Research on influencing factors and model assessment of soil thermal conductivity
-
摘要:目的
通过对预测模型的评估，综合考虑各方面因素，使各模型在适用条件范围内扬长避短、发挥优势，简洁、快速、精确地获取土壤热导率的预测值，以实现复杂程度上的定量化研究。
方法对前人提出的16种土壤热导率模型的优势和劣势及应用条件、影响因素进行分析总结，将其中14种模型的预测数据与从文献中收集的实测数据进行比较，通过线性回归分析与均方根误差分析，实现模型评估。
结果含水率和石英含量对土壤热导率有很大影响，石英的热导率约为7.9 W·m-1·K-1，是所有土壤矿物中最高的，在湿润状态下的土壤热导率远高于干燥状态下的；常温下，Wiener的模型回归系数为0.133和2.208，模型决定系数为0.393和0.820，与其他模型相比偏差明显；而Geo-Mean模型显示出最低回归系数0.668，最高均方根误差0.598，模型的预测值与实测值偏差显著；Zhang等的模型、Chen的模型和Haigh的模型回归系数分别为0.994、0.919和0.891，均方根误差为0.280、0.315和0.394，表现出相对较高的预测精度；Lu等模型的回归系数为0.850，决定系数为0.976，土壤热导率的预测精度一般，而基于Lu等模型改进的苏李君等模型显示最高回归系数（0.997）和决定系数（0.980），表现出最优的性能。
结论在需要考虑土壤类型的情况下，推荐使用苏李君等的模型，该模型能够更加详细描述土壤物理基本参数对土壤热导率的影响。
Abstract:ObjectiveTo comprehensively consider various factors through evaluating prediction models, make full use of each model’s advantages and disadvantages within the scope of applicable conditions, play its advantages, acquire concise, fast and accurate prediction of soil thermal conductivity and realize quantitative research on its complexity degree.
MethodThe advantages, disadvantages, application conditions and influencing factors of the previous 16 soil thermal conductivity models are analyzed and summarized. The predicted data of 14 models are compared with their measured data collected from the literature. The model evaluation is realized through linear regression analysis and root mean square error analysis.
ResultSoil thermal conductivity is greatly affected by moisture content and quartz content. The thermal conductivity of quartz is about 7.9 W·m-1·K-1, which is the highest in all soil minerals. The thermal conductivity of soil in humid state is much higher than that in dry state.Under normal temperature condition, the regression coefficients of Wiener model are 0.133 and 2.208, and the decision coefficients are 0.393 and 0.820, which deviates significantly from other models; Geo-Mean model shows the lowest regression coefficient of 0.668 and the highest root mean square error of 0.598, the prediction values deviated significantly from the measured values; The regression coefficients of the models of Zhang et al, Chen and Haigh are 0.994, 0.919, 0.891 respectively, and the root mean square errors are 0.280, 0.315, 0.394 respectively, showing relatively high prediction accuracy.The regression coefficient of the model of Lu et al is 0.850, the determination coefficient is 0.976, the prediction accuracy of soil thermal conductivity is general, while the improved model of Su et al based on model of Lu et al shows the highest regression coefficient of 0.997, the highest determination coefficient of 0.980, showing the best performance.
ConclusionIn the case of soil texture, improved model of Lu et al is recommended. This model can describe the effects of basic parameters of soil physics on soil thermal conductivity in more detail.
-
Keywords:
- soil thermal conductivity /
- influencing factor /
- prediction model /
- model assessment
-
白叶枯是水稻生产中的三大传统细菌性病害(稻瘟病、白叶枯、纹枯病)之一，流行范围广，其发生流行会造成水稻10%~30%的减产，严重者减产90%以上[1-3]。近年来，随着无人机技术在农业生产领域的广泛应用，利用无人机搭载成像或非成像传感器组成的无人机遥感系统具有成本低、精准快速、非接触式等优点，在作物病虫害监测与识别方面显示出巨大潜力[4-6]。利用高分辨率RGB无人机获取可见光区域的真彩色图像，采用传统机器学习或深度学习方法提取图像的颜色、梯度、纹理、形状等视觉特征，构建模型可对植物疾病严重程度进行预测。Dehkordi等[7]研究发现根据绿、红、蓝光谱波段的不同组合可以鉴定小麦条锈病和叶锈病的感染等级；王震等[8]利用多旋翼无人机采集可见光图像，对水稻病害白穗图像提取Haar-like 特征，使用 Adaboosts 算法训练识别白穗，准确率达 93.62%；Wei等[9]基于无人机低空遥感图像，采用神经网络方法和机器学习方法监测水稻纹枯病的严重程度，效果较好； Dang等[10]利用无人机搭载
1200 万像素的RGB相机获取萝卜田图像，通过提取分割出的ROI图像的Lbp特征和Lab颜色特征构建Softmaxt分类器，获得令人满意的分类结果。随着光谱技术的发展，人们将多光谱技术应用于农作物病虫害识别，多光谱能反映除可见光以外的其他光谱段，应用在作物病虫害识别中准确率较高[11-14]。无人机多光谱遥感系统多使用约120万像素的多光谱相机，相比千万级像素的RGB成像系统，分辨率较低[15-16]，许多研究人员采用高分辨率RGB图像辅助多光谱图像的方法识别作物疾病[17-19]。通过高分辨率图像与无人机图像结合，可以弥补分辨率不足的问题，实现作物病虫害更准确的监测效果。然而，不同飞行高度对无人机遥感系统影像的处理及识别影响较大。飞行高度越低，图像分辨率越高，获得的稻田图像越多，对图像进行初始化、辐射校正、特征点匹配等处理量也越大，虽然精度较高但处理速度较慢，效率低下。飞行高度越高，图像分辨率越低，获得的待处理稻田图像越少，处理速度较快，但是大量重要信息捕获不到，识别精度降低[20-22]。以上研究基本都没有说明无人机飞行高度的选择依据，也没有提及无人机不同飞行高度对监测结果的影响。
