基于无人机遥感影像的核桃冠层氮素含量估算

王鑫梅 张劲松 孟 平 杨洪国 孙 圣

(1.中国林业科学研究院林业研究所， 北京 100091； 2.南京林业大学南方现代林业协同创新中心， 南京 210037)

0 引言

叶片氮素含量是表征植被健康状况、果实产量及品质形成的重要生理指标[1]。植被氮素缺乏会影响其光合作用的正常进行，导致植株早衰、产量和品质下降，而植被氮素的变化均会在植株叶片或冠层的反射光谱中反映出来[2]。因此，实时、快速、精准地获取经济林果树的氮素含量，并依据其营养诊断结果评估果树长势，从而进行科学合理地控肥，是实现果树精准管理和保障果树优质丰产的重要手段[3-4]。高光谱遥感具有波段较多、光谱分辨率高及能对地物进行精细光谱差异定量分析等特点，在地物识别中起到关键作用，为定量分析植被氮素、叶绿素等理化参数与光谱特征的关系提供了强有力的工具[5-6]。目前，基于高光谱数据进行植被理化参数的研究主要集中在大田低矮农作物冠层和苹果[7-8]、柑橘[9-10]、柿子[11]、核桃[12]等经济林树种叶片尺度。这主要是因为大田农作物多为连续冠层，在光谱数据采集和冠层有效信息提取方面占有绝对优势；由于林木树体高大、冠层结构复杂和树木异质性等因素导致其在冠层尺度光谱有效信息的提取上受到了限制，且多采用地物光谱仪获取数据，难以满足大范围观测的需求。由于受天气影响，卫星遥感的时空分辨率相对较低，难以满足果树氮素营养诊断的精准性和时效性[13]。近年来，无人机遥感技术以其图谱合一、机动灵活、操作简便、图像分辨率高及低空飞行的优势，能够针对性地获取多尺度、多时相的遥感影像数据，既弥补了地物光谱仪不能进行大范围遥感监测的缺陷，又解决了卫星遥感由气候因素所引起的云层遮挡以及精度不足等问题，已成为精准、定量估算田间乃至区域冠层尺度经济林果树氮素含量的重要技术手段[14-16]。

目前，利用高光谱遥感影像数据估算植被理化参数的方法主要包括3类：多元统计分析方法，包括植被指数、导数光谱等[17-18]；基于光谱特征位置变量的分析方法，包括红边位置、黄边位置等[19]；光学传输模型方法[20]。已有学者利用非成像遥感数据通过选用特定波段的植被指数和光谱位置变量对核桃叶片氮素含量进行估算，同时与经济林同类估算模型进行对比，这些研究均局限于叶片尺度，存在空间代表性不足、未完全考虑不同生育期叶片高光谱特性的差异性等问题，从而制约了研究结果的应用。迄今为止，利用无人机遥感技术对核桃冠层氮素含量的营养诊断鲜见报道，而将人工神经网络模型应用到参数反演中的相关研究在国内也处于研究初期。核桃(JuglansregiaL.)是我国重要的坚果类果树和木本油料树种，以其独特的风味和丰富的营养价值名列世界四大干果之首。果实膨大期是核桃果实发育过程的第1个时期，该时期如营养不足将直接影响后期果实的品质及产量。因此，核桃果实膨大期氮素含量的监测和诊断对及时掌控树体长势、调整精细化管理方案具有重要意义。

本研究以低空无人机遥感平台搭载成像光谱仪GaiaSky-mini2(简称GS-2)，对果实膨大期的核桃林地进行遥感影像采集，利用归一化植被指数(Normalized difference vegetation index, NDVI)、比值植被指数(Ratio vegetation index, RVI)和差值植被指数(Difference vegetation index, DVI)筛选指示氮素含量的特征敏感波段，建立不同光谱参数的遥感估算模型，并与BP神经网络模型建立的估算模型进行精度对比，以期寻找最优的氮素含量反演模型，为高效、无损、精准监测田间尺度核桃树冠层氮素含量提供指导。

