王鑫梅 張勁松 孟 平 楊洪國 孫 圣

(1.中國林業(yè)科學研究院林業(yè)研究所， 北京 100091； 2.南京林業(yè)大學南方現(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、果實產(chǎn)量及品質(zhì)形成的重要生理指標[1]。植被氮素缺乏會影響其光合作用的正常進行，導致植株早衰、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，實時、快速、精準地獲取經(jīng)濟林果樹的氮素含量，并依據(jù)其營養(yǎng)診斷結果評估果樹長勢，從而進行科學合理地控肥，是實現(xiàn)果樹精準管理和保障果樹優(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行精細光譜差異定量分析等特點，在地物識別中起到關鍵作用，為定量分析植被氮素、葉綠素等理化參數(shù)與光譜特征的關系提供了強有力的工具[5-6]。目前，基于高光譜數(shù)據(jù)進行植被理化參數(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)濟林樹種葉片尺度。這主要是因為大田農(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、冠層結構復雜和樹木異質(zhì)性等因素導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)星遙感的時空分辨率相對較低，難以滿足果樹氮素營養(yǎng)診斷的精準性和時效性[13]。近年來，無人機遙感技術以其圖譜合一、機動靈活、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、多時相的遙感影像數(shù)據(jù)，既彌補了地物光譜儀不能進行大范圍遙感監(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、定量估算田間乃至區(qū)域冠層尺度經(jīng)濟林果樹氮素含量的重要技術手段[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)計分析方法，包括植被指數(shù)、導數(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]；光學傳輸模型方法[20]。已有學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行估算，同時與經(jīng)濟林同類估算模型進行對比，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，從而制約了研究結果的應用。迄今為止，利用無人機遙感技術對核桃冠層氮素含量的營養(yǎng)診斷鮮見報道，而將人工神經(jīng)網(wǎng)絡模型應用到參數(shù)反演中的相關研究在國內(nèi)也處于研究初期。核桃(JuglansregiaL.)是我國重要的堅果類果樹和木本油料樹種，以其獨特的風味和豐富的營養(yǎng)價值名列世界四大干果之首。果實膨大期是核桃果實發(fā)育過程的第1個時期，該時期如營養(yǎng)不足將直接影響后期果實的品質(zhì)及產(chǎn)量。因此，核桃果實膨大期氮素含量的監(jiān)測和診斷對及時掌控樹體長勢、調(diào)整精細化管理方案具有重要意義。

本研究以低空無人機遙感平臺搭載成像光譜儀GaiaSky-mini2(簡稱GS-2)，對果實膨大期的核桃林地進行遙感影像采集，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)絡模型建立的估算模型進行精度對比，以期尋找最優(yōu)的氮素含量反演模型，為高效、無損、精準監(jiān)測田間尺度核桃樹冠層氮素含量提供指導。

1 材料與方法

研究區(qū)位于河南省濟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%。氣候特點是春旱多風，夏秋多雨，冬寒干燥，日照時間長，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 無人機遙感影像獲取

于2019年5月20日(果實膨大期)11:30—12:30，利用經(jīng)緯M600型六旋翼無人機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個通道(B1～B360)，如B233(779.4)表示第233個通道對應波長779.4 nm。本次航線設置飛行高度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軟件對獲取的機載遙感影像進行鏡頭校準、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株核桃樹進行樣本采集，在每株核桃樹冠層東南西北4個方位各隨機選取5個充分展開、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驗室采用凱氏定氮法[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)構建的多波段光譜數(shù)據(jù)與氮素含量的關系，本研究通過選取較為常用的NDVI、RVI和DVI進行兩波段隨機組合，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，對國內(nèi)外學者提出的適用于經(jīng)濟林果樹氮素含量估算的光譜參數(shù)進行對比，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，除了目標植被以外，還包括陰影和裸露地表等非目標物的影響。首先，使用ENVI 5.3軟件的Savitzky-Golay工具將獲取的無人機遙感影像進行濾波去噪，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、陰影及核桃樹進行識別，在ENVI 5.3中構建感興趣區(qū)(Region of interest, ROI)，將構建的ROI內(nèi)全部像素點對應的光譜反射率導出到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上，根據(jù)地面實測72株核桃樹的GPS信息構建ROI，并將構建的72個ROI內(nèi)全部像素點對應的光譜反射率導出到Excel中，以單個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)評價模型精度。RMSE反映了估算值偏離真實值的程度，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RMSE小于等于10 mg/kg、RE小于等于10%時，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，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，判斷模型估算值精度為中等，RMSE大于300 mg/kg、RE大于30%時，判斷模型估算值精度為差[26-27]。

