论文部分内容阅读
氮素是果树生长发育过程中不可或缺的营养元素,对果树的产量及果实品质等都有重要的影响。传统的氮素含量测量方法为凯氏定氮法,这种方法虽然精度较高,但难以满足田间实时监测的需要。而无人机可以携带不同传感器迅速获取高时间和高空间分辨率的影像,已被广泛应用于植被营养元素诊断等研究领域。由于无人机传感器观测方向与太阳直射方向不一致,使得在无人机遥感影像中产生了阴影,这些阴影削弱了冠层光谱信息,从而降低了冠层氮素含量反演精度。因此,如何去除果树冠层遥感影像中的阴影,以提高果树冠层氮素含量反演精度,是一个亟需解决的现实问题。本研究以山东省栖霞市苹果园为研究区,以苹果树冠层为研究对象,基于无人机携带多光谱、高光谱传感器获取乔化和矮化的不同树型苹果树冠层影像。依据无人机多光谱、高光谱影像及实验室测量的苹果树冠层氮素含量数据,采用归一化冠层阴影指数（Normalized Difference Canopy Shadow Index,NDCSI）去除遥感影像中果树冠层的阴影,提取果树冠层光谱信息。对比阴影去除前后不同树型、不同传感器果树冠层光谱特征的差异,分析阴影对不同树型、不同传感器果树冠层光谱信息的影响;基于相关系数法、改进相关系数法（Modified Correlation Coefficient Method,MCCM）分别筛选果树冠层多光谱及高光谱影像的敏感波长,构建光谱参量,建立苹果树冠层的线性及非线性氮素含量反演模型,通过检验筛选最佳氮素含量反演模型。主要研究结果如下:（1）基于NDCSI有效去除了果树冠层的无人机遥感影像阴影基于NDCSI设定合理阈值,在无人机多光谱影像中,乔化果树影像阴影去除的合理阈值为0.35,矮化果树为0.4;在无人机高光谱影像中,乔化果树影像阴影去除的合理阈值为0.035,矮化果树为0.04,实现了果树冠层无人机影像阴影的有效剔除。（2）摸清了阴影对不同传感器、不同树型果树冠层光谱数据的影响阴影去除后两种树型果树冠层光谱反射率值均有提升;两种树型和两种传感器光谱影像均于红边及近红外波段范围内受阴影的影响作用明显;由于果树的排列方式及冠层结构的影响,两种树型果树于红外波段光谱信息差异较大。（3）确定了无人机不同传感器影像氮素含量的敏感波长及光谱特征参量苹果树冠层多光谱影像氮素含量敏感波段为绿光波段及红光波段;苹果树冠层高光谱影像氮素含量敏感波长为470nm;474nm;490nm;514nm;582nm;634nm;682nm。将苹果树冠层多光谱影像去除阴影后,构建RVI（NIR/R）、RVI（NIR/G）、RVI（Red-edge/NIR）、RDVI、DVI、NDVI、GNDVI、GRVI、NRI、OSAVI、NDCI、TVI、R-M、MSAVI、MSRVI、N-L VI共16个植被指数类光谱参量,G、R、E、N、Ln G、Ln R、Ln E、Ln N、1/G、1/R、1/E、1/N、（?）、（?）、（?）、（?）、G×R、G×E、G×N、R×E、R×N、E×N、G×R×E、G×R×N、G×E×N、R×E×N、G×R×E×N共27个非植被指数类光谱参量,与实测氮素含量进行相关性分析。最终筛选的敏感光谱参量为Green、（?）、ln G、1/G、G*R、G*R*N,相关系数分别为-0.681、-0.681、-0.679、0.676、-0.672、-0.664。将苹果树冠层高光谱影像阴影去除后的敏感波长进行随机组合,构建DSI（x,y）、RSI（x,y）、NDSI（x,y）、DDI（x,y,z）四种光谱参量。研究发现,基于三波长构建的光谱参量与氮素含量的相关性高于两波长。最终筛选的敏感光谱参量为DDI（474,514,634）、DDI（474,582,634）、DDI（490,582,634）、DDI（470,582,634）、DDI（514,582,634）、DDI（474,490,634）,相关系数分别为0.697,0.735,0.728,0.718,0.716,0.701。（4）构建了苹果树的最佳氮素含量反演模型基于阴影去除后高光谱影像构建的线性模型（多元线性回归、偏最小二乘模型）和非线性模型（支持向量机、BP神经网络模型）精度高于基于多光谱影像构建的模型,非线性模型的精度高于线性模型的精度。其中,最优模型为基于阴影去除后高光谱影像构建的支持向量机模型,该模型建模集R2为0.733,RMSE为6.00%,n RMSE为12.76%;验证集R2为0.671,RMSE为4.73%,n RMSE为14.83%。