1 材料与方法

研究区位于河南省济源市西郊鸿润苗圃园区(35°1′N，112°28′E)，园区占地150 hm2，属暖温带大陆性季风气候，年均降水量641.7 mm，其中6—9月降水量占全年68.3%。气候特点是春旱多风，夏秋多雨，冬寒干燥，日照时间长，辐射能量大，光照条件适宜，热量充足，昼夜温差大。供试核桃品种为5年生的香玲核桃，核桃树栽植密度为3 m×5 m，树高2.5～3.0 m。

1.1 无人机遥感影像获取

于2019年5月20日(果实膨大期)11:30—12:30，利用经纬M600型六旋翼无人机搭载四川双利合谱有限公司研发的GS-2型高光谱成像光谱仪对5年生核桃林地进行遥感影像采集，波段为400～1 000 nm，光谱分辨率3.5 nm，包含360个通道(B1～B360)，如B233(779.4)表示第233个通道对应波长779.4 nm。本次航线设置飞行高度60 m，镜头焦距18.5 nm，扫描视场角28.79°，空间分辨率2.9 cm，每景高光谱影像数据之间的横、纵重叠率均为50%。利用Specview软件对获取的机载遥感影像进行镜头校准、反射率校正、大气校正等处理，得到反射率影像数据。所用无人机与成像光谱仪如图1所示。

1.2 氮素含量测定

从采集的5年生核桃林地遥感影像内选择72株核桃树进行样本采集，在每株核桃树冠层东南西北4个方位各随机选取5个充分展开、无损伤、无病虫害的健康功能叶片，将其按照方位顺序进行编码放入保鲜袋内，密封后放入带有冰盒的保温箱带回实验室采用凯氏定氮法[21]测定氮素含量。

1.3 特征敏感波段筛选

为研究核桃冠层高光谱影像数据构建的多波段光谱数据与氮素含量的关系，本研究通过选取较为常用的NDVI、RVI和DVI进行两波段随机组合，筛选指示核桃树冠层氮素含量的特征敏感波段，建立估算模型。同时，对国内外学者提出的适用于经济林果树氮素含量估算的光谱参数进行对比，以寻求适用于核桃冠层氮素诊断的最佳模型。光谱参数的定义和来源如表1所示。

表1 光谱参数的定义和来源Tab.1 Definition and source of spectral parameters

1.4 无人机遥感影像处理

1.4.1冠层范围确定

对于郁闭冠层的遥感影像可直接提取冠层光谱反射率；但对于非郁闭的核桃树遥感影像，除了目标植被以外，还包括阴影和裸露地表等非目标物的影响。首先，使用ENVI 5.3软件的Savitzky-Golay工具将获取的无人机遥感影像进行滤波去噪，以提高光谱反射率的平滑性。然后，通过目视解译法对观测范围内的土壤、阴影及核桃树进行识别，在ENVI 5.3中构建感兴趣区(Region of interest, ROI)，将构建的ROI内全部像素点对应的光谱反射率导出到Excel中，根据不同地物特有的波形差异来确定范围。在核桃树冠层范围确定的基础上，根据地面实测72株核桃树的GPS信息构建ROI，并将构建的72个ROI内全部像素点对应的光谱反射率导出到Excel中，以单个ROI内全部光谱反射率的均值作为单株核桃树的冠层光谱率，最终获取72株核桃树的光谱反射率。

1.4.2精度验证

本研究除了选取常用的表征模型精度的决定系数R2外，还采用均方根误差(Root mean square error, RMSE)和相对误差(Relative error, RE)评价模型精度。RMSE反映了估算值偏离真实值的程度，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。当RMSE小于等于10 mg/kg、RE小于等于10%时，判断模型估算值精度为极高，RMSE大于10 mg/kg且小于等于20 mg/kg、RE大于10%且小于等于20%时，判断模型估算值精度为高，RMSE大于20 mg/kg且小于等于30 mg/kg、RE大于20%且小于等于30%时，判断模型估算值精度为中等，RMSE大于300 mg/kg、RE大于30%时，判断模型估算值精度为差[26-27]。