2 結果與分析

2.1 冠層范圍確定及冠層光譜的提取與精度驗證

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)別于其它非目標植被，而不是某一個或某些波段，導致無法在ENVI 5.3軟件中進行運算，因此為方便核桃冠層范圍提取過程的順利進行，本研究選用綠光和近紅外兩個波段區(qū)間內(nèi)核桃樹冠層光譜反射率最大值所對應的B100(550.7)和B233(779.4)進行分類識別，從而確定冠層范圍。在ENVI 5.3軟件中對核桃樹、土壤和陰影進行定義，即當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，識別為陰影并剔除；當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，識別為土壤并剔除；當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，識別為目標植被核桃樹。

最終，根據(jù)NDVI、RVI和DVI植被指數(shù)公式，計算獲得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確率的支持向量機(Support vector machine, SVM)進行冠層范圍的提取，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)域為核桃樹冠層，綠色區(qū)域為其他。兩類樣本之間的可分離性為1.998，再選擇SVM分類器進行監(jiān)督分類得到原始分類結果(圖5a)，但該分類結果往往存在一些面積極小的斑塊，其精度難以達到最終應用的目的。因此采用Majority小斑塊處理方法對初步分類結果進行處理，得到滿足實際需求的分類結果(圖5b)，并對分類結果進行精度驗證，其Kappa系數(shù)為0.997，目標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方法識別的冠層范圍像素點進行重疊，其重合區(qū)域像素點為4 257個，基于光譜特征篩選的冠層范圍像素點個數(shù)占支持向量機像素點個數(shù)的96.77%，制圖精度為96.43%，精度較高，重疊結果如圖6所示。

2.2 特征敏感波段選取與植被指數(shù)特征值計算

將提取的72株核桃樹冠層光譜反射率經(jīng)NDVI、RVI和DVI運算后與實測氮素含量進行相關性分析，篩選出指示氮素含量的最佳特征敏感波段。基于兩波段植被指數(shù)NDVI、RVI和DVI的構建方法，通過Matlab 2014b將400～1 000 nm范圍內(nèi)的波段進行任意兩波段組合計算，與氮素含量進行相關性分析，生成NDVI-N、RVI-N和DVI-N相關關系的二維分布圖。由圖7可知，橫、縱坐標為高光譜波長，圖內(nèi)任意點即為該點對應的橫縱軸兩波長組合構建的植被指數(shù)與氮素含量相關系數(shù)的絕對值(為了對結果進行直觀比較，故將所有相關系數(shù)進行絕對值處理)?；贜DVI和DVI與實測氮素含量相關關系生成的二維分布圖是以(400 nm,400 nm)、(1 000 nm,1 000 nm)兩點連線為軸的對稱圖；RVI任意兩波長構建的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相關關系的基礎上，選擇|R|≥0.80的二維分布區(qū)域進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)重構的NDVI(986.4,697.0)與氮素含量的相關系數(shù)|R|為0.890；兩波長B347(986.4)和B186(697.0)重構的RVI(986.4,697.0)與氮素含量的相關系數(shù)|R|為0.892。氮素含量與DVI指數(shù)相關系數(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)重構的DVI(660.7,440.6)與氮素含量的相關系數(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、平均值和標準差進行統(tǒng)計，結果如表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系

在確定特征敏感波段的基礎上，得到重構植被指數(shù)NDVI(986.4,697.0)、RVI(986.4,697.0)和DVI(660.7,440.6)，分析3種重構植被指數(shù)與核桃冠層氮素含量的定量關系。同時，利用本研究獲取的試驗數(shù)據(jù)，將其他學者提出的光譜參數(shù)與核桃冠層氮素含量進行擬合，驗證其對核桃冠層氮素含量的估算能力。由表3可以看出，3種重構植被指數(shù)與其他學者提出的6種光譜參數(shù)建立的估算模型均達到極顯著水平(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，這是因為構成其光譜參數(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組合得到的3種重構植被指數(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

