基于無人機(jī)遙感影像的核桃冠層氮素含量估算

王鑫梅 張勁松 孟 平 楊洪國 孫 圣

(1.中國林業(yè)科學(xué)研究院林業(yè)研究所， 北京 100091； 2.南京林業(yè)大學(xué)南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心， 南京 210037)

0 引言

葉片氮素含量是表征植被健康狀況、果實(shí)產(chǎn)量及品質(zhì)形成的重要生理指標(biāo)[1]。植被氮素缺乏會影響其光合作用的正常進(jìn)行，導(dǎo)致植株早衰、產(chǎn)量和品質(zhì)下降，而植被氮素的變化均會在植株葉片或冠層的反射光譜中反映出來[2]。因此，實(shí)時(shí)、快速、精準(zhǔn)地獲取經(jīng)濟(jì)林果樹的氮素含量，并依據(jù)其營養(yǎng)診斷結(jié)果評估果樹長勢，從而進(jìn)行科學(xué)合理地控肥，是實(shí)現(xiàn)果樹精準(zhǔn)管理和保障果樹優(yōu)質(zhì)豐產(chǎn)的重要手段[3-4]。高光譜遙感具有波段較多、光譜分辨率高及能對地物進(jìn)行精細(xì)光譜差異定量分析等特點(diǎn)，在地物識別中起到關(guān)鍵作用，為定量分析植被氮素、葉綠素等理化參數(shù)與光譜特征的關(guān)系提供了強(qiáng)有力的工具[5-6]。目前，基于高光譜數(shù)據(jù)進(jìn)行植被理化參數(shù)的研究主要集中在大田低矮農(nóng)作物冠層和蘋果[7-8]、柑橘[9-10]、柿子[11]、核桃[12]等經(jīng)濟(jì)林樹種葉片尺度。這主要是因?yàn)榇筇镛r(nóng)作物多為連續(xù)冠層，在光譜數(shù)據(jù)采集和冠層有效信息提取方面占有絕對優(yōu)勢；由于林木樹體高大、冠層結(jié)構(gòu)復(fù)雜和樹木異質(zhì)性等因素導(dǎo)致其在冠層尺度光譜有效信息的提取上受到了限制，且多采用地物光譜儀獲取數(shù)據(jù)，難以滿足大范圍觀測的需求。由于受天氣影響，衛(wèi)星遙感的時(shí)空分辨率相對較低，難以滿足果樹氮素營養(yǎng)診斷的精準(zhǔn)性和時(shí)效性[13]。近年來，無人機(jī)遙感技術(shù)以其圖譜合一、機(jī)動靈活、操作簡便、圖像分辨率高及低空飛行的優(yōu)勢，能夠針對性地獲取多尺度、多時(shí)相的遙感影像數(shù)據(jù)，既彌補(bǔ)了地物光譜儀不能進(jìn)行大范圍遙感監(jiān)測的缺陷，又解決了衛(wèi)星遙感由氣候因素所引起的云層遮擋以及精度不足等問題，已成為精準(zhǔn)、定量估算田間乃至區(qū)域冠層尺度經(jīng)濟(jì)林果樹氮素含量的重要技術(shù)手段[14-16]。

目前，利用高光譜遙感影像數(shù)據(jù)估算植被理化參數(shù)的方法主要包括3類：多元統(tǒng)計(jì)分析方法，包括植被指數(shù)、導(dǎo)數(shù)光譜等[17-18]；基于光譜特征位置變量的分析方法，包括紅邊位置、黃邊位置等[19]；光學(xué)傳輸模型方法[20]。已有學(xué)者利用非成像遙感數(shù)據(jù)通過選用特定波段的植被指數(shù)和光譜位置變量對核桃葉片氮素含量進(jìn)行估算，同時(shí)與經(jīng)濟(jì)林同類估算模型進(jìn)行對比，這些研究均局限于葉片尺度，存在空間代表性不足、未完全考慮不同生育期葉片高光譜特性的差異性等問題，從而制約了研究結(jié)果的應(yīng)用。迄今為止，利用無人機(jī)遙感技術(shù)對核桃冠層氮素含量的營養(yǎng)診斷鮮見報(bào)道，而將人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到參數(shù)反演中的相關(guān)研究在國內(nèi)也處于研究初期。核桃(JuglansregiaL.)是我國重要的堅(jiān)果類果樹和木本油料樹種，以其獨(dú)特的風(fēng)味和豐富的營養(yǎng)價(jià)值名列世界四大干果之首。果實(shí)膨大期是核桃果實(shí)發(fā)育過程的第1個(gè)時(shí)期，該時(shí)期如營養(yǎng)不足將直接影響后期果實(shí)的品質(zhì)及產(chǎn)量。因此，核桃果實(shí)膨大期氮素含量的監(jiān)測和診斷對及時(shí)掌控樹體長勢、調(diào)整精細(xì)化管理方案具有重要意義。

