NDVI или VARI? Определяем лучший индекс для мониторинга засухи с беспилотников в засушливых регионах

Сухость (засуха) является критическим ограничивающим фактором для достижения высокой сельскохозяйственной продуктивности на Лёссовом плато (ЛП) Китая. Высокоточный мониторинг сухости в масштабе поля крайне важен для внедрения точного земледелия. Однако получение информации о сухости с достаточным пространственным и временным разрешением остаётся серьёзной проблемой. Беспилотные летательные аппараты (БПЛА) могут по запросу получать изображения дистанционного зондирования высокого разрешения, однако эффективность индексов сухости на основе данных БПЛА для картирования пространственной неоднородности сухости высокого разрешения на различных сельскохозяйственных угодьях в масштабе поля на ЛП ещё не до конца изучена.

В данном исследовании были проведены синхронизированные наземные и БПЛА-эксперименты на трёх типичных сельхозугодьях в восточной части провинции Ганьсу на Лёссовом плато. Установленные на БПЛА мультиспектральные и тепловые инфракрасные сенсоры использовались для сбора высокоразрешающих мультиспектральных и тепловых изображений. На основе данных БПЛА были рассчитаны индекс сухости "температура-растительность" (Temperature Vegetation Dryness Index, TVDI) и индекс сухости "температура-растительность-влажность почвы" (Temperature–Vegetation–Soil Moisture Dryness Index, TVMDI). Всего 14 вегетационных индексов (Vegetation Indices, VIs) были использованы для построения различных вариантов TVDI на основе VI, после чего был выбран оптимальный вегетационный индекс. Для оценки пригодности и пространственных различий между TVDI и TVMDI в мониторинге сухости были применены корреляционный анализ и анализ сходства градиентной структуры (Gradient Structure Similarity, GSSIM). Результаты показывают, что TVDI, построенные с использованием нормированного разностного вегетационного индекса (Normalized Difference Vegetation Index, NDVI) и вегетационного индекса, устойчивого к влиянию атмосферы в видимом диапазоне (Visible Atmospherically Resistant Index, VARI), в большей степени соответствовали характеристикам реакции сельскохозяйственных культур на стресс от засухи. Кроме того, TVDI продемонстрировал более высокую чувствительность при мониторинге сухости по сравнению с TVMDI, что делает его более подходящим для оценки изменений сухости в условиях богарного земледелия в засушливых регионах.

Сухость (засуха) — это сложное, многогранное природное явление, которое влияет на различные аспекты жизни и создает значительные экономические и экологические проблемы, в частности в сельскохозяйственных регионах [1]. Она означает отсутствие или недостаток влаги (ВП) в почве или воды. Длительный период сухости, длящийся от недели до нескольких лет, может привести к засухе. Из-за глобального потепления климата ожидается, что экстремальные явления, такие как сильные дожди и волны тепла, будут происходить чаще и с большей интенсивностью [2]. Китай в настоящее время сталкивается со значительными проблемами, связанными с сухостью или засухой, при этом в среднем 20,9 млн га ежегодно страдают от засухи [3], и прогнозируется увеличение площади сильно засушливых земель в будущем. Поэтому мониторинг сухости имеет ключевое значение для обеспечения сельскохозяйственной продуктивности, управления рисками засухи и поддержания социально-экономической стабильности.

Лёссовое плато (ЛП) является самым большим в мире плато лёссовых отложений и на протяжении тысяч лет было важнейшим сельскохозяйственным регионом Китая, в настоящее время обеспечивая проживание 8,5% населения страны [4,5]. Однако частое возникновение сухости и засухи в регионе, усугубляемое экстремальными климатическими явлениями, обусловленными глобальным изменением климата, повышает риск стихийных бедствий и представляет значительную угрозу для экологической среды и производства сельскохозяйственных культур[6]. Для смягчения этих последствий и повышения производства сельскохозяйственных культур часто применяется орошение. Однако эффективность этого подхода ограничена нехваткой воды в регионе Лёссового плато (ЛП) [7]. Поэтому понимание пространственно непрерывных паттернов сухости может оптимизировать водопользование, тем самым способствуя более эффективному точному земледелию и улучшенной практике управления водными ресурсами.

Технология дистанционного зондирования (ДЗ) значительно продвинула мониторинг сухости, особенно благодаря использованию оптических [8], тепловых [9] и микроволновых наблюдений [10]. Однако обычно используемые спутниковые данные с их более низким пространственным и временным разрешением лучше подходят для мониторинга в крупных масштабах, а не для детального анализа в масштабе поля [11,12]. Это ограничение особенно значительно на сельскохозяйственных полях, где различные типы культур часто встречаются между полями. Напротив, технология БПЛА предоставляет данные с высоким пространственно-временным разрешением, что делает ее идеальным инструментом для оценки сухости в детальном масштабе [13,14].

Методы мониторинга сухости на основе ДЗ, включая индексы сухости [15,16,17], машинное обучение [9,18] и модели энергетического баланса [19,20], были всесторонне изучены. Среди этих методов индексы сухости, полученные из переменных, связанных с сухостью, ценятся за их четкие индикаторы, простоту сбора данных, простоту использования и широкую применимость [21,22]. Индекс сухости "температура-растительность" (TVDI), разработанный на основе вегетационного индекса и температуры поверхности, был широко принят как метод мониторинга сухости благодаря своей четкой теоретической основе и простоте реализации [23,24,25,26,27]. Хотя влажность почвы (ВП) может служить прямым индикатором сухости, работа [1] интегрировала факторы влажности почвы, статус роста растительности и температуру поверхности для разработки индекса сухости "температура-растительность-влажность почвы" (TVMDI), повысив точность мониторинга сельскохозяйственной сухости [1]. Однако оценка сухости на основе мультиспектрального и теплового инфракрасного дистанционного зондирования с БПЛА обычно применяется к одной культуре или определенной стадии роста [28], с ограниченным анализом эффективности индексов сухости в оценке сухости в различных типах культур и на разных стадиях роста.

В данном исследовании были выбраны три репрезентативных сельскохозяйственных участка на Лёссовом плато (ЛП): орошаемый сад и два богарных участка, где основными культурами являются пшеница и кукуруза. Данные мультиспектрального и теплового инфракрасного дистанционного зондирования, а также данные измеренной на месте влажности почвы были собраны с помощью синхронизированных БПЛА-наземных экспериментов для оценки сухости участков, засаженных садами, пшеницей и кукурузой, соответственно. Основная цель данного исследования заключалась в том, чтобы оценить эффективность TVDI и TVMDI для мониторинга сухости. Эта оценка включала сравнение корреляции индексов с измеренной на месте влажностью почвы, анализ пространственных вариаций с использованием индекса сходства градиентной структуры (GSSIM) и исследование факторов, способствующих наблюдаемым различиям. Результаты предоставляют ценные сведения для быстрого и точного мониторинга и оценки сельскохозяйственных водных ресурсов на ЛП.

2.1. Районы исследований

ЛП — это типичный засушливый и полузасушливый регион Китая. Экологическая среда ЛП хрупкая и уязвимая. Для большинства районов ЛП характерны серьезная нехватка воды и частые засухи [29,30]. Мы провели исследование на трех сельскохозяйственных участках в городе Цинъян, провинция Ганьсу, расположенных на ЛП (Рисунок 1a). Местоположения трех экспериментальных участков показаны на Рисунке 1b.