综上，为了实现根据水稻白叶枯感染等级从而进行农药精准喷施，及确定无人机的最佳飞行高度。本文通过装备高分辨率RGB的无人机获取受白叶枯胁迫的水稻冠层高分辨率图像，通过提取颜色和纹理特征构建白叶枯感染等级预测模型。基于高分辨率RGB遥感图像，进一步构建不同地面分辨率(Ground sampling distances，GSD)的白叶枯回归模型，以期为无人机可见光及多光谱遥感监测田间水稻白叶枯提供理论依据。
1. 材料与方法
1.1 试验地
试验点位于广东省广州市增城区朱村街的试验田(23°17′33″N，113°49′45″W)，南亚热带海洋性季风气候，气候温和，日照充足，雨量充沛，年均日照量
1906 h，年降雨量1800 mm。以自然条件下感染了白叶枯的水稻为研究对象，水稻品种为‘丝苗’，于4月初移栽到试验田，8月上旬收获。1.2 冠层数据获取
本文使用的无人机低空遥感系统由 DJI Mavic 3T(DJI Company, 深圳)搭载可见光传感器组成。试验于2023年6月展开，无人机飞行高度为5 m，速度为1.6 m/s，于当地时间10:00—16:00，针对水稻试验田的白叶枯感染区进行成像操作。其中，可见光传感器尺寸为1/2 英寸，分辨率为
4000 ×3000 ，焦距为29.9 mm，以JPG 24 bit格式记录，无损压缩方式存储。1.3 数据处理与分析
1.3.1 数据处理
双边滤波可以在去除噪音的同时保留图像的细节和边缘信息。对获取的无人机图像进行裁剪、双边滤波等预处理后，获得覆盖面积约为50 cm×50 cm的子图像，并通过重采样将图片像素尺寸缩放到500×500的图像，总共获得92张GSD为0.1 cm的图像。RGB色彩空间中3个分量相关性较高，不利于白叶枯信息的提取，多通过转换成HSV空间或者Lab颜色空间提取感染信息。色彩空间变换可以改善图像信息，更有利于发现作物生长发育的异常，尤其在作物病虫害的识别与监测方面[23]。本文将RGB图像转换为Lab颜色空间，采用自适应阈值法对L分量进行二值化，将获得的二值图像分为感染和未感染区域。参考文献[18]中对棉花叶片枯萎病的感染级别划分方法，并综合考虑水稻叶片及白叶枯疾病的特点，对水稻白叶枯感染等级进行划分：健康(感染率为0)、轻微感染(0<感染率≤5%)、中度感染(5<感染率≤10%)、严重感染(感染率>10%)。最后提取图像颜色和纹理特征构建回归模型，并对模型进行评估。
1.3.2 特征提取
本文选择2类图像特征监测水稻白叶枯。首先，将RGB图像转换成HSV颜色空间，提取水稻白叶枯图像的一阶矩阵和二阶矩阵作为颜色特征，计算公式见式(1)~(6)。
$$ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}}=\dfrac{1}{N}{\displaystyle\sum} _{P=1}^{N}{{\boldsymbol{H}}}_{{\boldsymbol{P}}}\text{，} $$ (1) $$ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}}=\dfrac{1}{N}\displaystyle\sum\nolimits _{P=1}^{N}{{\boldsymbol{S}}}_{{\boldsymbol{P}}} \text{，} $$ (2) $$ {{\boldsymbol{\mu}} }_{{\boldsymbol{V}}}=\dfrac{1}{N}{\displaystyle\sum} _{P=1}^{N}{{\boldsymbol{V}}}_{{\boldsymbol{P}}} \text{，} $$ (3) $$ {{{\boldsymbol{\delta}} }_{{\boldsymbol{H}}}}=\Bigg[\dfrac{1}{N}{\displaystyle\sum} _{P-1}^{N}{({\boldsymbol{H}}}_{{\boldsymbol{P}}}-{{\boldsymbol{\mu}} }_{{\boldsymbol{H}}}{)}^{2}\Bigg]^{1/2} \text{，} $$ (4) $$ {{\boldsymbol{\delta}} }_{{\boldsymbol{S}}}=\Bigg[\dfrac{1}{N}{\displaystyle\sum} _{P-1}^{N}{({\boldsymbol{H}}}_{{\boldsymbol{P}}}-{{\boldsymbol{\mu}} }_{{\boldsymbol{H}}}{)}^{2}\Bigg]^{1/2} \text{，} $$ (5) $$ {{\boldsymbol{\delta}} }_{{\boldsymbol{V}}}=\Bigg[\dfrac{1}{N}{\displaystyle\sum} _{P-1}^{N}{({\boldsymbol{H}}}_{{\boldsymbol{P}}}-{{\boldsymbol{\mu}} }_{{\boldsymbol{H}}}{)}^{2}\Bigg]^{1/2} \text{，} $$ (6) 式中，
$ {{\boldsymbol{H}}}_{{\boldsymbol{P}}} $ 、$ {{\boldsymbol{S}}}_{{\boldsymbol{P}}} $ 、$ {{\boldsymbol{V}}}_{{\boldsymbol{P}}} $ 分别表示图像H、S、V颜色分量，$ {\boldsymbol{\mu}} $ 表示HSV各分量的一阶矩阵，$ {\boldsymbol{\delta}} $ 表示HSV各分量的二阶矩阵。提取到的水稻白叶枯图像H、S、V一阶矩阵、二阶矩阵结果如表1所示。表 1 水稻白叶枯HSV颜色特征参数1)Table 1. HSV color features parameters of rice bacterial blight叶片感染等级
Infection level of rice leaves$ {{\boldsymbol{H}}}_{{\boldsymbol{P}}} $ $ {{\boldsymbol{S}}}_{{\boldsymbol{P}}} $ $ {{\boldsymbol{V}}}_{{\boldsymbol{P}}} $ $ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ $ {{\boldsymbol{\delta}} }_{{\boldsymbol{H}}} $ $ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ $ {{\boldsymbol{\delta}} }_{{\boldsymbol{S}}} $ $ {{\boldsymbol{\mu}} }_{{\boldsymbol{V}}} $ $ {{\boldsymbol{\delta}} }_{{\boldsymbol{V}}} $ 健康 Healthy 44.33 1110.57 129.16 8109.449 95.41 7645.89 轻微 Slight 41.73 1241.46 139.03 9516.93 83.03 7882.55 中度 Moderate 40.59 1164.32 143.80 9241.22 88.44 8289.44 严重 Serious 39.62 1166.58 148.84 9263.31 89.82 8817.79 1) $ {{\boldsymbol{H}}}_{{\boldsymbol{P}}} $、$ {{\boldsymbol{S}}}_{{\boldsymbol{P}}} $、$ {{\boldsymbol{V}}}_{{\boldsymbol{P}}} $分别表示图像H、S、V颜色分量；$ {\boldsymbol{\mu}} $表示HSV各分量的一阶矩阵；$ {\boldsymbol{\delta}} $表示HSV各分量的二阶矩阵。