本研究以低空無人機(jī)遙感平臺搭載成像光譜儀GaiaSky-mini2(簡稱GS-2)，對果實(shí)膨大期的核桃林地進(jìn)行遙感影像采集，利用歸一化植被指數(shù)(Normalized difference vegetation index, NDVI)、比值植被指數(shù)(Ratio vegetation index, RVI)和差值植被指數(shù)(Difference vegetation index, DVI)篩選指示氮素含量的特征敏感波段，建立不同光譜參數(shù)的遙感估算模型，并與BP神經(jīng)網(wǎng)絡(luò)模型建立的估算模型進(jìn)行精度對比，以期尋找最優(yōu)的氮素含量反演模型，為高效、無損、精準(zhǔn)監(jiān)測田間尺度核桃樹冠層氮素含量提供指導(dǎo)。

1 材料與方法

研究區(qū)位于河南省濟(jì)源市西郊鴻潤苗圃園區(qū)(35°1′N，112°28′E)，園區(qū)占地150 hm2，屬暖溫帶大陸性季風(fēng)氣候，年均降水量641.7 mm，其中6—9月降水量占全年68.3%。氣候特點(diǎn)是春旱多風(fēng)，夏秋多雨，冬寒干燥，日照時(shí)間長，輻射能量大，光照條件適宜，熱量充足，晝夜溫差大。供試核桃品種為5年生的香玲核桃，核桃樹栽植密度為3 m×5 m，樹高2.5～3.0 m。

1.1 無人機(jī)遙感影像獲取

于2019年5月20日(果實(shí)膨大期)11:30—12:30，利用經(jīng)緯M600型六旋翼無人機(jī)搭載四川雙利合譜有限公司研發(fā)的GS-2型高光譜成像光譜儀對5年生核桃林地進(jìn)行遙感影像采集，波段為400～1 000 nm，光譜分辨率3.5 nm，包含360個(gè)通道(B1～B360)，如B233(779.4)表示第233個(gè)通道對應(yīng)波長779.4 nm。本次航線設(shè)置飛行高度60 m，鏡頭焦距18.5 nm，掃描視場角28.79°，空間分辨率2.9 cm，每景高光譜影像數(shù)據(jù)之間的橫、縱重疊率均為50%。利用Specview軟件對獲取的機(jī)載遙感影像進(jìn)行鏡頭校準(zhǔn)、反射率校正、大氣校正等處理，得到反射率影像數(shù)據(jù)。所用無人機(jī)與成像光譜儀如圖1所示。

1.2 氮素含量測定

從采集的5年生核桃林地遙感影像內(nèi)選擇72株核桃樹進(jìn)行樣本采集，在每株核桃樹冠層?xùn)|南西北4個(gè)方位各隨機(jī)選取5個(gè)充分展開、無損傷、無病蟲害的健康功能葉片，將其按照方位順序進(jìn)行編碼放入保鮮袋內(nèi)，密封后放入帶有冰盒的保溫箱帶回實(shí)驗(yàn)室采用凱氏定氮法[21]測定氮素含量。