2 结果与分析

2.1 冠层范围确定及冠层光谱的提取与精度验证

由图2可知，5年生核桃林地遥感影像内，核桃、土壤和阴影在全波段范围内存在一定程度的重叠。在波段520～600 nm范围内，阴影的光谱反射率均小于0.10；核桃和土壤的光谱反射率差异明显未出现重叠现象，在该范围内两者的光谱反射率大于0.10。在波段750～1 000 nm范围内，核桃、土壤和阴影的光谱反射率差异明显，核桃的光谱反射率在波段740～900 nm区间内大于0.7，其余非目标植被的光谱反射率均小于0.7。由于核桃光谱反射率在绿光和近红外波段区间内可区别于其它非目标植被，而不是某一个或某些波段，导致无法在ENVI 5.3软件中进行运算，因此为方便核桃冠层范围提取过程的顺利进行，本研究选用绿光和近红外两个波段区间内核桃树冠层光谱反射率最大值所对应的B100(550.7)和B233(779.4)进行分类识别，从而确定冠层范围。在ENVI 5.3软件中对核桃树、土壤和阴影进行定义，即当B100(550.7)处的光谱反射率小于等于0.10且B233(779.4)处的光谱反射率小于等于0.20时，识别为阴影并剔除；当B100(550.7)处的光谱反射率大于0.10且B233(779.4)处的光谱反射率小于等于0.70时，识别为土壤并剔除；当B100(550.7)处光谱反射率大于0.10且B233(779.4)处的光谱反射率大于0.70时，识别为目标植被核桃树。

最终，根据NDVI、RVI和DVI植被指数公式，计算获得72株核桃树的植被指数特征值及冠层光谱反射率，如图3所示。

本研究另外采用具有较好推广性和分类准确率的支持向量机(Support vector machine, SVM)进行冠层范围的提取，对比基于光谱特征方法提取冠层范围的精准性。首先，在ENVI 5.3软件中，将遥感影像中的地物分为核桃树和其它两类(图4)，其中红色区域为核桃树冠层，绿色区域为其他。两类样本之间的可分离性为1.998，再选择SVM分类器进行监督分类得到原始分类结果(图5a)，但该分类结果往往存在一些面积极小的斑块，其精度难以达到最终应用的目的。因此采用Majority小斑块处理方法对初步分类结果进行处理，得到满足实际需求的分类结果(图5b)，并对分类结果进行精度验证，其Kappa系数为0.997，目标植被核桃的制图精度为99.65%。最后，通过Matlab 2014b软件，将本研究基于光谱特征确定的冠层范围与支持向量机方法识别的冠层范围像素点进行重叠，其重合区域像素点为4 257个，基于光谱特征筛选的冠层范围像素点个数占支持向量机像素点个数的96.77%，制图精度为96.43%，精度较高，重叠结果如图6所示。

2.2 特征敏感波段选取与植被指数特征值计算

将提取的72株核桃树冠层光谱反射率经NDVI、RVI和DVI运算后与实测氮素含量进行相关性分析，筛选出指示氮素含量的最佳特征敏感波段。基于两波段植被指数NDVI、RVI和DVI的构建方法，通过Matlab 2014b将400～1 000 nm范围内的波段进行任意两波段组合计算，与氮素含量进行相关性分析，生成NDVI-N、RVI-N和DVI-N相关关系的二维分布图。由图7可知，横、纵坐标为高光谱波长，图内任意点即为该点对应的横纵轴两波长组合构建的植被指数与氮素含量相关系数的绝对值(为了对结果进行直观比较，故将所有相关系数进行绝对值处理)。基于NDVI和DVI与实测氮素含量相关关系生成的二维分布图是以(400 nm,400 nm)、(1 000 nm,1 000 nm)两点连线为轴的对称图；RVI任意两波长构建的RVI-N在分布上具有不对称性。