Рисунок 1. Местоположение и псевдоцветное изображение с БПЛА, полученное 2 мая 2022 г., трех сельскохозяйственных участков, использованных в данном исследовании.

(a) Местоположение города Цинъян в провинции Ганьсу, Лёссовом плато и Китае, соответственно;

(b) местоположение трех экспериментальных участков в городе Цинъян;

(c–e) псевдоцветные изображения с БПЛА и распределение измеренных точек на трех исследуемых участках, соответственно.

Участок яблоневого сада расположен в районе лёссового плато уезда Нинсянь, город Цинъян (долгота: 107∘50′28″, широта: 35∘24′48″, высота: 1165 м, площадь: 0,54 км²). Климат полувлажный, со среднегодовой температурой 9,5 °C и годовым количеством осадков 577,9 мм [31]. Эта территория является одной из демонстрационных зон «интегрированного внесения воды и удобрений», характеризующихся высокой плотностью карликовых яблонь с системами капельного орошения на всем участке.

Участок пшеницы расположен в районе лёссового плато района Сифэн, город Цинъян, в пределах Дунчжиского плато Лёссового плато (долгота: 107∘40′30″, широта: 35∘34′37″, высота: 1277 м, площадь: 0,62 км²). Климат полувлажный, со среднегодовой температурой 9,3 °C и среднегодовым количеством осадков 554,2 мм [31]. Это богарный сельскохозяйственный регион, где озимая пшеница является основной культурой.

Участок кукурузы расположен в лёссовом холмисто-овражном районе уезда Хуачи, город Цинъян (долгота: 107∘59′49″, широта: 36∘13′1″, высота: 1129 м, площадь: 0,52 км²). Климат полузасушливый, со среднегодовой температурой 8,6 °C и среднегодовым количеством осадков 499,7 мм [31]. Территория также является богарным сельскохозяйственным регионом, где озимая пшеница является основной культурой.

Рисунок 1c–e отображают псевдоцветные изображения с БПЛА и распределение измеренных точек через три исследуемых участка.

2.2. Общий рабочий процесс

Рисунок 2. Рабочий процесс для оценки индексов сухости на основе БПЛА для мониторинга сухости.

Рисунок 2 иллюстрирует рабочий процесс оценки индексов сухости на основе БПЛА для мониторинга сухости, который разделен на две основные части. Первая часть включает проведение синхронизированных БПЛА-наземных экспериментов наблюдения для получения изображений с БПЛА и измерения влажности почвы в точках отбора проб с использованием оборудования временной рефлектометрии (TDR), как подробно описано в Разделе 2.3. Вторая часть сосредоточена на анализе и сравнении TVDI и TVMDI. После получения изображений дистанционного зондирования и объемного содержания влаги в почве (ВВП) из проб были вычислены четырнадцать ВИ и на их основе также были вычислены четырнадцать различных TVDI. Дополнительно мы вычислили TVMDI. Впоследствии мы выполнили оценку точности и моделирование трендов для TVDI, чтобы определить оптимальный индекс. Наконец, мы сравнили оптимальный TVDI с TVMDI, используя GSSIM и корреляционный анализ.

2.3. Этап эксперимента и сбор данных

Всего было проведено три синхронизированных БПЛА-наземных эксперимента с начала мая до середины июня 2022 года. Время наблюдений и соответствующие стадии роста культур для трех экспериментальных участков представлены в Таблице 1.

Таблица 1. Время проведения полетных кампаний и соответствующие периоды роста культур.

2.3.1. Наблюдения с БПЛА и предварительная обработка изображений

Квадрокоптер БПЛА M300 (Dajiang Innovation, Шэньчжэнь, Китай), оснащенный мультиспектральным сенсором MS600 PRO и тепловым сенсором Zen-muse H20, использовался для одновременного захвата высокоразрешающих мультиспектральных и тепловых изображений. Мультиспектральный сенсор имеет шесть каналов: синий (450 нм), зеленый (555 нм), красный (660 нм), красный край (717 нм), красный край-750 (750 нм) и ближний инфракрасный (БИК, 840 нм). Тепловой сенсор измеряет радиационную температуру в спектральном диапазоне 8–14 мкм, с разрешением изображения 640 × 512 пикселей и чувствительностью по температуре ниже 50 мК.

Система БПЛА летала автономно по заранее заданному маршруту на высоте 100 м над землей, достигая пространственных разрешений 7 см для мультиспектральных данных и 9 см для тепловых данных. Маршруты полетов были спроектированы так, чтобы обеспечить не менее 70% перекрытия как вдоль пути полета, так и между соседними маршрутами. Каждая полетная кампания выполнялась в течение 2-часового окна около полудня, чтобы минимизировать проблемы с затенением и максимизировать тепловые вариации.

Предварительная обработка изображений дистанционного зондирования с БПЛА в основном включала радиометрическую коррекцию, геометрическую коррекцию, передискретизацию изображений и обрезку изображений. Сначала значения цифрового числа (DN) были преобразованы в данные отражательной способности посредством радиометрической коррекции с использованием значений усиления и смещения, полученных с серой калибровочной пластины. Далее все откалиброванные изображения были передискретизированы до разрешения 0,1 м × 0,1 м с использованием алгоритма ближайшего соседа. После этого контрольные точки на местности (GCP), полученные с помощью RTK на перекрестках дорог, прямых углах пахотных земель и углах зданий, были использованы для геометрической коррекции изображений с БПЛА, полученных 1 мая 2022 года. Наконец, с использованием полиномиальной модели коррекции и алгоритма передискретизации кубической свертки, остальные изображения были зарегистрированы относительно скорректированного эталонного изображения с помощью методов регистрации "изображение-к-изображению", обеспечивая общую среднеквадратичную ошибку ниже одного пикселя (0,1 м).

2.3.2. Синхронные наблюдения и измерение влажности почвы

Объемное содержание влаги в почве (ВВП) измерялось в точках отбора проб в пределах экспериментальной области для валидации индекса сухости. Время между экспериментом с БПЛА и полевым обследованием составляло менее одного дня, с одинаковыми погодными условиями и без осадков. RTK использовался для получения точных местоположений, а временная рефлектометрия (TDR) применялась для измерения ВВП проб. Чтобы обеспечить репрезентативность измеренного ВВП для ВВП на уровне пикселя, мы спроектировали наблюдательный участок размером 0,1 м × 0,1 м (соответствующий пространственному разрешению изображений, которое составляет 0,1 м). В пределах этого участка мы равномерно распределили три точки наблюдения по диагонали и использовали TDR для измерения ВВП в каждой точке отдельно. Среднее значение этих трех измерений затем принималось за ВВП для пикселя. Для облегчения сравнения с TVDI и TVMDI измеренное ВВП было нормализовано и обозначено как измеренный индекс сухости (MDI). Уравнение следующее:

где ВП_i — измеренное ВВП; ВП_min — минимальное измеренное ВВП; и ВП_max — максимальное измеренное ВВП.