1.3 特征敏感波段篩選

為研究核桃冠層高光譜影像數(shù)據(jù)構(gòu)建的多波段光譜數(shù)據(jù)與氮素含量的關(guān)系，本研究通過選取較為常用的NDVI、RVI和DVI進(jìn)行兩波段隨機(jī)組合，篩選指示核桃樹冠層氮素含量的特征敏感波段，建立估算模型。同時(shí)，對國內(nèi)外學(xué)者提出的適用于經(jīng)濟(jì)林果樹氮素含量估算的光譜參數(shù)進(jìn)行對比，以尋求適用于核桃冠層氮素診斷的最佳模型。光譜參數(shù)的定義和來源如表1所示。

表1 光譜參數(shù)的定義和來源Tab.1 Definition and source of spectral parameters

1.4 無人機(jī)遙感影像處理

1.4.1冠層范圍確定

對于郁閉冠層的遙感影像可直接提取冠層光譜反射率；但對于非郁閉的核桃樹遙感影像，除了目標(biāo)植被以外，還包括陰影和裸露地表等非目標(biāo)物的影響。首先，使用ENVI 5.3軟件的Savitzky-Golay工具將獲取的無人機(jī)遙感影像進(jìn)行濾波去噪，以提高光譜反射率的平滑性。然后，通過目視解譯法對觀測范圍內(nèi)的土壤、陰影及核桃樹進(jìn)行識別，在ENVI 5.3中構(gòu)建感興趣區(qū)(Region of interest, ROI)，將構(gòu)建的ROI內(nèi)全部像素點(diǎn)對應(yīng)的光譜反射率導(dǎo)出到Excel中，根據(jù)不同地物特有的波形差異來確定范圍。在核桃樹冠層范圍確定的基礎(chǔ)上，根據(jù)地面實(shí)測72株核桃樹的GPS信息構(gòu)建ROI，并將構(gòu)建的72個(gè)ROI內(nèi)全部像素點(diǎn)對應(yīng)的光譜反射率導(dǎo)出到Excel中，以單個(gè)ROI內(nèi)全部光譜反射率的均值作為單株核桃樹的冠層光譜率，最終獲取72株核桃樹的光譜反射率。

1.4.2精度驗(yàn)證

本研究除了選取常用的表征模型精度的決定系數(shù)R2外，還采用均方根誤差(Root mean square error, RMSE)和相對誤差(Relative error, RE)評價(jià)模型精度。RMSE反映了估算值偏離真實(shí)值的程度，值越小，表示估算精度越高，RE反映了估算值的可信程度，值越小，模型的估算精度越高。當(dāng)RMSE小于等于10 mg/kg、RE小于等于10%時(shí)，判斷模型估算值精度為極高，RMSE大于10 mg/kg且小于等于20 mg/kg、RE大于10%且小于等于20%時(shí)，判斷模型估算值精度為高，RMSE大于20 mg/kg且小于等于30 mg/kg、RE大于20%且小于等于30%時(shí)，判斷模型估算值精度為中等，RMSE大于300 mg/kg、RE大于30%時(shí)，判斷模型估算值精度為差[26-27]。

2 結(jié)果與分析

2.1 冠層范圍確定及冠層光譜的提取與精度驗(yàn)證

由圖2可知，5年生核桃林地遙感影像內(nèi)，核桃、土壤和陰影在全波段范圍內(nèi)存在一定程度的重疊。在波段520～600 nm范圍內(nèi)，陰影的光譜反射率均小于0.10；核桃和土壤的光譜反射率差異明顯未出現(xiàn)重疊現(xiàn)象，在該范圍內(nèi)兩者的光譜反射率大于0.10。在波段750～1 000 nm范圍內(nèi)，核桃、土壤和陰影的光譜反射率差異明顯，核桃的光譜反射率在波段740～900 nm區(qū)間內(nèi)大于0.7，其余非目標(biāo)植被的光譜反射率均小于0.7。由于核桃光譜反射率在綠光和近紅外波段區(qū)間內(nèi)可區(qū)別于其它非目標(biāo)植被，而不是某一個(gè)或某些波段，導(dǎo)致無法在ENVI 5.3軟件中進(jìn)行運(yùn)算，因此為方便核桃冠層范圍提取過程的順利進(jìn)行，本研究選用綠光和近紅外兩個(gè)波段區(qū)間內(nèi)核桃樹冠層光譜反射率最大值所對應(yīng)的B100(550.7)和B233(779.4)進(jìn)行分類識別，從而確定冠層范圍。在ENVI 5.3軟件中對核桃樹、土壤和陰影進(jìn)行定義，即當(dāng)B100(550.7)處的光譜反射率小于等于0.10且B233(779.4)處的光譜反射率小于等于0.20時(shí)，識別為陰影并剔除；當(dāng)B100(550.7)處的光譜反射率大于0.10且B233(779.4)處的光譜反射率小于等于0.70時(shí)，識別為土壤并剔除；當(dāng)B100(550.7)處光譜反射率大于0.10且B233(779.4)處的光譜反射率大于0.70時(shí)，識別為目標(biāo)植被核桃樹。