1) $ {{\boldsymbol{H}}}_{{\boldsymbol{P}}} $, $ {{\boldsymbol{S}}}_{{\boldsymbol{P}}} $ and $ {{\boldsymbol{V}}}_{{\boldsymbol{P}}} $ represent the color components H, S, and V of the image, respectively; μ represents the first-order moment of each HSV component, and δ represents the second-order moment of each HSV component.其次，根据灰度共生矩阵(Gray-level co-occurrence matrix, GLCM)，从图像R、G、B 3个分量中分别提取对比度(Contrast，CON)、自相关(Correlation，COR)、能量 (Energy，EN) 以及同质性(Homogeneity，HO)4个纹理特征，总共12个特征。CON 能反映出图像的灰度分布均匀程度和纹理粗细度，COR 能反映出矩阵元素在行或列方向上的相似程度，EN为矩阵中所有元素的平方和，HO表示矩阵元素相对于对角线分布的紧密度。GLCM 的参数采用3个不同距离1、2、3和4个不同角度0、
$ {\text{π}}/4 $ 、$ {\text{π}}/2 $ 、3$ {\text{π}}/4 $ ，最后总共获得144个纹理特征。提取的144个纹理特征为CON_R(ij)、CON_G(ij)、CON_B(ij)、COR_R(ij)、COR_G(ij)、COR_B(ij)、EN_R(ij)、EN_G(ij)、EN_B(ij)、HO_R(ij)、HO_G(ij)、HO_B(ij)。其中，CON、COR、EN、HO分别后缀R、G、B，表示不同颜色通道的不同特征；i为1~3；j表示1~4；ij表示不同距离和角度的组合。1.3.3 特征选择
根据“1.3.2”可获得6个颜色特征和144个纹理特征。通过降维去除纹理特征中的冗余信息，提取出对白叶枯较敏感的纹理特征，减少数据的存储和处理量，进而降低模型的复杂度，提升模型性能。降维方法采用随机森林(Random forest，RF)和自动编码器(Autoencoder，AE)2种方法，最终提取5个纹理特征。RF是一种基于决策树的集成学习方法，从多个决策树模型中选取一个最佳模型进行预测。RF可以评估每个特征对模型的重要性，在数据维度较高时，可以通过特征数据对模型的重要性筛选出较为重要的特征。AE是一种无监督学习的神经网络模型，用于实现数据的降维和特征提取。AE主要包括编码器和解码器2个部分。编码器通过多个隐藏层和激活函数来实现非线性变换，将输入特征数据映射到潜在空间非线性变换，将输入特征数据映射到潜在空间的低维表示。解码器则将低维表示映射回原始输入的重构，其结构与编码器相似[10, 24-25]。本文根据RF获得纹理特征之间的相互作用，确定每个特征对模型的重要程度，筛选出较重要的特征。进一步通过AE将这些特征映射到低维空间中，以减少特征数量和计算成本。通过RF选出34个重要性大于0.01的纹理特征，然后通过AE降维后，获得5个对白叶枯较为敏感的纹理特征作为模型输入。
1.3.4 模型建立与评估
本文利用颜色和纹理特征对水稻白叶枯进行监测，探究了不同特征对白叶枯监测的重要性，并建立白叶枯感染不同等级评估模型。将上节中的特征作为自变量(X)，水稻白叶枯的感染率作为因变量(
$ \gamma $ )，构建多元回归模型，公式如下所示：$$ \gamma ={\beta }_{0}+{\beta }_{1}{X}_{1}+{\beta }_{2}{X}_{2}+{\beta }_{3}{X}_{3}+...+{\beta }_{n}{X}_{n} \text{，} $$ (7) 式中，
$ {\beta }_{0} $ 为截距，$ {\beta }_{i} $ 和$ {X}_{i} $ (i=0，1，2，...，n)分别是斜率系数和自变量。为了建立稳定的白叶枯评估模型，以决定系数(R2)、均方根误差(Root mean square error，RMSE)和相对均方根误差(Relative RMSE，RRMSE)为参数对模型精度进行评估，相关计算公式如下所示。$$ {R}^{2}=1-\dfrac{{\displaystyle\sum} _{i=1}^{n}{({y}_{i}-{y}_{i}')}^{2}}{{\displaystyle\sum} _{i=1}^{n}{({y}_{i}-\bar {{y}_{i}})}^{2}} \text{，} $$ (8) $$ {\mathrm{RMSE}}=\sqrt{\dfrac{1}{n}{\displaystyle\sum} _{i=1}^{n}{({y}_{i}-{y}_{i}')}^{2}} \text{，} $$ (9) $$ {\mathrm{RRMSE}}=\dfrac{{\mathrm{RMSE}}}{\bar {{y}_{i}}}\times 100{\text{%}} \text{，} $$ (10) 式中，
$ {y}_{i} $ 、$ {y}_{i}' $ 、$ \bar {{y}_{i}} $ 分别表示真实的、预测的以及平均测量的白叶枯感染等级，n是样本数。2. 结果与分析
2.1 白叶枯感染等级
自适应阈值法是数字图像处理中的一种二值化方法，可以自动找到最佳的阈值，从而使得将原始图像转换成二值图像后，将目标区域的像素点尽可能地保留，而背景区域的像素点尽可能地过滤掉。本文将图像转换为Lab色彩空间，采用自适应阈值法获得叶片与病害的mask图像，通过与原始图像相乘获得去背景图像。对去背景图片进行分割获得感染白叶枯叶片的二值图像，将像素分为感染像素(白色区域)和未感染像素(黑色区域)，流程图如图1所示。将白叶枯感染像素占总像素的比例作为感染率，将病害严重程度分为健康、轻微、中度、严重共4个等级，如图2所示。
统计所有图像中白叶枯感染率，将92张图像根据感染等级分为4组，其中，健康组包含12张图片，轻度组包含27张图片，中度组包含28张图片，重度组包含25张图片。将其按照2∶1的数量比例划分成训练集和验证集，分别包含图像60、32张图片。
2.2 白叶枯感染等级预测模型
2.2.1 颜色特征模型
数据集划分成训练集和测试集，包含健康、轻度、中度、重度组，其样本数分别为8、18、18、16，总共60个样本。采用皮尔逊相关性分析法获得感染率与颜色特征的相关系数和显著性。测得多重相关系数约为 0.97，表示自变量与因变量之间存在较强的线性相关性；R2为 0.93，说明模型可以解释因变量约 93% 的变异性，回归方程对数据的拟合程度较高。
通过皮尔逊相关性分析得到白叶枯的感染率与颜色特征
$ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ 、$ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ 、$ {{\boldsymbol{\delta}} }_{{\boldsymbol{H}}} $ 、$ {{\boldsymbol{\delta}} }_{{\boldsymbol{V}}} $ 的相关性P<0.001，说明显著相关，选取这几个特征作为白叶枯感染率的敏感特征，建立回归模型。使用验证集中28个白叶枯感染图像对模型的预测精度进行验证，得到的R2、RMSE和RRMSE分别为86.12%、1.42和15.1%。使用$ {{{X}}}_{1} $ 、$ {X}_{2} $ 、$ {X}_{6} $ ，即$ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ 、$ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ 、$ {{\boldsymbol{\delta}} }_{{\boldsymbol{V}}} $ 作为自变量，多元回归模型如方程(11)所示，得到的R2、RMSE和RRMSE分别为85.9%、1.43和19.1%，与$ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ 、$ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ 、$ {{\boldsymbol{\delta}} }_{{\boldsymbol{H}}} $ 、$ {{\boldsymbol{\delta}}}_{{\boldsymbol{V}}} $ 作为自变量时的结果相差不大，此时白叶枯感染率的测量值与预测值的拟合结果如图3a所示。![]()
图 3 基于颜色特征(a)、纹理特征(b)和两者融合(c)的白叶枯感染率预测模型精度检验Figure 3. Accuracy evaluation of prediction model of bacterial blight infection rate based on color features (a), texture features (b) and their fusion (c)$$\begin{split} Y= & -20.437\;9-0.637\;77{X}_{1}+0.165\;06{X}_{2}+ \\ & 0.003\;66{X}_{6} 。 \end{split} $$ (11) 2.2.2 纹理特征模型