为了更直观地显示各植被指数与氮素含量的敏感区域及特征敏感波段的提取，本研究在NDVI-N、RVI-N和DVI-N相关关系的基础上，选择|R|≥0.80的二维分布区域进行特征敏感波段的确定研究。由图7可知，基于3种植被指数与氮素含量相关系数|R|的特征敏感波段区间有所差异。植被指数NDVI、RVI与氮素含量相关系数|R|较大的值，主要位于横轴520～600 nm、680～720 nm之间，纵轴720～1 000 nm之间。其中两波长B347(986.4)和B186(697.0)重构的NDVI(986.4,697.0)与氮素含量的相关系数|R|为0.890；两波长B347(986.4)和B186(697.0)重构的RVI(986.4,697.0)与氮素含量的相关系数|R|为0.892。氮素含量与DVI指数相关系数|R|较大的值，主要位于横轴430～520 nm、纵轴570～670 nm范围，其中两波长B165(660.7)和B33(440.6)重构的DVI(660.7,440.6)与氮素含量的相关系数|R|为0.884。因此，选取B33(440.6)、B165(660.7)、B186(697.0)和B347(986.4)为指示氮素含量的特征敏感波段。并将遥感影像内72株核桃树植被指数(Vegetation index,VI)的最小值、最大值、平均值和标准差进行统计，结果如表2所示。

表2 氮素含量及植被指数特征值Tab.2 Characteristic values of nitrogen content and vegetation index

2.3 光谱参数与核桃冠层氮素含量的关系

在确定特征敏感波段的基础上，得到重构植被指数NDVI(986.4,697.0)、RVI(986.4,697.0)和DVI(660.7,440.6)，分析3种重构植被指数与核桃冠层氮素含量的定量关系。同时，利用本研究获取的试验数据，将其他学者提出的光谱参数与核桃冠层氮素含量进行拟合，验证其对核桃冠层氮素含量的估算能力。由表3可以看出，3种重构植被指数与其他学者提出的6种光谱参数建立的估算模型均达到极显著水平(P<0.01)，且R2>0.50，说明参与估算模型建立的植被指数都显著包含诊断氮素含量的可靠信息。9种光谱参数对核桃冠层氮素含量的估算能力表现不一，基于3种重构植被指数NDVI(986.4,697.0)、RVI(986.4,697.0)、DVI(660.7,440.6)的拟合R2>0.80，其估算能力由大到小依次为NDVI(986.4,697.0)、RVI(986.4,697.0)、DVI(660.7,440.6)。6种光谱参数的拟合R2仅在0.50～0.70之间，其估算能力由大到小依次为Carter(695,760)、SR(750,700)、(Nir-Green)/(Nir+Green)、Nir/Green、λy、Ro，其中Carter(695,760)和SR(750,700)的拟合R2>0.65，这是因为构成其光谱参数的波段均位于冠层氮素敏感的红光和近红外波段范围内。虽然Carter(695,760)对核桃冠层氮素含量具有较高的估算能力，但仍小于本研究随机组合得到的3种重构植被指数，说明前人提出的光谱指数在估算核桃冠层氮素含量方面还存在一定的局限性。

表3 不同光谱参数的估算模型与决定系数Tab.3 Regression models and their accuracy parameters

为了验证估算模型的可靠性，利用独立检验样本集(n=24)对R2较大的3种重构植被指数建立的估算模型的反演能力进行检验，采用R2、RMSE和RE对模型的敏感性和稳定性进行验证评价，绘制3种模型的估算值与实测值的1∶1关系曲线，并将3种估算模型应用于核桃林地冠层氮素含量的遥感反演，如图8所示。3种重构植被指数建立的模型，其估算值与实测值具有良好的拟合关系(R2>0.70)，其中以波长B347(986.4)和B186(697.0)构建的NDVI-N估算模型的R2最大，为0.784，RMSE和RE分别为9.784 mg/kg、2.938%，模型估算值精度极高；两波长B347(986.4)和B186(697.0)构建的RVI-N估算模型的R2为0.746，RMSE为10.821 mg/kg，模型估算值精度较高；两波长B165(660.7)和B33(440.6)构建的DVI-N估算模型的R2为0.714，RMSE为11.179 mg/kg，RE为3.311%，模型估算效果较NDVI-N和RVI-N略低。在研究冠层全部像素点与氮素含量的关系中，将所提取的全部像素点作直方图，方便更好地量化模型的输出结果。基于RVI-N和NDVI-N诊断的核桃林地冠层尺度氮素含量呈现中间高、两头低的标准正态曲线分布，前者诊断的氮素含量主要集中在2.4～2.8 mg/kg(占比55.91%)范围内，后者诊断氮素含量主要集中在2.4～3.0 mg/kg(占比68.84%)之间。基于DVI-N诊断的氮素含量出现偏移，基本服从正态分布，其诊断的氮素含量主要集中在2.6～3.2 mg/kg(占比64.74%)范围内。