最終，根據(jù)NDVI、RVI和DVI植被指數(shù)公式，計(jì)算獲得72株核桃樹的植被指數(shù)特征值及冠層光譜反射率，如圖3所示。

本研究另外采用具有較好推廣性和分類準(zhǔn)確率的支持向量機(jī)(Support vector machine, SVM)進(jìn)行冠層范圍的提取，對比基于光譜特征方法提取冠層范圍的精準(zhǔn)性。首先，在ENVI 5.3軟件中，將遙感影像中的地物分為核桃樹和其它兩類(圖4)，其中紅色區(qū)域?yàn)楹颂覙涔趯?，綠色區(qū)域?yàn)槠渌?。兩類樣本之間的可分離性為1.998，再選擇SVM分類器進(jìn)行監(jiān)督分類得到原始分類結(jié)果(圖5a)，但該分類結(jié)果往往存在一些面積極小的斑塊，其精度難以達(dá)到最終應(yīng)用的目的。因此采用Majority小斑塊處理方法對初步分類結(jié)果進(jìn)行處理，得到滿足實(shí)際需求的分類結(jié)果(圖5b)，并對分類結(jié)果進(jìn)行精度驗(yàn)證，其Kappa系數(shù)為0.997，目標(biāo)植被核桃的制圖精度為99.65%。最后，通過Matlab 2014b軟件，將本研究基于光譜特征確定的冠層范圍與支持向量機(jī)方法識別的冠層范圍像素點(diǎn)進(jìn)行重疊，其重合區(qū)域像素點(diǎn)為4 257個(gè)，基于光譜特征篩選的冠層范圍像素點(diǎn)個(gè)數(shù)占支持向量機(jī)像素點(diǎn)個(gè)數(shù)的96.77%，制圖精度為96.43%，精度較高，重疊結(jié)果如圖6所示。

2.2 特征敏感波段選取與植被指數(shù)特征值計(jì)算

將提取的72株核桃樹冠層光譜反射率經(jīng)NDVI、RVI和DVI運(yùn)算后與實(shí)測氮素含量進(jìn)行相關(guān)性分析，篩選出指示氮素含量的最佳特征敏感波段?；趦刹ǘ沃脖恢笖?shù)NDVI、RVI和DVI的構(gòu)建方法，通過Matlab 2014b將400～1 000 nm范圍內(nèi)的波段進(jìn)行任意兩波段組合計(jì)算，與氮素含量進(jìn)行相關(guān)性分析，生成NDVI-N、RVI-N和DVI-N相關(guān)關(guān)系的二維分布圖。由圖7可知，橫、縱坐標(biāo)為高光譜波長，圖內(nèi)任意點(diǎn)即為該點(diǎn)對應(yīng)的橫縱軸兩波長組合構(gòu)建的植被指數(shù)與氮素含量相關(guān)系數(shù)的絕對值(為了對結(jié)果進(jìn)行直觀比較，故將所有相關(guān)系數(shù)進(jìn)行絕對值處理)?；贜DVI和DVI與實(shí)測氮素含量相關(guān)關(guān)系生成的二維分布圖是以(400 nm,400 nm)、(1 000 nm,1 000 nm)兩點(diǎn)連線為軸的對稱圖；RVI任意兩波長構(gòu)建的RVI-N在分布上具有不對稱性。