2.4. Расчет и анализ индексов засухи по данным дистанционного зондирования

2.4.1. TVDI

TVDI — это индикатор сухости, который использует взаимосвязь между вегетационным индексом и температурой поверхности для мониторинга степени сухости [32]. Тепловое изображение фиксирует различия относительной радиационной температуры, а не значения абсолютной температуры поверхности земли. Предыдущие исследования показали, что абсолютная температура поверхности не обязательна для оценки засухи с использованием метода TVDI; вместо этого для расчетов TVDI можно использовать непосредственно радиационную температуру [33]. TVDI рассчитывается следующим образом:

где Т_S — радиационная температура пикселя; Т_s min — минимальная Т_S, соответствующая определенному NDVI; a — наклон сухой границы, а b — точка пересечения с осью y наклона сухой границы; и ВИ — вегетационный индекс; метод расчета каждого ВИ показан в Таблице 2.

Таблица 2. Широко используемые вегетационные индексы.

2.4.2. TVMDI

TVMDI — это индекс сухости, который интегрирует влажность почвы, температуру и статус растительности [1]. Индекс статуса растительности и индекс влажности почвы в TVMDI получены из пространства признаков красный-БИК. Когда типы земного покрова различны на изображениях дистанционного зондирования, красный и БИК каналы могут формировать пространство признаков «треугольник». Плотная растительность расположена вверху этого пространства из-за ее низкого красного отражения и высокого ближнего инфракрасного отражения. По мере уменьшения растительного покрова его положение смещается ближе к линии почвы. Контурные линии, параллельные линии почвы, указывают области с одинаковым растительным покровом и называются перпендикулярным вегетационным индексом (PVI). Линия, перпендикулярная PVI, представляет влажность почвы (ВП) [47]. PVI и ВП рассчитывались следующим образом:

где R_БИК и R_Красный — значения отражательной способности красного и БИК каналов, соответственно; M и B относятся к наклону и точке пересечения с осью y линии почвы, соответственно.

PVI, ВП и Т_S были объединены для построения TVMDI. Значения этих индексов необходимо было сначала нормализовать, а затем TVMDI рассчитывался с использованием следующего уравнения:

где p_i — значение пикселя переменных; и Т_s, ВП и PVI — радиационная температура пикселя, влажность почвы и перпендикулярный вегетационный индекс, соответственно.

2.4.3. GSSIM

Пространственные структурные различия между TVDI и TVMDI были количественно оценены с использованием индекса структурного сходства на основе градиента (GSSIM) [48], который рассчитывался следующим образом:

где [l(x, y)]^α — информация сравнения яркости; [c(x, y)]^β — информация сравнения контраста; [g(x, y)]^γ — информация сравнения структуры на основе градиента; μ_x и μ_y относятся к среднему значению двух изображений; σ_x и σ_y представляют стандартное отклонение двух изображений; G_x(i,j) и G_y(i,j) — значения градиента пикселей двух изображений; c1, c2 и c3 — константы со значениями 0,0001, 0,0001 и 0,0005, соответственно; и α, β и γ представляют относительную важность каждого признака со значением 1.

Чем меньше значение GSSIM, тем больше пространственное различие между двумя изображениями. Значения GSSIM можно разделить на четыре группы [49]: сильные изменения (0 < GSSIM ≤ 0,25), высокие изменения (0,25 < GSSIM ≤ 0,45), средние изменения (0,45 < GSSIM ≤ 0,65) и низкие изменения (0,65 < GSSIM ≤ 1,0).

2.4.4. Анализ факторов влияния

Мы использовали коэффициент корреляции Пирсона для анализа взаимосвязей между NDVI, PVI, Ts и PVI с TVDI и TVMDI. Дополнительно мы применили модель регрессии Random Forest [50] для анализа вкладов Ts и NDVI в TVDI, а также вкладов Ts, PVI и ВП в TVMDI.

3.1. Сравнение различных TVDI на основе ВИ

TVDI был построен на основе VARI, TVI, SRPI, SIPI, RVI2, RVI, NPCI, NGRDI, NGI, NGBDI, NDVI, GNDVI, GI и EVI, соответственно. Коэффициенты детерминации (R²) и среднеквадратичная ошибка (RMSE) использовались для оценки степени соответствия между измеренным MDI и рассчитанным TVDI.

Рисунок 3 показывает, что R² между TVDI и MDI ниже 0,3 на участке яблоневого сада. Однако для участков пшеницы и кукурузы средние значения R² составляют 0,52 и 0,53, соответственно. Это свидетельствует, что хотя TVDI эффективен для мониторинга сухости в засушливых регионах с низкорослыми культурами, он может не подходить для садов. Мы обнаружили, что TVDI, построенный с использованием NDVI (R² = 0,60), GNDVI (R² = 0,56), VARI (R² = 0,56), GI (R² = 0,55) и NGI (R² = 0,55), имеет более высокий R², в то время как TVDI, построенный с использованием NGRDI (RMSE = 0,28), NGI (RMSE = 0,29), GI (RMSE = 0,29), NDVI (RMSE = 0,29) и VARI (RMSE = 0,30), имеет более низкие значения RMSE среди всех вегетационных индексов (ВИ) на участке пшеницы. На участке кукурузы TVDI, построенный с использованием GI (R² = 0,56), VARI (R² = 0,55), RVI2 (R² = 0,55), NDVI (R² = 0,54) и NGI (R² = 0,54), имеет более высокий R², в то время как TVDI, построенный с использованием VARI (RMSE = 0,36), NGRDI (RMSE = 0,37), NDVI (RMSE = 0,40), EVI (RMSE = 0,40) и NGBDI (RMSE = 0,41), имеет более низкие значения RMSE. Поскольку более низкая RMSE и более высокие значения R² указывают на лучшую точность оценки сухости, очевидно, что TVDI, построенный с использованием NDVI и VARI, показал как более низкую RMSE, так и более высокие значения R² среди всех ВИ в данном исследовании для участков кукурузы и пшеницы. Следовательно, TVDI на основе NDVI и VARI можно считать эффективным для мониторинга сухости в различных засушливых сельскохозяйственных районах.

Рисунок 3. Коэффициенты детерминации (R²) и среднеквадратичная ошибка (RMSE) между различными индексами сухости "температура-растительность" (TVDI) на основе ВИ и измеренным индексом засухи (MDI).

(a), (b) и (c) представляют участок яблоневого сада, пшеницы и кукурузы, соответственно. I, II и III представляют первый, второй и третий эксперимент, соответственно. Примечания: Va: индекс, устойчивый к влиянию атмосферы в видимом диапазоне (VARI), Tv: треугольный вегетационный индекс (TVI), Sr: простой индекс соотношения пигментов (SRPI), Si: индекс пигментов, нечувствительный к структуре (SIPI), R2: индекс соотношения растительности 2 (RVI2), R1: индекс соотношения растительности (RVI), Np: нормированный индекс пигментов хлорофилла (NPCI), Nr: нормированный индекс разности зеленый-красный (NGRDI), Ng: нормированный индекс разности зеленый-красный (NGRDI), Nb: нормированный индекс разности зеленый-синий (NGBDI), Nd: нормированный разностный вегетационный индекс (NDVI), Gn: зеленый нормированный разностный вегетационный индекс (GNDVI), Gi: зеленый индекс (GI), Ev: улучшенный вегетационный индекс (EVI).