2.4 BP神经网络模型对核桃冠层氮素含量的反演

反向传播(Back propagation,BP)神经网络具有并行处理、非线性、容错性和自学习的特点，在数据拟合与模拟中有着较高优越性，因此被广泛应用于遥感影像的自动分类与定量分析。本研究利用Matlab 2014b提供的Neural-work Toolbox的BP神经网络模型来估算核桃冠层氮素含量的变化。该模型由输入层、隐藏层和输出层3部分组成，输入层训练函数采用Trainlm，将特征敏感波长987、697、660、441 nm处的光谱反射率作为输入矢量P，神经元个数为4；隐藏层采用S型正切函数Tansig，神经元个数在1～20之间，通过试错法逐一实验，选取输出误差最小对应的隐藏神经元个数；输出层采用线性函数Purelin，神经元个数为1，即氮素含量估算值。在48个样本数据中，利用随机选取的40个样本作为训练集的学习目标T，将波长987、697、660、441 nm处的光谱反射率作为输入矢量来拟合模型，剩余8个样本作为验证集，对训练集拟合的多个模型进行预测，使用验证集选出误差最小的模型，训练误差如表4所示。由表4可知，当隐藏层神经元个数为5时，对应的训练误差最小，为0.030 5。因此，构成了4-5-1的BP神经网络模型。

表4 隐藏层不同神经元个数的误差Tab.4 Error of different neurons in hidden layer mg/kg

当神经网络通过训练集和验证集选出最优模型后，把剩余24个样本的光谱数据作为测试集进行模型预测，利用模拟所得氮素含量预测值与实测值进行拟合，并通过Matlab软件将4-5-1 BP神经网络模型应用于核桃林地遥感影像中，对核桃林地进行氮素含量的反演。由图9可知，当隐藏层神经元个数为5时，实测值与预测值的R2达到0.805，RMSE和RE为9.363 mg/kg、2.237%，基于BP神经网络模型诊断的氮素含量主要集中在2.5～3.0 mg/kg(占比66.98%)。

3 讨论

植被冠层光谱特征可反映植被的色素、组织结构和冠层结构的综合信息，是遥感方法探测冠层信息的重要依据[28]。冠层光谱信息精准提取的关键是如何实现遥感影像的精准识别与分类。本研究利用较为常见且实用性强、计算量较小的原始光谱特征点进行植被识别与分类，并结合支持向量机分类器方法对基于特征点获取的核桃冠层光谱信息进行精度评价，其制图精度高达96%，效果较优。但由于冠层边缘混合像元的复杂性，使得两种方法提取的冠层精度依然有限，因此，如何精准高效提取冠层边缘信息还有待探究。