為了更直觀地顯示各植被指數(shù)與氮素含量的敏感區(qū)域及特征敏感波段的提取，本研究在NDVI-N、RVI-N和DVI-N相關(guān)關(guān)系的基礎(chǔ)上，選擇|R|≥0.80的二維分布區(qū)域進(jìn)行特征敏感波段的確定研究。由圖7可知，基于3種植被指數(shù)與氮素含量相關(guān)系數(shù)|R|的特征敏感波段區(qū)間有所差異。植被指數(shù)NDVI、RVI與氮素含量相關(guān)系數(shù)|R|較大的值，主要位于橫軸520～600 nm、680～720 nm之間，縱軸720～1 000 nm之間。其中兩波長B347(986.4)和B186(697.0)重構(gòu)的NDVI(986.4,697.0)與氮素含量的相關(guān)系數(shù)|R|為0.890；兩波長B347(986.4)和B186(697.0)重構(gòu)的RVI(986.4,697.0)與氮素含量的相關(guān)系數(shù)|R|為0.892。氮素含量與DVI指數(shù)相關(guān)系數(shù)|R|較大的值，主要位于橫軸430～520 nm、縱軸570～670 nm范圍，其中兩波長B165(660.7)和B33(440.6)重構(gòu)的DVI(660.7,440.6)與氮素含量的相關(guān)系數(shù)|R|為0.884。因此，選取B33(440.6)、B165(660.7)、B186(697.0)和B347(986.4)為指示氮素含量的特征敏感波段。并將遙感影像內(nèi)72株核桃樹植被指數(shù)(Vegetation index,VI)的最小值、最大值、平均值和標(biāo)準(zhǔn)差進(jìn)行統(tǒng)計(jì)，結(jié)果如表2所示。

表2 氮素含量及植被指數(shù)特征值Tab.2 Characteristic values of nitrogen content and vegetation index

2.3 光譜參數(shù)與核桃冠層氮素含量的關(guān)系

在確定特征敏感波段的基礎(chǔ)上，得到重構(gòu)植被指數(shù)NDVI(986.4,697.0)、RVI(986.4,697.0)和DVI(660.7,440.6)，分析3種重構(gòu)植被指數(shù)與核桃冠層氮素含量的定量關(guān)系。同時(shí)，利用本研究獲取的試驗(yàn)數(shù)據(jù)，將其他學(xué)者提出的光譜參數(shù)與核桃冠層氮素含量進(jìn)行擬合，驗(yàn)證其對核桃冠層氮素含量的估算能力。由表3可以看出，3種重構(gòu)植被指數(shù)與其他學(xué)者提出的6種光譜參數(shù)建立的估算模型均達(dá)到極顯著水平(P<0.01)，且R2>0.50，說明參與估算模型建立的植被指數(shù)都顯著包含診斷氮素含量的可靠信息。9種光譜參數(shù)對核桃冠層氮素含量的估算能力表現(xiàn)不一，基于3種重構(gòu)植被指數(shù)NDVI(986.4,697.0)、RVI(986.4,697.0)、DVI(660.7,440.6)的擬合R2>0.80，其估算能力由大到小依次為NDVI(986.4,697.0)、RVI(986.4,697.0)、DVI(660.7,440.6)。6種光譜參數(shù)的擬合R2僅在0.50～0.70之間，其估算能力由大到小依次為Carter(695,760)、SR(750,700)、(Nir-Green)/(Nir+Green)、Nir/Green、λy、Ro，其中Carter(695,760)和SR(750,700)的擬合R2>0.65，這是因?yàn)闃?gòu)成其光譜參數(shù)的波段均位于冠層氮素敏感的紅光和近紅外波段范圍內(nèi)。雖然Carter(695,760)對核桃冠層氮素含量具有較高的估算能力，但仍小于本研究隨機(jī)組合得到的3種重構(gòu)植被指數(shù)，說明前人提出的光譜指數(shù)在估算核桃冠層氮素含量方面還存在一定的局限性。

表3 不同光譜參數(shù)的估算模型與決定系數(shù)Tab.3 Regression models and their accuracy parameters