3.2. Точность оценки TVDI и TVMDI

Рисунок 4 и Таблица 3 показывают, что TVDI демонстрирует более высокую чувствительность и точность, чем TVMDI, в мониторинге сухости. На участках пшеницы и кукурузы, когда значения MDI находились в диапазоне от 0 до 1, TVDI варьировался от 0,2 до 0,9, в то время как TVMDI варьировался от 0,2 до 0,6. Средний коэффициент корреляции и средняя RMSE TVDI с MDI составили 0,64 и 0,24, соответственно, по сравнению с 0,43 и 0,31 для TVMDI. Это указывает на то, что TVDI имеет превосходящую производительность в мониторинге условий сухости.

Рисунок 4. Распределение точек и линейная аппроксимация индекса сухости "температура-растительность" (TVDI) и индекса сухости "температура-растительность-влажность почвы" (TVMDI) относительно измеренного индекса сухости (MDI).

(a1), (b1) и (c1) представляют линейные аппроксимации TVDI относительно MDI для трех экспериментов, проведенных на участках яблоневого сада, пшеницы и кукурузы, соответственно;

(a2), (b2) и (c2) представляют линейные аппроксимации TVMDI относительно MDI для трех экспериментов на участках яблоневого сада, пшеницы и кукурузы, соответственно.

Таблица 3. Сравнение TVDI и TVMDI с MDI. Fit — аппроксимированная кривая, а r — коэффициент корреляции Пирсона (r Пирсона). p представляет уровень значимости. Когда p меньше 0,05, TVDI или TVMDI значимо коррелирует с MDI. RMSE — среднеквадратичная ошибка.

3.3. Пространственные различия между TVDI и TVMDI на основе GSSIM

Чтобы углубить понимание пространственных различий между TVDI и TVMDI на основе GSSIM, лесные массивы, реки, здания и дороги были извлечены с трех экспериментальных участков. Оставшиеся территории были пахотными землями. Рисунок 5 показывает, что GSSIM преимущественно характеризовался средними и низкими изменениями во всех экспериментах, причем эти области составляли более 85% от общей площади. Средний процент площади умеренных изменений GSSIM составил 45,43%, 62,71% и 24,13%, в то время как низкие изменения составили 41,82%, 30,44% и 72,13% в течение трех экспериментов на участках яблоневого сада, пшеницы и кукурузы, соответственно. Это указывает на то, что пространственная разница между TVDI и TVMDI была наименьшей на участке кукурузы и наибольшей на участке пшеницы.

Рисунок 5. Пространственное распределение GSSIM.

(a), (b) и (c) представляют участок яблоневого сада, пшеницы и кукурузы, соответственно. Цифры 1–3 представляют первый, второй и третий эксперимент, соответственно.

Пространственные распределения GSSIM проявляли значительную изменчивость в зависимости от поля на участках пшеницы и кукурузы. Области с плотным растительным покровом (NDVI больше 0,7), непроросшими культурами или голой почвой после уборки урожая преимущественно характеризовались низкими изменениями GSSIM. Напротив, пахотные земли с разреженным растительным покровом (NDVI между 0,2 и 0,7) и пахотные земли с пластиковым мульчированием с низким или разреженным покровом (NDVI меньше 0,2) показали относительно более высокую долю умеренных изменений GSSIM. На участке яблоневого сада пространственное распределение GSSIM отображало четкую полосатую текстуру. Области между рядами плодовых деревьев, где было заметно расстояние, были преобладающе с низкими изменениями, в то время как области кроны плодовых деревьев были преобладающе с умеренными или более значительными изменениями.

4.1. Анализ тренда TVDI, смоделированного различными ВИ

В данном исследовании было выбрано четырнадцать широко используемых вегетационных индексов (ВИ) для отдельного построения TVDI с температурой поверхности (Ts). Результаты показали, что TVDI, построенный с использованием NDVI и VARI, показал более высокую корреляцию с MDI и более низкую RMSE. Чтобы дополнительно проанализировать влияние различных ВИ на TVDI, данные первого эксперимента на участке пшеницы и второго эксперимента на участке кукурузы были выбраны для моделирования тенденции изменения TVDI с ВИ при различных температурных условиях. Диапазон температур был установлен от 10 °C до 75 °C, отражая наблюдаемую радиационную температуру на экспериментальных участках, которая варьировалась от 10 °C до 60 °C.

Рисунок 6 показывает, что тренды TVDI, смоделированные 14 ВИ, в целом согласуются для двух выбранных наборов данных. Когда ВИ оставался постоянным, значения TVDI увеличивались с ростом температур. Если статус роста культуры схож, более низкая температура кроны указывает на более высокую эвапотранспирацию и достаточную влажность растений. Напротив, когда культуры испытывают водный стресс, устьичная проводимость уменьшается, что приводит к увеличению температуры кроны [51,52]. Тренд TVDI с NDVI, проанализированный в данной статье, согласуется с выводами в [26]. Тренды TVDI, смоделированные на основе четырнадцати ВИ, значительно различались. TVDI, смоделированный на основе EVI, GNDVI, NDVI, VARI, SIPI, NGBDI, NGRDI и NPCI, увеличивался с увеличением вегетационного индекса, и чем больше вегетационный индекс, тем больше была скорость изменения значений TVDI. Из-за узкого диапазона значений TVDI, смоделированный на основе NGBDI, NGRDI и NPCI, быстро увеличивался с увеличением ВИ. TVDI, смоделированные на основе GI, RVI, RVI2, SRPI и TVI, представляют собой почти параллельные линии с наклоном, близким к 0, поэтому изменение ВИ мало влияет на TVDI. Следовательно, тренды TVDI, смоделированные на основе NDVI, GNDVI, VARI и EVI, более соответствуют характеристикам реакции культур на водный стресс. В сочетании с результатами в Разделе 4.3, NDVI и VARI можно рассматривать как оптимальные вегетационные индексы для построения TVDI, где NDVI является широко используемым индексом для мониторинга статуса роста растительности [53,54], а VARI может эффективно использоваться для инверсии хлорофилла и индекса площади листьев [55,56].

(a1–a14) представляют тренды TVDI, смоделированные 14 ВИ на основе параметров на стадии колошения пшеницы при различных температурных условиях;

(b1–b14) представляют тренды TVDI, смоделированные 14 ВИ на основе параметров на стадии всходов кукурузы при различных температурных условиях.

4.2. Эффективность TVDI в мониторинге засухи

TVDI лучше подходит для мониторинга сухости на богарных землях, что подтверждается валидацией TVDI и TVMDI с MDI в Разделе 4.2. TVDI был впервые предложен [32] и успешно применен для мониторинга засухи в полузасушливых регионах. Работа [57] применила TVMDI, TVDI и TVSDI для оценки засухи на континентальной территории США и обнаружила, что эффективность TVDI и TVMDI для мониторинга засухи различается в различных климатических зонах. Работа [58] обнаружила, что TVDI обладает хорошей способностью мониторить засуху в полузасушливой зоне Китая. Следовательно, TVDI более подходит для мониторинга сельскохозяйственной сухости и засухи в полузасушливых климатических зонах. В этом разделе дополнительно анализируется применимость TVDI для мониторинга сухости на различных участках в различные периоды роста.