植被指数是由两个或多个原始波段的光谱反射率按照一定的操作函数进行组合运算，能有效增强植被某一特性或细节，与单一波段的光谱反射率相比，这种组合增加了信息的负载量，同时降低了下垫面等外界因素的影响，可实现光谱信息的最大化[29-30]。本研究利用NDVI、RVI和DVI植被指数与核桃果实膨大期的冠层氮素含量进行相关性分析，确定了B33(440.6)、B165(660.7)、B186(697.0)和B347(986.4)为指示氮素含量的最佳敏感波长，得到重构植被指数NDVI(986.4,697.0)、RVI(986.4,697.0)和DVI(660.7,440.6)。这与王莉雯等[31]的其他植被的氮吸收波段中心位置(430、460、640、660、910、1 020 nm波长)略有不同，这可能是由于树木异质性以及植被自身的物候变化，导致不同植被氮吸收特征波段发生偏移。当前，使用高光谱遥感数据建立经验模型反演植被各理化参数的研究虽然已经取得了较多成果，但容易受地形和植被高度的影响难以获取林木冠层尺度的光谱信息，因此多应用于小麦[32-33]、水稻[34-35]等农作物及其他低矮植被[36-37]，而较少用于林木冠层植被理化参数的监测[38-39]。本文通过引入9种光谱参数，研究其与核桃冠层氮素含量的相关性。研究表明：3种重构植被指数与核桃冠层氮素含量的相关性均优于已有研究提出的6种光谱参数对冠层氮素含量的诊断能力，这可能是因为其中一些植被指数是基于某特定物种提出的，在估算核桃冠层氮素含量方面存在一定的局限性，而光谱参数λy和Ro与核桃冠层氮素含量的相关性最差，说明双波段组合构成的植被指数敏感性更高，体现了光谱指数的优势。3种重构植被指数中以NDVI(986.4,697.0)为自变量建立的NDVI-N估算模型在进行区域遥感影像氮素营养诊断时，模型的反演精度及稳定性最佳，主要是因为697 nm属于红橙光波段范围，987 nm位于近红外高反射率平台。黄木易[40]指出红橙光波段范围是叶绿素强吸收带，也是红光区域中具有强光合活性的光谱带，对植被光合作用、健康状况极为敏感；而近红外反射率是绿色冠层的健康指示器，因而NDVI-N估算模型对核桃冠层氮素含量具有较高的诊断精度。所以，在应用植被指数对核桃冠层氮素含量进行诊断时，应优先考虑重构植被指数NDVI(986.4,697.0)。当前，基于遥感影像数据进行植被识别、分类的方法层出不穷，但并没有特定的某种算法对于各种遥感影像来说能达到最佳的分类精度。因此，为尽可能寻找到用于核桃冠层氮素含量诊断的较优估算模型，本研究将BP神经网络模型与无人机遥感影像相结合反演核桃冠层氮素含量，并与基于光谱参数构建的估算模型进行对比分析，表明BP神经网络模型应用于反演核桃冠层氮素含量的精度高于光谱参数模型，主要是因为BP神经网络模型具有强大的非线性处理问题能力和良好的容错能力，从而大大提高了反演精度。

本研究基于无人机遥感数据建立的核桃冠层氮素含量估算模型，虽然拟合精度较高，稳定性较强，但该模型仅以香玲核桃为例，忽略了多品种间模型的通用性，且该时期提取的指示氮素含量的特征敏感波段是否适用于其他生育时期核桃树冠层氮素含量的诊断，还需要进一步开展对不同品种、生育阶段的核桃冠层氮素含量的估算工作，以提高模型的实用性和估算精度。

4 结论

(1)核桃、土壤以及阴影区域的光谱反射率均在波段520～600 nm和750～1 000 nm范围内存在非重叠现象，且差异较大，当B100(550.7)处的光谱反射率大于0.10，且B233(779.4)处的光谱反射率大于0.70时，可有效识别和确定核桃冠层范围，其提取精度高达96.43%。

(2)分析了核桃冠层高光谱数据构建的NDVI、RVI和DVI植被指数与冠层氮素含量间相关关系，确定了B33(440.6)、B165(660.7)、B186(697.0)和B347(986.4)为指示氮素含量的特征敏感波段。

(3) 9种光谱参数中，3种重构植被指数较已有研究提出的6种光谱参数建立的估算模型具有更高精度，其中以重构植被指数NDVI(986.4,697.0)建立的估算模型精度最高；用于核桃冠层氮素含量诊断的BP神经网络模型优于9种光谱参数构建的估算模型，其估算值与实测值吻合较好，估算模型精度最高，具有一定的估算可靠性。