為了驗(yàn)證估算模型的可靠性，利用獨(dú)立檢驗(yàn)樣本集(n=24)對R2較大的3種重構(gòu)植被指數(shù)建立的估算模型的反演能力進(jìn)行檢驗(yàn)，采用R2、RMSE和RE對模型的敏感性和穩(wěn)定性進(jìn)行驗(yàn)證評價(jià)，繪制3種模型的估算值與實(shí)測值的1∶1關(guān)系曲線，并將3種估算模型應(yīng)用于核桃林地冠層氮素含量的遙感反演，如圖8所示。3種重構(gòu)植被指數(shù)建立的模型，其估算值與實(shí)測值具有良好的擬合關(guān)系(R2>0.70)，其中以波長B347(986.4)和B186(697.0)構(gòu)建的NDVI-N估算模型的R2最大，為0.784，RMSE和RE分別為9.784 mg/kg、2.938%，模型估算值精度極高；兩波長B347(986.4)和B186(697.0)構(gòu)建的RVI-N估算模型的R2為0.746，RMSE為10.821 mg/kg，模型估算值精度較高；兩波長B165(660.7)和B33(440.6)構(gòu)建的DVI-N估算模型的R2為0.714，RMSE為11.179 mg/kg，RE為3.311%，模型估算效果較NDVI-N和RVI-N略低。在研究冠層全部像素點(diǎn)與氮素含量的關(guān)系中，將所提取的全部像素點(diǎn)作直方圖，方便更好地量化模型的輸出結(jié)果?；赗VI-N和NDVI-N診斷的核桃林地冠層尺度氮素含量呈現(xiàn)中間高、兩頭低的標(biāo)準(zhǔn)正態(tài)曲線分布，前者診斷的氮素含量主要集中在2.4～2.8 mg/kg(占比55.91%)范圍內(nèi)，后者診斷氮素含量主要集中在2.4～3.0 mg/kg(占比68.84%)之間?；贒VI-N診斷的氮素含量出現(xiàn)偏移，基本服從正態(tài)分布，其診斷的氮素含量主要集中在2.6～3.2 mg/kg(占比64.74%)范圍內(nèi)。

2.4 BP神經(jīng)網(wǎng)絡(luò)模型對核桃冠層氮素含量的反演

反向傳播(Back propagation,BP)神經(jīng)網(wǎng)絡(luò)具有并行處理、非線性、容錯(cuò)性和自學(xué)習(xí)的特點(diǎn)，在數(shù)據(jù)擬合與模擬中有著較高優(yōu)越性，因此被廣泛應(yīng)用于遙感影像的自動分類與定量分析。本研究利用Matlab 2014b提供的Neural-work Toolbox的BP神經(jīng)網(wǎng)絡(luò)模型來估算核桃冠層氮素含量的變化。該模型由輸入層、隱藏層和輸出層3部分組成，輸入層訓(xùn)練函數(shù)采用Trainlm，將特征敏感波長987、697、660、441 nm處的光譜反射率作為輸入矢量P，神經(jīng)元個(gè)數(shù)為4；隱藏層采用S型正切函數(shù)Tansig，神經(jīng)元個(gè)數(shù)在1～20之間，通過試錯(cuò)法逐一實(shí)驗(yàn)，選取輸出誤差最小對應(yīng)的隱藏神經(jīng)元個(gè)數(shù)；輸出層采用線性函數(shù)Purelin，神經(jīng)元個(gè)數(shù)為1，即氮素含量估算值。在48個(gè)樣本數(shù)據(jù)中，利用隨機(jī)選取的40個(gè)樣本作為訓(xùn)練集的學(xué)習(xí)目標(biāo)T，將波長987、697、660、441 nm處的光譜反射率作為輸入矢量來擬合模型，剩余8個(gè)樣本作為驗(yàn)證集，對訓(xùn)練集擬合的多個(gè)模型進(jìn)行預(yù)測，使用驗(yàn)證集選出誤差最小的模型，訓(xùn)練誤差如表4所示。由表4可知，當(dāng)隱藏層神經(jīng)元個(gè)數(shù)為5時(shí)，對應(yīng)的訓(xùn)練誤差最小，為0.030 5。因此，構(gòu)成了4-5-1的BP神經(jīng)網(wǎng)絡(luò)模型。