Рисунок 7 показывает, что пространственное распределение TVDI зависит от множества факторов, таких как тип культуры, рост культуры, период роста и мульчирование поля. На участке яблоневого сада более низкие значения TVDI в основном были обнаружены в центральной части участка, засаженной молодыми яблонями, а более высокие значения TVDI были обнаружены в северном и южном районе участка, где посажены привитые саженцы плодовых деревьев. Все три эксперимента на участках пшеницы и кукурузы показали, что TVDI был ниже в питомнике, засаженном сосной и ивой, и TVDI был выше на голой почве пахотных земель, где культуры еще не взошли. Высокая температура голой почвы приводит к быстрому испарению влаги из почвы. По мере увеличения растительного покрова скорость транспирации листьев ускорялась, температура кроны снижалась, а значения TVDI уменьшались.

Рисунок 7. Пространственное распределение индекса сухости "температура-растительность" (TVDI) на трех экспериментальных участках.

(a), (b) и (c) представляют участок яблоневого сада, пшеницы и кукурузы, соответственно. I–III представляют первый, второй и третий эксперимент, соответственно.

На участках пшеницы и кукурузы мульчированные пахотные земли составляли 28,84% и 15,08% от общей площади участка, соответственно. Мульчированные пахотные земли были в основном засажены яровой кукурузой, которая находилась соответственно на стадиях посева, всходов и стеблевания в течение трех экспериментов. Средние значения TVDI мульчированных пахотных земель на участке пшеницы составили 0,60, 0,67 и 0,48, соответственно, а на участке кукурузы — 0,61, 0,57 и 0,54, соответственно. В периоды посева и всходов мульчированная и голая почвенная поверхность распределялись поочередно и имели высокую тепловую радиацию в дневное время. Поскольку тепловая радиация будет дальнейшем увеличиваться, когда пахотные земли страдают от водного стресса [59], температура была высокой, но значение NDVI было низким, что приводило к более высокой сухости. Когда кукуруза вступала в фазу стеблевания, температура кроны снижалась, в то время как NDVI увеличивался, что приводило к снижению TVDI. Однако пластиковая мульча может уменьшить испарение и увеличить влажность почвы [60,61], поэтому TVDI непригоден для мониторинга сухости на мульчированных пахотных землях в начале роста культуры.

TVDI был построен на основе эмпирических коэффициентов, рассчитанных по изображениям дистанционного зондирования, и, теоретически, TVDI, оцененный на основе различных данных дистанционного зондирования, имел плохую сопоставимость [62]. В нашем эксперименте среднее значение TVDI на участке яблоневого сада было ниже 0,48, а минимальное — 0,34; средние значения TVDI на участках пшеницы и кукурузы были выше 0,44 и 0,49. Степень сухости на участках яблони, пшеницы и кукурузы усиливалась последовательно. Средние значения MDI для трех участков в трех экспериментах составили 0,55, 0,68 и 0,74, соответственно, и средние значения TVDI и MDI были значительно коррелированы (R² = 0,77, p < 0,05), что указывает на то, что TVDI может отражать различия в сухости между участками.

4.3. Факторы влияния между TVDI и TVMDI

Мы сравнили пространственные структурные различия между TVDI и TVMDI на основе GSSIM в Разделе 3.3. Результаты указали на значительные различия между TVDI и TVMDI на немульчированных пахотных землях с разреженным растительным покровом (NDVI в диапазоне от 0,2 до 0,7), мульчированных пахотных землях и областях кроны яблони. Мы дополнительно оценили влияние NDVI, Ts, PVI и ВП на TVDI и TVMDI, используя коэффициенты корреляции и модель Random Forest. Как показано на Рисунке 8, TVDI был сильно положительно коррелирован с Ts, с коэффициентом корреляции, превышающим 0,95. Напротив, TVDI отрицательно коррелировал с NDVI, с абсолютным отрицательным коэффициентом корреляции ниже 0,75. Коэффициенты корреляции между TVMDI и PVI, а также между TVMDI и Ts были численно близки, но противоположны по направлению. Абсолютный отрицательный коэффициент корреляции между TVMDI и PVI был выше 0,86, в то время как средний положительный коэффициент корреляции между TVMDI и Ts составлял 0,81. Коэффициент корреляции между TVMDI и ВП варьировался от 0,07 до 0,71. Рисунок 9a демонстрирует, что значения важности Ts и NDVI для TVDI были схожи через три участка культур в течение трех периодов наблюдения. Средние значения важности Ts и NDVI для TVDI составили 0,76 и 0,24, соответственно. Рисунок 9b показывает, что значения важности Ts, PVI и ВП для TVMDI варьировались в различных тестовых областях и периодах наблюдения. Средние значения важности LST (температуры поверхности земли) для TVMDI в тестовых областях яблони, пшеницы и кукурузы составили 0,57, 0,71 и 0,66, соответственно. Средние значения важности PVI для TVMDI составили 0,37, 0,20 и 0,32, соответственно. Наивысшее значение важности для ВП составило всего 0,15. Следовательно, как корреляционный анализ, так и оценка важности признаков указывают на то, что Ts является доминирующим фактором, влияющим на TVDI. Ts также является основным признаком для TVMDI, в то время как роль PVI в TVMDI нельзя игнорировать.

Рисунок 8. Матрица корреляции между индексом сухости "температура-растительность" (TVDI)/индексом сухости "температура-растительность-влажность почвы" (TVMDI) и нормированным разностным вегетационным индексом (NDVI)/перпендикулярным вегетационным индексом (PVI)/влажностью почвы (ВП)/радиационной температурой (Ts).

(a), (b) и (c) представляют участок яблоневого сада, пшеницы и кукурузы, соответственно. I–III представляют первый, второй и третий эксперимент, соответственно.

Рисунок 9. Важность признаков, рассчитанная с использованием модели регрессии Random Forest.

(a) представляет вклад Ts и NDVI в TVDI;

(b) представляет вклад Ts, PVI и ВП в TVMDI.

Мы только проанализировали разницу между TVDI и TVMDI с точки зрения корреляции. Однако TVDI и TVMDI не являются просто линейно связанными с NDVI, Ts и ВП [51]. Физические свойства почвы, топография и климатические условия — все влияет на условия засухи [52,63]. В наших последующих исследованиях мы будем интегрировать множественные показатели из дистанционного зондирования, метеорологии, гидрологии и т. д. и использовать нелинейную функцию аппроксимации или физические модели для повышения точности мониторинга сухости.