為了驗證估算模型的可靠性，利用獨立檢驗樣本集(n=24)對R2較大的3種重構植被指數(shù)建立的估算模型的反演能力進行檢驗，采用R2、RMSE和RE對模型的敏感性和穩(wěn)定性進行驗證評價，繪制3種模型的估算值與實測值的1∶1關系曲線，并將3種估算模型應用于核桃林地冠層氮素含量的遙感反演，如圖8所示。3種重構植被指數(shù)建立的模型，其估算值與實測值具有良好的擬合關系(R2>0.70)，其中以波長B347(986.4)和B186(697.0)構建的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與氮素含量的關系中，將所提取的全部像素點作直方圖，方便更好地量化模型的輸出結果?；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、兩頭低的標準正態(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)絡具有并行處理、非線性、容錯性和自學習的特點，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)元個數(shù)為4；隱藏層采用S型正切函數(shù)Tansig，神經(jīng)元個數(shù)在1～20之間，通過試錯法逐一實驗，選取輸出誤差最小對應的隱藏神經(jīng)元個數(shù)；輸出層采用線性函數(shù)Purelin，神經(jīng)元個數(shù)為1，即氮素含量估算值。在48個樣本數(shù)據(jù)中，利用隨機選取的40個樣本作為訓練集的學習目標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個樣本作為驗證集，對訓練集擬合的多個模型進行預測，使用驗證集選出誤差最小的模型，訓練誤差如表4所示。由表4可知，當隱藏層神經(jīng)元個數(shù)為5時，對應的訓練誤差最小，為0.030 5。因此，構成了4-5-1的BP神經(jīng)網(wǎng)絡模型。

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

當神經(jīng)網(wǎng)絡通過訓練集和驗證集選出最優(yōu)模型后，把剩余24個樣本的光譜數(shù)據(jù)作為測試集進行模型預測，利用模擬所得氮素含量預測值與實測值進行擬合，并通過Matlab軟件將4-5-1 BP神經(jīng)網(wǎng)絡模型應用于核桃林地遙感影像中，對核桃林地進行氮素含量的反演。由圖9可知，當隱藏層神經(jīng)元個數(shù)為5時，實測值與預測值的R2達到0.805，RMSE和RE為9.363 mg/kg、2.237%，基于BP神經(jīng)網(wǎng)絡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、組織結構和冠層結構的綜合信息，是遙感方法探測冠層信息的重要依據(jù)[28]。冠層光譜信息精準提取的關鍵是如何實現(xiàn)遙感影像的精準識別與分類。本研究利用較為常見且實用性強、計算量較小的原始光譜特征點進行植被識別與分類，并結合支持向量機分類器方法對基于特征點獲取的核桃冠層光譜信息進行精度評價，其制圖精度高達96%，效果較優(yōu)。但由于冠層邊緣混合像元的復雜性，使得兩種方法提取的冠層精度依然有限，因此，如何精準高效提取冠層邊緣信息還有待探究。

植被指數(shù)是由兩個或多個原始波段的光譜反射率按照一定的操作函數(shù)進行組合運算，能有效增強植被某一特性或細節(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載量，同時降低了下墊面等外界因素的影響，可實現(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)與核桃果實膨大期的冠層氮素含量進行相關性分析，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，導致不同植被氮吸收特征波段發(fā)生偏移。當前，使用高光譜遙感數(shù)據(jù)建立經(jīng)驗模型反演植被各理化參數(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性。研究表明：3種重構植被指數(shù)與核桃冠層氮素含量的相關性均優(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，這可能是因為其中一些植被指數(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性最差，說明雙波段組合構成的植被指數(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估算模型在進行區(qū)域遙感影像氮素營養(yǎng)診斷時，模型的反演精度及穩(wěn)定性最佳，主要是因為697 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吸收帶，也是紅光區(qū)域中具有強光合活性的光譜帶，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，在應用植被指數(shù)對核桃冠層氮素含量進行診斷時，應優(yōu)先考慮重構植被指數(shù)NDVI(986.4,697.0)。當前，基于遙感影像數(shù)據(jù)進行植被識別、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)絡模型與無人機遙感影像相結合反演核桃冠層氮素含量，并與基于光譜參數(shù)構建的估算模型進行對比分析，表明BP神經(jīng)網(wǎng)絡模型應用于反演核桃冠層氮素含量的精度高于光譜參數(shù)模型，主要是因為BP神經(jīng)網(wǎng)絡模型具有強大的非線性處理問題能力和良好的容錯能力，從而大大提高了反演精度。

本研究基于無人機遙感數(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，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期核桃樹冠層氮素含量的診斷，還需要進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，以提高模型的實用性和估算精度。

4 結論

(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，可有效識別和確定核桃冠層范圍，其提取精度高達96.43%。

(2)分析了核桃冠層高光譜數(shù)據(jù)構建的NDVI、RVI和DVI植被指數(shù)與冠層氮素含量間相關關系，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)絡模型優(yōu)于9種光譜參數(shù)構建的估算模型，其估算值與實測值吻合較好，估算模型精度最高，具有一定的估算可靠性。