表4 隱藏層不同神經(jīng)元個(gè)數(shù)的誤差Tab.4 Error of different neurons in hidden layer mg/kg

當(dāng)神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練集和驗(yàn)證集選出最優(yōu)模型后，把剩余24個(gè)樣本的光譜數(shù)據(jù)作為測試集進(jìn)行模型預(yù)測，利用模擬所得氮素含量預(yù)測值與實(shí)測值進(jìn)行擬合，并通過Matlab軟件將4-5-1 BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于核桃林地遙感影像中，對核桃林地進(jìn)行氮素含量的反演。由圖9可知，當(dāng)隱藏層神經(jīng)元個(gè)數(shù)為5時(shí)，實(shí)測值與預(yù)測值的R2達(dá)到0.805，RMSE和RE為9.363 mg/kg、2.237%，基于BP神經(jīng)網(wǎng)絡(luò)模型診斷的氮素含量主要集中在2.5～3.0 mg/kg(占比66.98%)。

3 討論

植被冠層光譜特征可反映植被的色素、組織結(jié)構(gòu)和冠層結(jié)構(gòu)的綜合信息，是遙感方法探測冠層信息的重要依據(jù)[28]。冠層光譜信息精準(zhǔn)提取的關(guān)鍵是如何實(shí)現(xiàn)遙感影像的精準(zhǔn)識別與分類。本研究利用較為常見且實(shí)用性強(qiáng)、計(jì)算量較小的原始光譜特征點(diǎn)進(jìn)行植被識別與分類，并結(jié)合支持向量機(jī)分類器方法對基于特征點(diǎn)獲取的核桃冠層光譜信息進(jìn)行精度評價(jià)，其制圖精度高達(dá)96%，效果較優(yōu)。但由于冠層邊緣混合像元的復(fù)雜性，使得兩種方法提取的冠層精度依然有限，因此，如何精準(zhǔn)高效提取冠層邊緣信息還有待探究。