В данном исследовании данные дистанционного зондирования с БПЛА были использованы для расчета индексов засухи, включая индекс засухи «температура-растительность» (TVDI) и индекс сухости «температура-растительность-влажность почвы» (TVMDI). Применимость и различия этих индексов в мониторинге засухи в естественных условиях были проанализированы в различных трех экспериментальных областях. Было выбрано четырнадцать широко используемых вегетационных индексов для расчета TVDI, и был определен оптимальный вегетационный индекс. Результаты указывают, что TVDI, построенный с использованием NDVI и VARI, оказался более стабильным и эффективным для мониторинга сухости в сложной и изменчивой поверхностной среде. Сравнение между TVDI и TVMDI с использованием корреляционного анализа и GSSIM выявило, что TVDI демонстрирует более высокую чувствительность и точность в мониторинге сухости, чем TVMDI. Хотя пространственная структура двух индексов была схожей в областях с голой почвой (NDVI меньше 0,2) и плотным растительным покровом (NDVI больше 0,7), значительные различия наблюдались в областях с разреженными культурами (NDVI между 0,2 и 0,7) и мульчированными полями. Это различие в основном связано с различными основными влияющими факторами для TVDI и TVMDI. Коэффициент корреляции между TVDI и температурой поверхности (Ts) был выше 0,95, тогда как коэффициенты корреляции между TVMDI и PVI, а также между TVMDI и Ts составили -0,86 и 0,81, соответственно. Мы оценили пригодность TVDI и TVMDI для мониторинга сухости на трех экспериментальных участках. По сравнению с единичным независимым экспериментом на отдельном участке, этот подход уменьшает ошибки в результатах. TVDI был построен с использованием линейного уравнения, которое сильно зависит от данных дистанционного зондирования. Однако степень сухости может зависеть от таких факторов, как структура почвы, обработка почвы, осадки и тип культуры, каждый из которых влияет на сухость нелинейным образом. Чтобы решить эту проблему, наши будущие исследования будут направлены на интегрирование множественных наборов данных и разработку нелинейных или физических моделей для повышения точности мониторинга сухости. Более того, масштабный эффект данных дистанционного зондирования с БПЛА в мониторинге сухости требует дальнейшего изучения.

1.    Amani, M.; Salehi, B.; Mahdavi, S.; Masjedi, A.; Dehnavi, S. Temperature-Vegetation-soil Moisture Dryness Index (TVMDI). Remote Sens. Environ. 2017, 197, 1–14. [Google Scholar] [CrossRef]

2.    Hao, L.; Zhang, X.; Liu, S. Risk assessment to China’s agricultural drought disaster in county unit. Nat. Hazards 2011, 61, 785–801. [Google Scholar] [CrossRef]

3.    Jin, N.; Shi, Y.; Niu, W.H.; He, L. Spatial and temporal patterns of agricultural drought in China during 1960–2020 characterized by use of the crop water deficit Abnormal Index. J. Hydrol. 2023, 627, 130454. [Google Scholar] [CrossRef]

4.    Han, Z.M.; Huang, Q.; Huang, S.Z.; Leng, G.Y.; Bai, Q.J.; Liang, H.; Wang, L.; Zhao, J.; Fang, W. Spatial-temporal dynamics of agricultural drought in the Loess Plateau under a changing environment: Characteristics and potential influencing factors. Agric. Water Manag. 2021, 244, 106540. [Google Scholar] [CrossRef]

5.    Wu, J.W.; Miao, C.Y.; Tang, X.; Duan, Q.Y.; He, X.J. A nonparametric standardized runoff index for characterizing hydrological drought on the Loess Plateau, China. Glob. Planet. Chang. 2018, 161, 53–65. [Google Scholar] [CrossRef]

6.    Wang, D.; Yue, D.X.; Zhou, Y.Y.; Huo, F.B.; Bao, Q.; Li, K. Drought Resistance of Vegetation and Its Change Characteristics before and after the Implementation of the Grain for Green Program on the Loess Plateau, China. Remote Sens. 2022, 14, 5142. [Google Scholar] [CrossRef]

7.    Zhang, G.X.; Zhang, Y.; Zhao, D.H.; Liu, S.J.; Wen, X.X.; Han, J.; Liao, Y.C. Quantifying the impacts of agricultural management practices on the water use efficiency for sustainable production in the Loess Plateau region: A meta-analysis. Field Crop. Res. 2023, 291, 108787. [Google Scholar] [CrossRef]

8.    Salunke, R.; Nobahar, M.; Alzeghoul, O.E.; Khan, S.; La Cour, I.; Amini, F. Near-Surface Soil Moisture Characterization in Mississippi’s Highway Slopes Using Machine Learning Methods and UAV-Captured Infrared and Optical Images. Remote Sens. 2023, 15, 1888. [Google Scholar] [CrossRef]

9.    Cheng, M.H.; Jiao, X.Y.; Liu, Y.D.; Shao, M.C.; Yu, X.; Bai, Y.; Wang, Z.X.; Wang, S.Y.; Tuohuti, N.; Liu, S.B.; et al. Estimation of soil moisture content under high maize canopy coverage from UAV multimodal data and machine learning. Agric. Water Manag. 2022, 264, 107530. [Google Scholar] [CrossRef]

10. Wu, S.R.; Ren, J.Q.; Chen, Z.X.; Yang, P.; Li, H. Soil moisture estimation based on the microwave scattering mechanism during different crop phenological periods in a winter wheat-producing region. J. Hydrol. 2020, 590, 125521. [Google Scholar] [CrossRef]

11. Sadeghi, M.; Babaeian, E.; Tuller, M.; Jones, S.B. The optical trapezoid model: A novel approach to remote sensing of soil moisture applied to Sentinel-2 and Landsat-8 observations. Remote Sens. Environ. 2017, 198, 52–68. [Google Scholar] [CrossRef]

12. Wang, Q.; Li, J.C.; Jin, T.Y.; Chang, X.; Zhu, Y.C.; Li, Y.W.; Sun, J.J.; Li, D.W. Comparative Analysis of Landsat-8, Sentinel-2, and GF-1 Data for Retrieving Soil Moisture over Wheat Farmlands. Remote Sens. 2020, 12, 2708. [Google Scholar] [CrossRef]

13. Fang, W.; Huang, S.Z.; Huang, Q.; Huang, G.H.; Wang, H.; Leng, G.Y.; Wang, L.; Guo, Y. Probabilistic assessment of remote sensing-based terrestrial vegetation vulnerability to drought stress of the Loess Plateau in China. Remote Sens. Environ. 2019, 232, 111290. [Google Scholar] [CrossRef]

14. Khose, S.B.; Mailapalli, D.R. Spatial mapping of soil moisture content using very-high resolution UAV-based multispectral image analytics. Smart Agric. Technol. 2024, 8, 100467. [Google Scholar] [CrossRef]

15. Das, S.; Christopher, J.; Roy Choudhury, M.; Apan, A.; Chapman, S.; Menzies, N.W.; Dang, Y.P. Evaluation of drought tolerance of wheat genotypes in rain-fed sodic soil environments using high-resolution UAV remote sensing techniques. Biosyst. Eng. 2022, 217, 68–82. [Google Scholar] [CrossRef]

16. Li, J.T.; Schachtman, D.P.; Creech, C.F.; Wang, L.; Ge, Y.F.; Shi, Y.Y. Evaluation of UAV-derived multimodal remote sensing data for biomass prediction and drought tolerance assessment in bioenergy sorghum. Crop J. 2022, 10, 1363–1375. [Google Scholar] [CrossRef]

17. D’Odorico, P.; Schönbeck, L.; Vitali, V.; Meusburger, K.; Schaub, M.; Ginzler, C.; Zweifel, R.; Velasco, V.M.E.; Gisler, J.; Gessler, A.; et al. Drone-based physiological index reveals long-term acclimation and drought stress responses in trees. Plant Cell Environ. 2021, 44, 3552–3570. [Google Scholar] [CrossRef]