采用皮尔逊相关性分析法获得感染率与纹理特征的相关系数和显著性。测得多重相关系数约为 0.95，表示自变量与因变量之间存在较强的线性相关性；R2为 0.90，说明模型可以解释因变量约 90% 的变异性，表明回归方程对数据的拟合程度很高。通过皮尔逊相关性分析得到白叶枯的感染率与5个纹理特征的相关性P<0.001，说明显著相关，将5个纹理特征作为自变量，建立回归模型。
$$ \begin{split} Y=& -7.928-0.018\;42{X}_{1}+0.022\;75{X}_{2}-0.012\;22{X}_{3}+\\ & 0.007\;43{X}_{4}-0.011\;94{X}_{5} 。 \end{split} $$ (12) 使用验证集中28个白叶枯感染图像对模型的预测精度进行验证，得到的R2、RMSE和RRMSE分别为83.5%、1.02和14.45%，拟合结果如图3b所示。
2.2.3 颜色和纹理特征融合模型
已知无人机图像的颜色特征
${{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ 、${{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ 、${{\boldsymbol{\delta}} }_{{\boldsymbol{V}}} $ 和5个纹理特征对水稻白叶枯感染等级较为敏感，选取3个颜色特征和5个纹理特征，构建特征与白叶枯感染等级间的多元回归模型，测得多重相关系数和R2分别为 0.977和0.954，拟合程度较高，回归模型如式(13)所示。使用验证集中28个白叶枯感染图像对模型的预测精度进行验证，得到的R2、RMSE和RRMSE分别为89.6%、1.06和15.1%，拟合结果如图3c所示。$$\begin{split} Y=& -23.48-0.417\;8{X}_{1}+0.134\;2{X}_{2}+0.002\;8{X}_{3}-\\ & 0.003\;4{X}_{4}+0.005\;4{X}_{5}-0.008\;6{X}_{6}+\\ & 0.005\;5{X}_{7}-0.004\;4{X}_{8} 。 \end{split} $$ (13) 2.3 模型结果及分析
上述3个回归模型的结果证明了HSV颜色空间的一阶矩阵和二阶矩阵特征与水稻白叶枯为害等级相关，通过
$ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ 、$ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ 和$ {{\boldsymbol{\delta}} }_{{\boldsymbol{V}}} $ 3个颜色特征能实现白叶枯的准确预测(R2=0.859，RMSE=1.43，RRMSE=19.1%)。与基于颜色特征的预测相比，基于灰度共生矩阵获得纹理特征的预测(R2=0.835，RMSE=1.02，RRMSE=14.14%)的R2减少2.4个百分点，准确率有所下降。然而，无论是仅使用颜色特征还是纹理特征都能获得较令人满意的预测结果。基于颜色和纹理特征融合的预测(R2=0.896，RMSE=1.06，RRMSE=15.1%)与仅颜色特征的预测相比，R2提高了3.7个百分点，RMSE降低了0.37，RRMSE减少了4.0个百分点；与仅纹理特征的预测相比，R2提高了6.1个百分点，预测精度有较大的提升。这些结果说明基于无人机低空遥感图像的颜色和纹理特征监测水稻白叶枯具有巨大潜力。2.4 不同分辨率模型构建及分析
要实现稻田快速无损的检测，需要对无人机的飞行高度进行合理设置，不合理的飞行高度不仅会增加后续无人机遥感数据处理的工作量，还会严重影响识别效率和准确度。为了解决这个问题，将“1.3.1”预处理后的图像(GSD为0.1 cm)重采样至GSD分别为0.2、0.5、0.8、1.0 cm，图像大小依然调整为500×500，重采样后的部分图像样本如图4所示。根据得到的对白叶枯较敏感特征，提取不同GSD图像颜色和纹理特征，分别构建颜色特征、纹理特征、颜色和纹理特征融合的白叶枯预测模型，结果如表2所示。由表2可知基于颜色特征的白叶枯感染等级模型的整体预测精度高于基于纹理特征的，2种特征相融合的预测模型比单一种类特征的精度更高。颜色、纹理以及融合特征3种模型预测精度随着GSD的增加，呈先增后减趋势。GSD不大于0.8 cm时，能得到较好的预测结果，特别是在GSD为0.2 cm时，与0.1 cm相比有所提升，可能高分辨率图像包含大量冗余信息和噪音，重采样GSD至0.2 cm后改善了图像质量，从而提高了预测精度。当图像重采样GSD至0.5和0.8 cm后，图像中的部分信息丢失，预测精度有所下降，但是基本都在80%以上，结果依然令人满意。重采样GSD至1.0 cm后，信息大量丢失，颜色特征、纹理特征和2种特征融合3种模型预测精度分别为74.0%，68.8%和73.8%，精度较低，RRMSE甚至达到62%。
![]()
图 4 不同GSD条件下白叶枯4个感染等级样本Figure 4. Samples of four infection levels in rice bacterial blight under different GSD conditions表 2 不同GSD条件下白叶枯感染等级预测精度Table 2. Prediction accuracy of bacterial blight infection levels under different GSD conditions特征
Feature地面分辨率/cm
GSD决定系数/%
R2均方根误差
RMSE相对均方根误差/%
RRMSE颜色
Color0.1 85.9 1.43 19.1 0.2 88.1 1.19 18.6 0.5 85.8 0.86 25.9 0.8 80.9 0.51 28 1.0 74.0 0.43 62.0 纹理
Texture0.1 83.5 1.02 14.5 0.2 84.6 0.93 13.2 0.5 82.4 0.67 19.1 0.8 74.6 0.17 12.1 1.0 68.8 0.15 22.6 颜色和纹理融合
Fusion of color and texture0.1 89.6 1.06 15.1 0.2 91.9 1.15 14.7 0.5 86.6 0.32 10.1 0.8 84.9 0.98 41.7 1.0 73.8 0.12 23.1 以上试验结果说明，在使用无人机搭载RGB相机尤其是多光谱相机快速监测整个稻田的白叶枯流行状况时，可设置无人机在合适的高度获得图像GSD为0.8 cm的图像进行数字正射影像图(Digital orthophoto map，DOM)的构建，提取图像颜色纹理2种特征融合后构建多元回归模型对白叶枯的感染等级进行预测，预测精度可达80%以上；如果能够融合多光谱中除R、G、B的其他波段以及一些常用的植被指数，将会获得更高的预测精度。以本文所用无人机遥感系统为例，根据以上研究计算出DJI Mavic 3T监测水稻白叶枯时较佳的飞行高度为23 m。
3. 白叶枯感染等级分布
为了验证前面试验结果对于稻田白叶枯的快速无损检测的可行性，根据“2.4”获得的白叶枯敏感特征以及最佳地面分辨率，对水稻田块进行区域尺度的白叶枯感染等级监测。无人机飞行高度设为22 m，焦距为4.4 mm，获得地面分辨率约为0.8 cm的高分辨率图像。对图像进行裁剪，去除背景(裸地)等预处理后，获得尺寸为
2600 ×1900 的图像。对预处理后的图像划分成尺寸为100×100的栅格，并根据栅格将图像裁剪为100×100的子图像，共获得子图像494张。构建白叶枯感染回归模型，获得子图像中白叶枯感染率，进而推断出子图像感染严重程度，最终获得整个区域水稻白叶枯的分布结果(图5)。由图5可知，在整个区域中，22.9%的区域为无感染区域，37.4%的区域为轻度感染区域，21.1%的区域为中度感染区域，18.6%的区域为严重感染区域。由图5可知，严重感染区域主要分布在裸地较多的区域，此时白叶枯感染严重已造成水稻植株枯萎。中度感染区域分布在严重感染区域周围，符合白叶枯从点到面的感染规律。结果说明通过多元回归模型可以实现区域尺度的白叶枯感染预测。
![]()
图 5 区域尺度水稻白叶枯感染等级分布Figure 5. Regional scale distribution of rice bacterial blight infection levels4. 结论