植被指數(shù)是由兩個(gè)或多個(gè)原始波段的光譜反射率按照一定的操作函數(shù)進(jìn)行組合運(yùn)算，能有效增強(qiáng)植被某一特性或細(xì)節(jié)，與單一波段的光譜反射率相比，這種組合增加了信息的負(fù)載量，同時(shí)降低了下墊面等外界因素的影響，可實(shí)現(xiàn)光譜信息的最大化[29-30]。本研究利用NDVI、RVI和DVI植被指數(shù)與核桃果實(shí)膨大期的冠層氮素含量進(jìn)行相關(guān)性分析，確定了B33(440.6)、B165(660.7)、B186(697.0)和B347(986.4)為指示氮素含量的最佳敏感波長，得到重構(gòu)植被指數(shù)NDVI(986.4,697.0)、RVI(986.4,697.0)和DVI(660.7,440.6)。這與王莉雯等[31]的其他植被的氮吸收波段中心位置(430、460、640、660、910、1 020 nm波長)略有不同，這可能是由于樹木異質(zhì)性以及植被自身的物候變化，導(dǎo)致不同植被氮吸收特征波段發(fā)生偏移。當(dāng)前，使用高光譜遙感數(shù)據(jù)建立經(jīng)驗(yàn)?zāi)Ｐ头囱葜脖桓骼砘瘏?shù)的研究雖然已經(jīng)取得了較多成果，但容易受地形和植被高度的影響難以獲取林木冠層尺度的光譜信息，因此多應(yīng)用于小麥[32-33]、水稻[34-35]等農(nóng)作物及其他低矮植被[36-37]，而較少用于林木冠層植被理化參數(shù)的監(jiān)測[38-39]。本文通過引入9種光譜參數(shù)，研究其與核桃冠層氮素含量的相關(guān)性。研究表明：3種重構(gòu)植被指數(shù)與核桃冠層氮素含量的相關(guān)性均優(yōu)于已有研究提出的6種光譜參數(shù)對冠層氮素含量的診斷能力，這可能是因?yàn)槠渲幸恍┲脖恢笖?shù)是基于某特定物種提出的，在估算核桃冠層氮素含量方面存在一定的局限性，而光譜參數(shù)λy和Ro與核桃冠層氮素含量的相關(guān)性最差，說明雙波段組合構(gòu)成的植被指數(shù)敏感性更高，體現(xiàn)了光譜指數(shù)的優(yōu)勢。3種重構(gòu)植被指數(shù)中以NDVI(986.4,697.0)為自變量建立的NDVI-N估算模型在進(jìn)行區(qū)域遙感影像氮素營養(yǎng)診斷時(shí)，模型的反演精度及穩(wěn)定性最佳，主要是因?yàn)?97 nm屬于紅橙光波段范圍，987 nm位于近紅外高反射率平臺。黃木易[40]指出紅橙光波段范圍是葉綠素強(qiáng)吸收帶，也是紅光區(qū)域中具有強(qiáng)光合活性的光譜帶，對植被光合作用、健康狀況極為敏感；而近紅外反射率是綠色冠層的健康指示器，因而NDVI-N估算模型對核桃冠層氮素含量具有較高的診斷精度。所以，在應(yīng)用植被指數(shù)對核桃冠層氮素含量進(jìn)行診斷時(shí)，應(yīng)優(yōu)先考慮重構(gòu)植被指數(shù)NDVI(986.4,697.0)。當(dāng)前，基于遙感影像數(shù)據(jù)進(jìn)行植被識別、分類的方法層出不窮，但并沒有特定的某種算法對于各種遙感影像來說能達(dá)到最佳的分類精度。因此，為盡可能尋找到用于核桃冠層氮素含量診斷的較優(yōu)估算模型，本研究將BP神經(jīng)網(wǎng)絡(luò)模型與無人機(jī)遙感影像相結(jié)合反演核桃冠層氮素含量，并與基于光譜參數(shù)構(gòu)建的估算模型進(jìn)行對比分析，表明BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于反演核桃冠層氮素含量的精度高于光譜參數(shù)模型，主要是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)模型具有強(qiáng)大的非線性處理問題能力和良好的容錯(cuò)能力，從而大大提高了反演精度。

本研究基于無人機(jī)遙感數(shù)據(jù)建立的核桃冠層氮素含量估算模型，雖然擬合精度較高，穩(wěn)定性較強(qiáng)，但該模型僅以香玲核桃為例，忽略了多品種間模型的通用性，且該時(shí)期提取的指示氮素含量的特征敏感波段是否適用于其他生育時(shí)期核桃樹冠層氮素含量的診斷，還需要進(jìn)一步開展對不同品種、生育階段的核桃冠層氮素含量的估算工作，以提高模型的實(shí)用性和估算精度。

4 結(jié)論

(1)核桃、土壤以及陰影區(qū)域的光譜反射率均在波段520～600 nm和750～1 000 nm范圍內(nèi)存在非重疊現(xiàn)象，且差異較大，當(dāng)B100(550.7)處的光譜反射率大于0.10，且B233(779.4)處的光譜反射率大于0.70時(shí)，可有效識別和確定核桃冠層范圍，其提取精度高達(dá)96.43%。

(2)分析了核桃冠層高光譜數(shù)據(jù)構(gòu)建的NDVI、RVI和DVI植被指數(shù)與冠層氮素含量間相關(guān)關(guān)系，確定了B33(440.6)、B165(660.7)、B186(697.0)和B347(986.4)為指示氮素含量的特征敏感波段。

(3) 9種光譜參數(shù)中，3種重構(gòu)植被指數(shù)較已有研究提出的6種光譜參數(shù)建立的估算模型具有更高精度，其中以重構(gòu)植被指數(shù)NDVI(986.4,697.0)建立的估算模型精度最高；用于核桃冠層氮素含量診斷的BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)于9種光譜參數(shù)構(gòu)建的估算模型，其估算值與實(shí)測值吻合較好，估算模型精度最高，具有一定的估算可靠性。