02-26

广东省重点领域研发计划（2019B020214003）；广东省乡村振兴战略专项省级组织实施项目（粤财农〔2021〕37 号）“广东省现代农业关键技术模式集成与示范推广”；广东省科技专项资金（“大专项+任务清单”）项目（2020020103）；广东省教育厅特色创新类项目（2019KTSCX013）；华南农业大学新农村发展研究院农业科技合作共建项目（2021XNYNYKJHZGJ032）

王卫星，教授，博士生导师，研究方向为农情信息获取与智慧农业。Email：weixin@scau.edu.cn