本文通过利用高分辨率RGB无人机获取白叶枯胁迫的水稻冠层高分辨率图像，通过提取颜色特征和纹理特征构建白叶枯感染等级模型，实现对白叶枯感染等级的预测。通过构建不同GSD的白叶枯监测模型，对合适的GSD进行探究。结论如下：
从无人机高分辨率图像中提取的颜色特征和纹理特征对水稻白叶枯病感染等级的预测都能取得到较好的效果。基于颜色特征的监测模型的R2、RMSE、RRMSE分别为85.9%、1.43、19.1%，R2比基于纹理特征的模型高出2.4个百分点，RRMSE高了4.6个百分点。基于颜色和纹理特征融合的预测模型(R2=0.896，RMSE=1.06，RRMSE=15.1%)与仅颜色特征的预测模型相比，
$ {R}^{2} $ 提高了3.7个百分点，RMSE降低了0.37，RRMSE减少了4.0个百分点；与仅纹理特征的预测模型相比，R2提高了6.1个百分点，预测精度有较大的提升。将图像进行重采样，得到GSD分别为0.2、0.5、0.8、1.0 cm的水稻冠层图像，对不同GSD的图像提取颜色和纹理特征，分别构建单一种类特征模型和2类特征融合模型，发现当GSD为0.2、0.5或0.8 cm时，模型精度与直接提取特征构建的模型精度相差不大，R2均在80%以上，当GSD为1.0 cm时，模型精度大幅下降，不能对水稻白叶枯进行准确监测。
基于无人机低空遥感图像的颜色和纹理特征监测水稻白叶枯具有巨大潜力；利用无人机遥感监测水稻白叶枯时，可根据最佳GSD以及所搭载传感器型号，获得适宜的无人机飞行高度，研究可为无人机遥感系统快速监测水稻田白叶枯提供依据。
-
![]()
图 1 不同饱和度(Sr)下各模型的热导率(λ)预测值
Figure 1. Thermal conductivity (
λ) prediction values of different models under different saturation degrees(Sr) ![]()
图 2 土壤热导率(λ)预测值与实测值比较
Figure 2. Comparisons between predicted values and measured values of thermal conductivity (λ)
表 1 土壤热导率(λ)预测模型的比较
Table 1 A comparison of the predictive models for soil thermal conductivity
模型类型
Model type模型来源或名称
Model source
or name模型表达式
Model expression参数含义
Parameter meaning模型建立基础
Model building foundation优势
Advantage劣势
Disadvantage适用性
Applicability理论模型
Theoretical modelWiener[3] $\lambda = \lambda _{{{\rm{W}}}}^{{{\rm{L}}}} = {\left[ {\sum {\frac{{{{{V}}_\alpha }}}{{{\lambda _\alpha }}}} } \right]^{ - 1}}$，
$\lambda = \lambda _{{{\rm{W}}}}^{{{\rm{U}}}} = \sum {{{{V}}_\alpha }{\lambda _\alpha }} $${{{V}}_\alpha }$和 ${\lambda _\alpha }$分别为 $\alpha $相的体积分数和热导率， $\lambda _{{W}}^{{L}}$和 $\lambda _{{W}}^{{U}}$分别表示Wiener模型热导率的下限和上限 基于串联模型和并联模型经典混合定律 2个极限热导率的量化 不适用于土壤 多孔介质 De Vries[4] $\lambda = {{\sum\limits_{i = 0}^N {{K_i}{\varphi _i}{\lambda _i}} }}\Bigg/{{\sum\limits_{i = 0}^N {{K_i}{\varphi _i}} }}$ ${\lambda _{{i}}}$为第i种土壤成分的热导率， ${\varphi _{{i}}}$为第i种成分的体积分数， ${K_i}$为土壤中各成分平均热梯度与连续介质的平均热梯度之比，N为土壤成分种类 假设土壤固体颗粒在连续孔隙流体均匀分布 预测精度高 公式复杂，参数难以确定 全部土壤 Geo-Mean模型[5] $\lambda = \lambda _{\rm{s}}^{1 - {{n}}}\lambda _{\rm{w}}^{{n{{S}}_{{{\rm{r}}}}} }\lambda _{\rm{a}}^{n\left( {1 - {{{S}}_{{{\rm{r}}}}}} \right) {{}}}$ ${\lambda _{\rm{s}}}$、 ${\lambda _{\rm{w}}}$和 ${\lambda _{\rm{a}}}$分别为固相、水和空气的热导率，Sr为土壤饱和度，n为土壤孔隙度 一种预测土壤热导率的几何平均方法 公式简单 预测精度低 全部土壤 Tong等[6] $\lambda = {\eta _1}\left( {1 - n } \right){\lambda _{\rm{s} } } + \left( {1 - {\eta _2} } \right){\left[ {1 - {\eta _1}\left( {1 - n } \right)} \right]^2}\times$ ${\left[ {\dfrac{ {\left( {1 - n } \right)\left( {1 - {\eta _1} } \right)} }{ { {\lambda _{\rm{s}}} } } + \dfrac{ { n{ {\rm{S} }_{\rm{r} } } } }{ { {\lambda _{\rm{w}}} } } + \dfrac{ { n\left( {1 - { {\rm{S} }_{\rm{r} } } } \right)} }{ { {\lambda _{\rm{a}}} } } } \right]^{ - 1} }+$ ${\eta _2}\left[ {\left( {1 - n } \right)\left( {1 - {\eta _1} } \right){\lambda _{\rm{s}}} + n{ {\rm{S} }_{\rm{r} } }{\lambda _{\rm{w}}} + n\left( {1 - { {\rm{S} }_{\rm{r} } } } \right){\lambda _{\rm{a}}} } \right]$ ${\eta _1}$为描述固体和气体混合物孔隙结构特征的参数， ${\eta _2}$为孔隙结构、饱和度和温度的函数 考虑到含水率、孔隙率、饱和度、温度和压力对多相多孔介质热导率的影响 综合考虑多种影响因素 公式复杂，参数难以确定 多孔介质 Haigh[7] $\dfrac{\lambda }{ { {\lambda _{\rm{s}}} } } = 2{\left( {1 + \xi } \right)^2}\left\{ {\dfrac{ { {\alpha _{\rm{w} } } }}{ { { {\left( {1 - {\alpha _{\rm{w} } } } \right)}^2} } } } \right.$ $\ln \left[ {\dfrac{ { {1 + \xi } + \left( { {\alpha _{\rm{w} } } - 1} \right){ {\rm{S} }_{\rm{r} } } }}{ {\xi + {\alpha _{\rm{w} } } } } } \right] +$ $\left. { \dfrac{ { {\alpha _{\rm{a} } } } }{ { { {\left( {1 - {\alpha _{\rm{a} } } } \right)}^2} } }\ln \left[ {\dfrac{ { {1 + \xi } } }{ { {1 + \xi } + \left( { {\alpha _{\rm{a} } } - 1} \right){ {\rm{S} }_{\rm{r} } } } } } \right]} \right\} + $ $\dfrac{ {2\left( {1 + \xi } \right)} }{ {\left( {1 - {\alpha _{\rm{w} } } } \right)\left( {1 - {\alpha _{\rm{a} } } } \right)} }\times$ $\left[ {\beta \left( { {\alpha _{\rm{w} } } - {\alpha _{\rm{a} } } } \right){ {\rm{S} }_{\rm{r} } } - \left( {1 - {\alpha _{\rm{a} } } } \right){\alpha _{\rm{w} } } } \right]$