18. Zhou, J.; Zhou, J.; Ye, H.; Ali, M.L.; Nguyen, H.T.; Chen, P. Classification of soybean leaf wilting due to drought stress using UAV-based imagery. Comput. Electron. Agric. 2020, 175, 105576. [Google Scholar] [CrossRef]

19. Song, L.; Ding, Z.; Kustas, W.P.; Xu, Y.; Zhao, G.; Liu, S.; Ma, M.; Xue, K.; Bai, Y.; Xu, Z. Applications of a thermal-based two-source energy balance model coupled to surface soil moisture. Remote Sens. Environ. 2022, 271, 112923. [Google Scholar] [CrossRef]

20. Xu, Y.; Song, L.; Kustas, W.P.; Xue, K.; Liu, S.; Ma, M.; Xu, T.; Zhao, L. Application of the two-source energy balance model with microwave-derived soil moisture in a semi-arid agricultural region. Int. J. Appl. Earth Obs. Geoinf. 2022, 112, 102879. [Google Scholar] [CrossRef]

21. Kimura, R. Estimation of moisture availability over the Liudaogou river basin of the Loess Plateau using new indices with surface temperature. J. Arid. Environ. 2007, 70, 237–252. [Google Scholar] [CrossRef]

22. Koley, S.; Jeganathan, C. Estimation and evaluation of high spatial resolution surface soil moisture using multi-sensor multi-resolution approach. Geoderma 2020, 378, 114618. [Google Scholar] [CrossRef]

23. Deng, H.; Cheng, F.; Wang, J.; Wang, C. Monitoring of drought in central Yunnan, China based on TVDI model. Pol. J. Environ. Stud. 2021, 30, 3511–3523. [Google Scholar] [CrossRef]

24. Pang, S.F.; Wei, W.; Guo, Z.C.; Zhang, J.; Xie, B.B. Agricultural drought characteristics and its influencing factors in gansu province based on TVDI. Chin. J. Ecol. 2019, 38, 1849–1860. [Google Scholar]

25. Fitriyah, A.; Fatikhunnada, A.; Okura, F.; Nugroho, B.D.A.; Kato, T. Analysis of the drought mitigated mechanism in terraced paddy fields using CWSI and TVDI indices and hydrological monitoring. Sustainability 2019, 11, 6897. [Google Scholar] [CrossRef]

26. Du, L.T.; Song, N.P.; Liu, K.; Hou, J.; Hu, Y.; Zhu, Y.; Wang, X.Y.; Wang, L.; Guo, Y.G. Comparison of two simulation methods of the Temperature Vegetation Dryness Index (TVDI) for drought monitoring in semi-arid regions of China. Remote Sens. 2017, 9, 177. [Google Scholar] [CrossRef]

27. Bai, J.J.; Yu, Y.; Di, L.P. Comparison between TVDI and CWSI for drought monitoring in the Guanzhong Plain, China. J. Integr. Agric. 2017, 16, 389–397. [Google Scholar] [CrossRef]

28. Cheng, M.H.; Sun, C.M.; Nie, C.W.; Liu, S.B.; Yu, X.; Bai, Y.; Liu, Y.D.; Meng, L.; Jia, X.; Liu, Y.; et al. Evaluation of UAV-based drought indices for crop water conditions monitoring: A case study of summer maize. Agric. Water Manag. 2023, 287, 108442. [Google Scholar] [CrossRef]

29. Zhang, Y.; Liu, X.H.; Jiao, W.Z.; Zhao, L.J.; Zeng, X.M.; Xing, X.Y.; Zhang, L.N.; Hong, Y.X.; Lu, Q.Q. A new multi-variable integrated framework for identifying flash drought in the Loess Plateau and Qinling Mountains regions of China. Agric. Water Manag. 2022, 265, 107544. [Google Scholar] [CrossRef]

30. Wang, S.; An, J.; Zhao, X.; Gao, X.; Wu, P.; Huo, G.; Robinson, B.H. Age- and climate- related water use patterns of apple trees on China’s Loess Plateau. J. Hydrol. 2020, 582, 124462. [Google Scholar] [CrossRef]

31. Zhou, Z.W.; Zhang, T.F.; Zhang, M.C.; Liu, Y.; Xue, J.X.; Zhang, J.L. Study on Analysis of the Climate Change Characteristics in Qingyang over the Past 50 Years. Gansu Agric. Sci. Technol. 2022, 53, 45–51. (In Chinese) [Google Scholar]

32. Sandholt, I.; Rasmussen, K.; Andersen, J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status. Remote Sens. Environ. 2002, 79, 213–224. [Google Scholar] [CrossRef]

33. Wigmore, O.; Mark, B.; McKenzie, J.; Baraer, M.; Lautz, L. Sub-metre mapping of surface soil moisture in proglacial valleys of the tropical Andes using a multispectral unmanned aerial vehicle. Remote Sens. Environ. 2019, 222, 104–118. [Google Scholar] [CrossRef]

34. Gitelson, A.A.; Kaufman, Y.J.; Stark, R.; Rundquist, D. Novel algorithms for remote estimation of vegetation fraction. Remote Sens. Environ. 2002, 80, 76–87. [Google Scholar] [CrossRef]

35. Ranjan, R.; Chopra, U.K.; Sahoo, R.N.; Singh, A.K.; Pradhan, S. Assessment of plant nitrogen stress in wheat (Triticum aestivum L.) through hyperspectral indices. Int. J. Remote Sens. 2012, 33, 6342–6360. [Google Scholar] [CrossRef]

36. Song, X.X.; Wu, F.; Lu, X.T.; Yang, T.L.; Ju, C.X.; Sun, C.M.; Liu, T. The Classification of Farming Progress in Rice–Wheat Rotation Fields Based on UAV RGB Images and the Regional Mean Model. Agriculture 2022, 12, 124. [Google Scholar] [CrossRef]

37. Song, B.; Park, K. Detection of aquatic plants using multispectral UAV imagery and vegetation index. Remote Sens. 2020, 12, 387. [Google Scholar] [CrossRef]

38. Penuelas, J.; Frederic, B.; Filella, I. Semi-Empirical Indices to Assess Carotenoids/Chlorophyll-a Ratio from Leaf Spectral Reflectance. Photosynthetica 1995, 31, 221–230. [Google Scholar]

39. Zarco-Tejada, P.J.; Berjón, A.; López-Lozano, R.; Miller, J.R.; Martín, P.; Cachorro, V.; González, M.R.; De Frutos, A. Assessing vineyard condition with hyperspectral indices: Leaf and canopy reflectance simulation in a row-structured discontinuous canopy. Remote Sens. Environ. 2005, 99, 271–287. [Google Scholar] [CrossRef]

40. Townshend, J.R.G.; Goff, T.E.; Tucker, C.J. Multitemporal Dimensionality of Images of Normalized Difference Vegetation Index at Continental Scales. IEEE Trans. Geosci. Remote Sens. 1985, GE-23, 888–895. [Google Scholar] [CrossRef]

41. Wang, F.M.; Huang, J.F.; Tang, Y.L.; Wang, X.Z. New Vegetation Index and Its Application in Estimating Leaf Area Index of Rice. Rice Sci. 2007, 14, 195–203. [Google Scholar] [CrossRef]