${\alpha _{\rm{w}}}=$ ${\lambda _{\rm{w}}}/{\lambda _{\rm{s}}}$， ${\alpha _{\rm{a}}}$= ${\lambda _{\rm{a}}}/{\lambda _{\rm{s}}}$， $\xi $和 $\beta $分别为水膜厚度和宽度 从三相土壤接触单元推导出砂子理论导热率模型 公式简单，预测精度高 适用范围有限 砂土 经验模型
ExperiencemodelKersten[8] $\lambda = 0.144\;2[ { { {\log }_{ {w} } }0.9 - } {0.2} ] \times {10^{0.624\;3{\gamma _{ { {\rm{d} } } } } } } ,$
$\lambda = 0.144\;2[ {{{\log }_{{w}}}0.7 +} { 0.4} ] \times {10^{0.624\;3{\gamma _{{{\rm{d}}}}}}} $
\$$w$为土壤含水率， ${\gamma _{\rm{d}}}$是土壤的干容重 通过曲线拟合建立模型 公式简单 忽略石英含量影响 全部土壤 Johansen[5] $\lambda = \left( {\lambda _{\rm{w} }^{ {n} }\lambda _{\rm{s} }^{1 - { {n} } } - \dfrac{ {0.137{\rho _{ { {\rm{d} } } } } + 64.7} }{ {2\;650 - 0.947{\rho _{ { {\rm{d} } } } } } } } \right){\kappa _{ {{\rm{r}}} } } +$ $\dfrac{ {0.137{\rho _{ { {\rm{d} } } }} + 64.7} }{ {2\;650 - 0.947{\rho _{ { {\rm{d} } } } } } }$ κr为归一化导热系数， ${\rho _{\rm{d}}}$为土壤的干密度 提出“归一化导热系数”建立新经验导热模型 归一化热导率概念和相对较高的预测精度 土壤类型对κr-Sr关系未知 全部土壤 
下载: 导出CSV
续表 1 Continued table 1 模型类型
Model type模型来源或名称
Model source
or name模型表达式
Model expression参数含义
Parameter meaning模型建立基础
Model building foundation优势
Advantage劣势
Disadvantage适用性
ApplicabilityCote 等[9] $\lambda = \left( {\lambda _{\rm{w}}^n\lambda _{\rm{s}}^{1 - n } - \chi { {10}^{ - \eta n } }} \right)\left[ {\dfrac{ { k{ S_{\rm{r} } } }}{ {1 + \left( { k - 1} \right){ S_{\rm{r} } } } } } \right] + \chi {10^{ - \eta n} }$ k为与土壤类型对κr-Sr关系影响有关的参数， $\chi $和 $\eta $为土壤类型和颗粒形状对干燥土壤热导率影响的系数 结合参数k说明土壤类型效应，干燥土壤孔隙度和热导率之间的关系 考虑土壤类型对κr-Sr关系的影响 未知k对土壤类型的敏感性 全部土壤 Zhang等[13] $\lambda = \left( {\lambda _{\rm{w}}^n\lambda _{\rm{s}}^{1 - n } - \chi { {10}^{ - \eta n } }} \right)\left[ {\dfrac{ { k{ S_{\rm{r} } } }}{ {1 + \left( { k - 1} \right){ S_{\rm{r} } } } } } \right] + \chi {10^{ - \eta n } }$ 拟合热−时域反射，探测石英含量极高的土壤 对石英砂预测精度非常高 不适用于其他土壤类型 石英砂 Balland 等[15] $\lambda = \left[ {\lambda _{\rm{w}}^n\lambda _{\rm{s}}^{1 - n } - \dfrac{ {(A{\lambda _{\rm{s}}} - {\lambda _{\rm{a}}}) \times {\rho _{\rm{d}}} + {\lambda _{\rm{a}}}{ G_{\rm{s} } } }}{ { { G_{\rm{s} } } - \left( {1 - A } \right) \times {\rho _{\rm{d}}} } } } \right] \times$ ${ S_{\rm{r} } }^{0.5 \times \left( {1 + { V_{{\rm{om,s}}} } - \mu { V_{{\rm{sand,s}}} } - { V_{{\rm{cf,s}}} } } \right)} \times$ $ \left[ { { {\left( {\dfrac{1}{ {1 + \exp \left( { - \nu { S_{\rm{r} } } } \right)} } } \right)}^3} } \right.-$ ${\left. { { {\left( {\dfrac{ {1 - { S_{\rm{r} } } }}{2} } \right)}^3} } \right]^{^{1 - { V_{{\rm{om,s}}} } } }} +$ $ \left[ {\dfrac{ {\left( { A{\lambda _{\rm{s}}} - {\lambda _{\rm{a}}} } \right) \times {\rho _{\rm{d}}} + {\lambda _{\rm{a}}}{ G_{\rm{s} } } }}{ { { G_{\rm{s} } } - \left( {1 - A } \right) \times {\rho _{\rm{d}}} } } } \right]$ $\mu $、 $\nu $为协调系数； ${ V_{{\rm{sand,s}}} }$， ${ V_{{\rm{cf,s}}} }$， ${ V_{{\rm{om,s}}} }$分别为固相砂、粗颗粒、有机质的体积分数； ${ G_{\rm{s} } }$为有机质对干燥土壤热导率影响的系数；A为固体对土壤热导率影响的拟合参数 研究有机质对固体颗粒导热性能影响，提出干土导热性能改进模型 考虑了有机质含量的影响 忽略固相中的石英含量 全部土壤 Lu等[16] $\lambda = \left[ {\lambda _{\rm{w}}^n\lambda _{\rm{s}}^{1 - n } - \left( { b - an } \right)} \right] \times$ $\exp \left[ {\alpha \left( {1 - { S_{\rm{r} } }^{\alpha - 1.33} } \right)} \right] + \left( { b - an } \right)$ a和b为与干燥土壤导热系数相关的参数， $\alpha $考虑了土壤类型对归一化导热系数的影响，建议粗、细土分别取0.96和0.27 通过经验数据拟合得到干燥土壤导热系数与孔隙度的线性关系 公式简单 土壤类型对干燥土壤导热系数的影响未知 全部土壤 Chen[17] $\lambda = \lambda _{\rm{w}}^{{n}}\lambda _{\rm{s}}^{1 - {{n}}}{\left[ {\left( {1 - {{c}}} \right){{{S}}_{{{\rm{r}}}}} + {{c}}} \right]^{{{dn}}}}$ c和d为经验系数 根据经验拟合4种石英砂的试验数据而发展起来 石英含量相对较高的砂预测精度高 不适用于其他土壤类型 砂土 苏李君等[18] $\lambda = \left[ {\lambda _{\rm{w}}^{{n}}\lambda _{\rm{s}}^{1 - {{n}}} - \left( {{{b}} - {{an}}} \right)} \right] \times$
$\exp ( H +$ ${ {1 - { { {S} }_{ { {\rm{r} } } } } } }H )$ $+ {b - an}$，
$ H = { { { { {b} }_{ {1} } }{ { {w} }_{\rm{clay} } } + { { {b} }_{ {2} } }{ { {w} }_{\rm{silt} } } + { { {b} }_{ {3} } }{ { {w} }_{\rm{sand} } } + { { {b} }_{ {4} } }{ { {w} }_{\rm{om} } } } }$${{{w}}_{\rm{clay}}}$、 ${{{w}}_{\rm{silt}}}$和 ${{{w}}_{\rm{sand}}}$分别为黏粒、粉粒和砂粒的含量， ${{{w}}_{\rm{om}}}$为有机质含量； ${b_i}$为拟合系数 土壤热导率与土壤物理基本参数间表达式 分别建立模型参数与颗粒组成和有机质含量间的关系 拟合系数难以确定，公式复杂 全部土壤 其他模型
Other
modelDonazzi等[19] $\lambda = \lambda _{\rm{w}}^{{n}}\lambda _{\rm{s}}^{1 - {{n}}}\exp \left[ { - 3.08{{n}}{{\left( {1 - {{{S}}_{{{\rm{r}}}}}} \right)}^2}} \right]$ 基于实验室试验土壤的热阻率推求热导率 公式简单 低饱和度时预测精度低 全部土壤 Gangadhara等[20] $\lambda = {10^{0.01{\gamma _{{{\rm{d}}}}} - 1}}\left( {{{\log }_{{w}}}1.07 + {{B}}} \right)$ B与土壤类型有关(粉砂取0.12，细砂取0.7，粗砂取0.73) 提出土壤热导率与含水率和容重的关系 公式简单 高饱和度时预测精度低 全部土壤 Midttǿmme等[21] ${\lambda _{\rm{s} } } = {\log _{ { { { {d} }_{ {{\rm{m}}} } } } } }0.215 + 1.930$ ${d_m}$是石英砂的中值粒径 研究粒度对石英砂和粉砂热导率的影响 公式简单 仅考虑石英砂的粒度效应 石英砂
下载: 导出CSV
表 2 各模型的线性回归和均方根误差分析
Table 2 Linear regression and root mean square error analyses of each model
序号
No.模型来源
Model source回归系数
Regression coefficient决定系数(R2)
Determination
coefficient梯度标准误差
Standard error
of gradient均方根误差
Root mean
square error数据点数量
Number of
data point1 苏李君等[18] 0.997 0.980 0.009 0.208 28 2 Zhang等[13] 0.994 0.979 0.009 0.280 80 3 Tong等[6] 0.985 0.950 0.015 0.544 54 4 Chen[17] 0.919 0.979 0.009 0.315 98 5 Haigh[7] 0.891 0.964 0.012 0.394 50 6 Johansen[5] 0.877 0.976 0.010 0.212 20 7 Cote等[9] 0.873 0.978 0.009 0.207 31 8 De Vries[4] 0.861 0.970 0.010 0.393 28 9 Lu等[16] 0.850 0.976 0.009 0.206 43 10 Gangadhara等[20] 0.813 0.970 0.010 0.245 138 11 Donazzi等[19] 0.807 0.958 0.011 0.547 94 12 Kersten[8] 0.720 0.972 0.009 0.273 39 13 Geo-Mean模型[5] 0.668 0.909 0.014 0.598 76 14 Wiener[3]上限 0.133 0.393 0.011 0.891 184 15 Wiener[3]下限 2.208 0.820 0.069 5.579 84
下载: 导出CSV
-
[1] 李毅, 邵明安, 王文焰, 等. 质地对土壤热性质的影响研究[J]. 农业工程学报, 2003, 19(4): 62-65. doi: 10.3321/j.issn:1002-6819.2003.04.014 [2] 邵明安, 王全九, 黄明斌. 土壤物理学[M]. 北京: 高等教育出版社, 2006: 160-192. [3] WIENER O. Abhandl math-phys Kl KoniglSachsischenGes[M]. Leipizig: Klasse. Sachs Akad. Wiss, 1912: 509.
[4] DE VRIES D A. Physics of the plant environment[M]. New York: John Wiley & Sons, 1963: 210-235.
[5] JOHANSEN O. Thermal conductivity of soils[D]. Trondheim, Norway: University of Trondheim, 1975.
[6] TONG F G, JING L R, ZIMMERMAN R W. An effective thermal conductivity model of geological porous medium for coupled thermo-hydro-mechanical systems with multiphase flow[J]. Int J Rock Mech Min Sci, 2009, 46(8): 1358-1369. doi: 10.1016/j.ijrmms.2009.04.010
[7] HAIGH S K. Thermal conductivity of sands[J]. Geotechnique, 2012, 62(7): 617-625. doi: 10.1680/geot.11.P.043
[8] KERSTEN M S. Laboratory research for the determination of the thermal properties of soils[D]. Minneapolis: Minnesota University, 1949.
[9] COTE J, KONRAD J M. A generalized thermal conductivity model for soils and construction materials[J]. Can Geotech J, 2005, 42(2): 443-458. doi: 10.1139/t04-106
[10] ZHANG N. Development and validation of TDR based sensors for thermal conductivity and soil suction measurements[D]. Arlington: University of Texas at Arlington, 2015.
[11] ZHANG N, YU X B, PRADHAN A, et al. Effects of particle size and fines content on thermal conductivity of quartz sands[J]. Transp Res Rec, 2015, 2510(1): 36-43.
[12] ZHANG N, YU X B, PRADHAN A, et al. Thermal conductivity of quartz sands by thermo-TDR probe and model prediction[J]. ASCE J Mater Civ Eng, 2015, 27(12): 50-59.
[13] ZHANG N, YU X B, PRADHAN A, et al. A new generalized soil thermal conductivity model for sand-kaolin clay mixtures using thermo-time domain reflectometry probe test[J]. Acta Geotech, 2017(12): 739-752.
[14] ZHANG N, YU X B, WANG X L. Use of a thermo-TDR probe to measure sand thermal conductivity dryout curves(TCDCs) and model prediction[J]. Int J Heat Mass Transf, 2017, 115: 1054-1064.
[15] BALLAND V, ARP P A. Modeling soil thermal conductivities over a wide range of conditions[J]. J Environ Eng Sci, 2005, 4(6): 549-558. doi: 10.1139/s05-007
[16] LU S, REN T S, GONG Y S,et al. An improved model for predicting soil thermal conductivity from water content at room temperature[J]. Soil Sci Soc Am J, 2007, 71(1): 8-14. doi: 10.2136/sssaj2006.0041
[17] CHEN S X. Thermal conductivity of sands[J]. Heat Mass Transfer, 2008, 44(10): 1241-1246. doi: 10.1007/s00231-007-0357-1
[18] 苏李君, 王全九, 王铄, 等. 基于土壤物理基本参数的土壤导热率模型[J]. 农业工程学报, 2016, 32(2): 127-133. doi: 10.11975/j.issn.1002-6819.2016.02.019 [19] DONAZZI F, OCCHINI E, SEPPI A. Soil thermal and hydrological characteristics in designing underground cables[J]. Proc Inst Electr Eng, 1979, 126(6): 506-516.
[20] GANGADHARA RAO M V B B, SINGH D N. A generalized relationship to estimate thermal resistivity of soils[J]. Can Geotech J, 1999, 36(4): 767-773. doi: 10.1139/t99-037
[21] MIDTTǾMME K, ROALDSET E. The effect of grain size on thermal conductivity of quartz sands and silts[J]. Petroleum Geosci, 1998, 4(2): 165-172. doi: 10.1144/petgeo.4.2.165
[22] 卢奕丽, 张猛, 刘晓娜, 等. 含水量和容重对旱地耕层土壤热导率的影响及预测[J]. 农业工程学报, 2018, 34(18): 146-151. doi: 10.11975/j.issn.1002-6819.2018.18.018 [23] 曾召田, 范理云, 莫红艳, 等. 土壤热导率的影响因素实验研究[J]. 太阳能学报, 2018, 39(2): 377-384. [24] NASIRIAN A, CORTES D D, DAI S. The physical nature of thermal conduction in dry granular media[J]. Géotech Lett, 2015, 5(1): 1-5.
[25] FAROUKI O T. Thermal properties of soils[M]. Hanover(N. H.): US Army Corps of Engineers, Cold Regions Research and Engineering Laboratory, 1981: 81.
[26] YU X B, ZHANG N, PRADHAN A, et al. Thermal conductivity of sand-Kaolin clay mixtures[J]. Environ Geotech, 2016, 3(4): 190-202. doi: 10.1680/jenge.15.00022
[27] OVERDUIN P P, KANE D L, VAN LOON W K P. Measuring thermal conductivity infreezing and thawing soil using the soil temperature response to heating[J]. Cold Reg Sci Technol, 2006, 45(1): 8-22. doi: 10.1016/j.coldregions.2005.12.003
[28] SMITS K M, SAKAKI T, HOWINGTON S E, et al. Temperature dependence of thermal properties of sands across a wide range of temperatures (30-70 ℃)[J]. Vadose Zone J, 2013, 12(1): 1-8.
[29] CAMPBELL G S, JUNGBAUER J D, BIDLAKE W R, et al. Predicting the effect of temperature on soil thermal conductivity[J]. Soil Sci, 1994, 158(5): 307-313. doi: 10.1097/00010694-199411000-00001
[30] LIU C H, ZHOU D, WU H. Measurement and prediction of temperature effects of thermal conductivity of soils[J]. Chin J Geotech Eng, 2011, 33(12): 1877-1886.
[31] SMITS K M, SAKAKI T, LIMSUWAT A, et al. Thermal conductivity of sands under varying moisture and porosity in drainage-wetting cycles[J]. Vadose Zone J, 2010, 9(1): 172-180. doi: 10.2136/vzj2009.0095
[32] XU Y S, SUN D A, ZENG Z T, et al. Effect of temperature on thermal conductivity of lateritic clays over a wide temperature range[J]. Int J Heat Mass Transf, 2019, 138: 562-570. doi: 10.1016/j.ijheatmasstransfer.2019.04.077
[33] ZHAO X D, ZHOU G Q, JIANG X. Measurement of thermal conductivity for frozen soil at temperatures close to 0 ℃[J]. Measurement, 2019, 69(3): 504-510.
[34] 陆森, 任图生. 不同温度下的土壤热导率模拟[J]. 农业工程学报, 2009, 25(7): 13-18. doi: 10.3969/j.issn.1002-6819.2009.07.003 [35] 王志华, 王甜, 王沣浩. 非饱和土壤热导率模型的优化与应用[J]. 制冷学报, 2017, 38(3): 89-95. doi: 10.3969/j.issn.0253-4339.2017.03.089 [36] ZHANG Y J, YU Z W, HUANG R, et al. Measurement of thermal conductivity and temperature effect of geotechnical materials[J]. Chin J Geotech Eng, 2009, 31(2): 213-217.
[37] 徐云山, 曾召田, 吕海波, 等. 高温下红黏土热导率的变化规律试验研究[J]. 工程地质学报, 2017, 25(6): 1465-1473. [38] 张恩继, 王霖. 土壤水分运移模拟研究进展[J]. 南方农业学报, 2019, 13(20): 188-190. [39] LI R, ZHAO L, WU T H, et al. Soil thermal conductivity and its influencing factors at the Tanggula permafrost region on the Qinghai-Tibet Plateau[J]. Agric For Meteorol, 2019, 264: 235-246. doi: 10.1016/j.agrformet.2018.10.011
[40] RUBIO C M, JOSA R, FERRER F. Influence of the hysteretic behaviour on silt loam soil thermal properties[J]. Open J Soil Sci, 2011, 1(3): 77-85. doi: 10.4236/ojss.2011.13011
[41] 于明志, 曹西忠, 王善明, 等. 水分含量对土壤导热系数的影响及机理[J]. 山东建筑大学学报, 2012, 27(2): 152-154. doi: 10.3969/j.issn.1673-7644.2012.02.005 [42] 王卫华, 李建波, 王铄, 等. 土壤热特性参数空间变异性与拟合方法研究[J]. 农业机械学报, 2015, 46(4): 120-125. doi: 10.6041/j.issn.1000-1298.2015.04.018 [43] MITCHELL J K, SOGA K. Fundamentals of soil behavior[M]. New York: Wiley, 2005: 83-108.
-
期刊类型引用(5)
1. 王绪国，何思禹，秦伟，姜有聪，黄子顺，陶婉琰，李裕武，臧英. 水稻小区育种气吸式精量排种器研制. 农机化研究. 2025(06): 72-77 . 
百度学术
2. 言育谦，刘立晶，刘云强，吴海华，卢琦，刘芳建. 蔬菜气吸式排种器四级清种机构设计与试验. 农业机械学报. 2023(S1): 57-65 . 百度学术
3. 刘婉茹，张国忠，周勇，徐红梅，吴擎，付建伟，黄成龙，张建. 智能化技术在水稻生产全程机械化中的应用研究与发展趋势. 华中农业大学学报. 2022(01): 105-122 . 百度学术
4. 李玉环，杨丽，张东兴，崔涛，和贤桃，胡恒. 气吸式玉米精量排种器双侧清种装置设计与试验. 农业机械学报. 2021(07): 29-39 . 百度学术
5. 陈海涛，王洪飞，王业成，史乃煜，魏志鹏，窦玉宽. 三叶式自动清换种大豆育种气吸排种器设计与试验. 农业机械学报. 2020(12): 75-85 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 1691
- HTML全文浏览量: 21
- PDF下载量: 3590
- 被引次数: 10