42. Huete, A.; Didan, K.; Miura, T.; Rodriguez, E.P.; Gao, X.; Ferreira, L.G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sens. Environ. 2002, 83, 195–213. [Google Scholar] [CrossRef]

43. Mishra, S.; Mishra, D.R. Normalized difference chlorophyll index: A novel model for remote estimation of chlorophyll-a concentration in turbid productive waters. Remote Sens. Environ. 2012, 117, 394–406. [Google Scholar] [CrossRef]

44. Xue, L.H.; Cao, W.X.; Luo, W.H.; Dai, T.B.; Zhu, Y. Monitoring Leaf Nitrogen Status in Rice with Canopy Spectral Reflectance. Agron. J. 2004, 96, 135–142. [Google Scholar] [CrossRef]

45. Liu, K.; Li, Y.Z.; Han, T.F.; Yu, X.C.; Ye, H.C.; Hu, H.W.; Hu, Z.H. Evaluation of grain yield based on digital images of rice canopy. Plant Methods 2019, 15, 28. [Google Scholar] [CrossRef]

46. Broge, N.H.; Leblanc, E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sens. Environ. 2001, 76, 156–172. [Google Scholar] [CrossRef]

47. Amani, M.; Parsian, S.; Mirmazloumi, S.M.; Aieneh, O. Two new soil moisture indices based on the NIR-red triangle space of Landsat-8 data. Int. J. Appl. Earth Obs. Geoinf. 2016, 50, 176–186. [Google Scholar] [CrossRef]

48. Liu, Y.; Yue, H. The Temperature Vegetation Dryness Index (TVDI) Based on Bi-Parabolic NDVI-Ts Space and Gradient-Based Structural Similarity (GSSIM) for Long-Term Drought Assessment Across Shaanxi Province, China (2000–2016). Remote Sens. 2018, 10, 959. [Google Scholar] [CrossRef]

49. Yue, H.; Liu, Y.; Qian, J.X. Comparative assessment of drought monitoring index susceptibility using geospatial techniques. Environ. Sci. Pollut. Res. 2021, 28, 38880–38900. [Google Scholar] [CrossRef] [PubMed]

50. Breiman, L. Random Forests. Mach. Learn. 2001, 45, 5–32. [Google Scholar] [CrossRef]

51. Zhang, D.J.; Zhou, G.Q. Estimation of Soil Moisture from Optical and Thermal Remote Sensing: A Review. Sensors 2016, 16, 1308. [Google Scholar] [CrossRef]

52. Bindlish, R.; Jackson, T.J.; Gasiewski, A.; Stankov, B.; Klein, M.; Cosh, M.H.; Mladenova, I.; Watts, C.; Vivoni, E.; Lakshmi, V.; et al. Aircraft based soil moisture retrievals under mixed vegetation and topographic conditions. Remote Sens. Environ. 2008, 112, 375–390. [Google Scholar] [CrossRef]

53. Garcia-Garcia, D.; Rosa, X.R.L.; Bedoya, D.G.; Schrevens, E. Linear mixed model analysis of NDVI-based canopy coverage, extracted from sequential UAV multispectral imagery of an open field tomato irrigation experiment. Comput. Electron. Agric. 2021, 189, 106399. [Google Scholar] [CrossRef]

54. Jiang, R.; Sanchez-Azofeifa, A.; Laakso, K.; Wang, P.; Xu, Y.; Zhou, Z.Y.; Luo, X.W.; Lan, Y.B.; Zhao, G.P.; Chen, X. UAV-based partially sampling system for rapid NDVI mapping in the evaluation of rice nitrogen use efficiency. J. Clean Prod. 2021, 289, 125705. [Google Scholar] [CrossRef]

55. Qiao, L.; Tang, W.J.; Gao, D.H.; Zhao, R.M.; An, L.L.; Li, M.Z.; Sun, H.; Song, D. UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages. Comput. Electron. Agric. 2022, 196, 106775. [Google Scholar] [CrossRef]

56. Li, S.Y.; Yuan, F.; Ata-Ui-Karim, S.T.; Zheng, H.B.; Cheng, T.; Liu, X.J.; Tian, Y.C.; Zhu, Y.; Cao, W.X.; Cao, Q. Combining Color Indices and Textures of UAV-Based Digital Imagery for Rice LAI Estimation. Remote Sens. 2019, 11, 1763. [Google Scholar] [CrossRef]

57. Xu, M.; Yao, N.; Hu, A.; de Goncalves, L.G.G.; Mantovani, F.A.; Horton, R.; Heng, L.; Liu, G. Evaluating a new temperature-vegetation-shortwave infrared reflectance dryness index (TVSDI) in the continental United States. J. Hydrol. 2022, 610, 127785. [Google Scholar] [CrossRef]

58. Li, C.; Adu, B.; Wu, J.; Qin, G.; Li, H.; Han, Y. Spatial and temporal variations of drought in Sichuan Province from 2001 to 2020 based on modified temperature vegetation dryness index (TVDI). Ecol. Indic. 2022, 139, 108883. [Google Scholar] [CrossRef]

59. Gao, Y.; Lian, X.; Ge, L. Inversion model of surface bare soil temperature and water content based on UAV thermal infrared remote sensing. Infrared Phys. Technol. 2022, 125, 104289. [Google Scholar] [CrossRef]

60. Jia, Q.; Shi, H.; Li, R.; Miao, Q.; Feng, Y.; Wang, N.; Li, J. Evaporation of maize crop under mulch film and soil covered drip irrigation: Field assessment and modelling on West Liaohe Plain, China. Agric. Water Manag. 2021, 253, 106894. [Google Scholar] [CrossRef]

61. Huang, G.B.; Chen, W.; Li, F.R. Rainfed Farming Systems in the Loess Plateau of China. In Rainfed Farming Systems; Copper, I., Partridge, I., Birch, C., Eds.; Springer: Dordrecht, The Netherlands, 2011; pp. 643–669. [Google Scholar]

62. Hu, X.; Ren, H.; Tansey, K.; Zheng, Y.; Ghent, D.; Liu, X.; Yan, L. Agricultural drought monitoring using European Space Agency Sentinel 3A land surface temperature and normalized difference vegetation index imageries. Agric. For. Meteorol. 2019, 279, 107707. [Google Scholar] [CrossRef]

63. Gu, H.B.; Lin, Z.; Guo, W.X.; Deb, S. Retrieving Surface Soil Water Content Using a Soil Texture Adjusted Vegetation Index and Unmanned Aerial System Images. Remote Sens. 2021, 13, 145. [Google Scholar] [CrossRef]

Zhang J, Qi Y, Li Q, Zhang J, Yang R, Wang H, Li X. Combining UAV-Based Multispectral and Thermal Images to Diagnosing Dryness Under Different Crop Areas on the Loess Plateau. Agriculture. 2025; 15(2):126. https://doi.org/10.3390/agriculture15020126

Перевод статьи «Combining UAV-Based Multispectral and Thermal Images to Diagnosing Dryness Under Different Crop Areas on the Loess Plateau» авторов Zhang J, Qi Y, Li Q, Zhang J, Yang R, Wang H, Li X., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык