基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演

李美炫，朱西存,2✉，白雪源，彭玉凤，田中宇，姜远茂

1山东农业大学资源与环境学院，山东泰安 271018；2国家土肥资源高效利用重点实验室，山东泰安 271018；3山东农业大学园艺科学与工程学院，山东泰安 271018

0 引言

【研究意义】氮素养分状况是评价果树长势的重要指标[1-2]，传统的果树氮素含量测量方法费时、费力且不能满足大面积、快速、实时监测的需要[3]；而无人机低空遥感与传统的氮素测量方法相比机动灵活，可以迅速捕获高空间和时间分辨率的影像，快速进行果树冠层氮素含量反演，已经在精准农业领域得到了广泛应用[4-6]。由于果树冠层具有三维结构，当无人机传感器观测方向与太阳直射方向不一致时，无人机影像中通常包含阴影[7-9]。这些阴影削弱了冠层光谱信息，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，以提高氮素含量反演精度，是一个亟需解决的现实问题。【前人研究进展】阴影去除的方法一般是对原始影像进行归一化、多波段阴影监测等处理，这些方法操作简单快速，但精度较低，且在对阴影进行识别的过程中改变了非阴影区的信息，降低了原影像的精度[10-12]。近年来，一些模型和算法应用于阴影的识别和去除中，这些方法一般基于先验知识对阴影进行识别或模拟，实现阴影与非阴影区的分离以达到阴影去除的目的。如PU等[13]开发了逐步掩蔽系统，用于分离树冠的光照和阴影部分，以提高森林物种图绘制精度；TITS等[14]采用信号分解模型，将果树与阴影等背景信息分离；奚祯苑等[15]基于混合像元分解模型将Landsat 8 影像中植被、阴影及土壤有效分离，实现山核桃信息的有效提取；MILAS等[16]利用无人机影像的RGB反射比、可见大气阻力指数（VARI）和数字表面模型（DSM）信息实现了阴影的监测、分类及移除；焦俊男等[17]在分析了不同光照条件下同一植被NDVI关系的基础上，基于光照区植被的NDVI，构建了阴影去除模型并实现了Landsat 8影像阴影的有效去除。虽然这些方法一般精度较高，能够将植被与阴影有效分离，但往往包含复杂的参数及高阶函数，操作复杂且费时。目前，许多学者利用不同波段特性及波段运算方式，构建了植被指数以增强植被信息达到阴影识别的目的。ZHANG等[18]试验发现不同光谱指数对阴影的识别情况不同；江洪等[19]构建了阴影消除植被指数（shadow eliminated vegetation index，SEVI），有效去除了地形阴影的影响，取得了良好的地形校正效果；柳晓农等[20]借鉴SEVI的构造原理及形式，构建了植被区分阴影消除植被指数（vegetation distinguished and shadow eliminated vegetation index，VDSEVI），研究结果表明相较于SEVI，VDSEVI的信息量更大，可以更好地消除地形阴影的影响。然而，该指数多适用于由地形产生的大面积阴影的识别和去除，并不适用于果树冠层的阴影去除。许章华等[21-22]基于明暗区植被及水体三者在近红外波段的光谱差异构建了阴影指数（shaded vegetation index，SVI），随后在此基础上进行了改进，提出了归一化阴影指数（normalized shaded vegetation index，NSVI），成功将中等分辨率遥感影像中明亮区植被、阴影区植被及水体有效区分；XU等[23]通过分析不同光影比例下植被冠层红边参数（曲线斜率和反射率）与NDVI的相关性，构建了归一化冠层阴影指数（normalized difference canopy shadow index，NDCSI），有效识别了无人机高光谱影像针叶林冠层内部的阴影。【本研究切入点】NSVI及NDCSI在阴影去除方面取得了较好的效果，但2个阴影指数能否实现无人机多光谱影像果树冠层阴影的去除还需进一步探究。【拟解决的关键问题】本研究以山东省栖霞市苹果园为研究区，以果树冠层为研究对象，依据无人机多光谱影像数据，基于NSVI、NDCSI去除果树冠层影像的阴影，提取果树冠层光谱信息，分析阴影对多光谱各波段光谱信息及冠层氮素含量反演模型精度的影响，对比2种阴影指数在去除果树冠层阴影及提高冠层氮素含量反演模型精度的效果，筛选最佳氮素含量反演模型。

1 材料与方法

1.1 试验区概况

研究区位于胶东半岛中心位置——山东省烟台栖霞市观里镇苹果园区（37°12′25″ N，120°44′41″ E），暖温带季风性气候，四季分明，年日照时数2 631 h，秋季昼夜温差大，年平均气温11.6℃，土壤为棕壤，丘陵地形（图 1）。栖霞市凭借独特的地理位置和良好的气候土壤条件，已成为环渤海湾苹果优势主产区的典型代表。

1.2 数据获取

1.2.1 多光谱数据的获取及预处理 选择晴朗无云无风天气，于2019年6月2日10：00—14：00采集无人机多光谱遥感影像。在试验区四周合适位置布设白色参考板便于进行辐射定标。无人机飞行高度设置为50 m，空间分辨率为2.2 cm，飞行速度为5 m·s-1。无人机携带的传感器为具有4个多光谱波段和1个全色波段的Sequoia多光谱相机，传感器波段参数如表1所示。

表1 多光谱传感器的波段参数Table 1 Band parameters of multispectral sensor

选用PhotoScan对无人机多光谱影像进行拼接。为消除几何畸变和辐射失真等因素对影像质量的干扰，对拼接后的多光谱影像进行几何校正和辐射校正的预处理。几何校正主要在ENVI中实现，以无人机正射影像为参考影像，在影像中均匀选取30个参考点进行几何精校正，保证校正后误差小于0.5个像元。采用伪标准地物辐射纠正法[24]，将多光谱影像DN值转化为反射率，如公式1所示。

式中，RT为目标地物的反射率，DNT为目标地物的DN均值，DNX为白色参考板的DN均值，RX为参考板的反射率值。

1.2.2 苹果树叶片氮素含量的测定 与无人机飞行同步进行苹果树叶片采集。按照均匀布点的原则，在果园中随机选择 51棵果树，在每棵果树中部营养枝东、南、西、北4个方位，分别摘取3片大小相似、无损的叶片作为1个样本，每个样本包含12个叶片，共计51个样本。采样后，迅速将样本转入保鲜箱带回。

在实验室称取叶片鲜重，将叶片样本放入105℃鼓风干燥箱中杀青0.5 h后，在80℃下烘干至恒重。把烘干的样品用研钵研磨成粉末状后过筛，采用凯氏定氮法测定叶片氮素含量。

1.3 阴影指数

NDVI是目前应用最广泛的植被指数之一，但由于NDVI易饱和，对阴影的识别并不敏感，因此许多学者基于NDVI构建新型植被指数以达到去除阴影的目的[25-26]。在NDVI的基础上，许章华[22]及XU等[23]分别提出NDCSI、NSVI2个阴影指数，计算公式如下：

式中，NDVI为归一化植被指数，RNIR为近红外波段灰度值，RRED为红边波段灰度值；SVI为阴影植被指数，RNIR为近红外波段灰度值；NSVI为归一化阴影指数，SVIMIN为影像波段运算后SVI最小值，SVIMAX为影像波段运算后SVI最大值；NDCSI为归一化冠层阴影指数，(Rred-edge)MIN为影像红边波段最小值，(Rred-edge)MAX为影像红边波段最大值。

本研究采用阈值法去除果树冠层阴影，提取冠层光谱信息。为去除果树冠层的阴影，首先在ENVI中利用波段运算工具计算阴影指数；随后确定合适的阈值，大于阈值的像素为植被，小于阈值的像素归为阴影等非植被；最后基于阈值建立掩膜得到去除阴影后果树冠层多光谱影像。其中，阈值的确定是去除阴影的关键，据植被指数的阈值范围，以0.05为累进值依次提取果树冠层的影像，对比该阈值情况下阴影的识别情况将最大值设为阈值。

1.4 模型的建立与检验

采用等距抽样的方法确定建模集及验证集。将51个研究样本按照氮素含量由小到大排序分组，根据建模集与验证集为 2∶1的比例进行等距抽样，建模集34个，验证集17个。

本研究采用偏最小二乘和支持向量机2种方式构建叶片氮素含量反演模型，对比分析阴影对不同反演模型精度的影响。偏最小二乘法可以通过最小化误差的平方和找到一组数据的最佳函数匹配，可在一定程度上有效地消除参量之间的多重共线性，是目前应用最广泛的模型之一[27-28]；支持向量机是基于小样本统计理论，建立在统计学习、VC维理论以及结构风险最小化的原理上的一种新型机器学习方法，已经在农业定量遥感领域得到了广泛应用[29-30]。

选取决定系数（R²）、相对分析误差（RPD）作为反演模型评价与验证的指标。反演模型及验证时R2越大，表明模型的估测能力越好；当RPD＜1.4时，模型无法对样本进行预测；当1.4＜RPD＜2时，模型可以有效地对样本进行预测；当RPD＞2时，模型有极好的样本预测能力[31]。计算公式如下：

2 结果

2.1 基于阴影指数去除果树冠层阴影

依据灰度值的差异可以反映各阴影指数对阴影的识别情况，初步判断阴影指数在去除冠层阴影效果中的优劣。如图 2所示，NDVI仅能以冠层轮廓为界区分果树冠层与土壤背景，并不能识别冠层内部的阴影；阴影植被指数NSVI和NDCSI对阴影均有一定的识别能力，不仅能够区分果树冠层和土壤背景信息，也能够识别冠层内部绝大部分阴影，但与NSVI相比，NDCSI对阴影更加敏感，识别能力更强。

果树冠层、土壤背景与阴影的灰度值大小关系为果树冠层＞阴影＞土壤背景，阴影与果树冠层的灰度值存在较大差异，因此，设定合适的阈值可以将冠层内部的阴影有效区分（图 2）。不同阈值下冠层内部阴影的识别情况如图3所示，当NSVI阈值为0.6时，冠层内部仍有部分阴影没有被识别；当阈值为0.7时，冠层被分割得过于破碎；阈值为0.65时，可以识别冠层内部绝大部分阴影且冠层整体形状保持较完整，因此将0.65设定为NSVI的阈值。同理，NDCSI的阈值最终确定为0.4。如图4所示，以0.65为NSVI阈值，以0.4为NDCSI阈值，最终得到去除阴影后果树冠层多光谱影像。

2.2 去除阴影前后冠层光谱特征分析

基于三幅多光谱影像分别提取 51个样点的冠层光谱信息，将其各波段的平均值绘成光谱曲线进行比较分析（图5）。基于三副影像提取的光谱反射率均值折线图走势趋于一致，但去除阴影前后冠层光谱信息差异较大且在红边波段及近红外波段尤为明显。同时结果显示基于2个阴影指数去除阴影后提取的光谱信息略有不同，基于NDCSI去除阴影后提取的光谱信息与原始光谱信息差异较显著。

2.3 去除阴影前后光谱数据与氮素含量相关性分析

2.3.1 敏感波段分析 基于相关系数法，筛选与氮素含量相关性较高的波段为敏感波段，结果显示去除阴影前后叶片氮素含量的敏感波段均为绿光波段和红光波段（表 2）。此外，基于阴影指数去除阴影后，冠层叶片氮素含量与多光谱4个波段的敏感程度均有提升，其中与绿光波段、近红外波段的相关性提升显著。基于NSVI去除阴影后绿光波段、近红外波段与氮素含量实测值的相关性分别提升了0.08、0.13，基于NDCSI去除阴影后分别提升了0.12、0.20。

表2 敏感波段分析Table 2 Analysis of sensitive bands

2.3.2 去除阴影前后光谱参量与叶片氮素含量相关性分析 将筛选的敏感波段进行加减、平方根、倒数等多波段数学组合运算，构建了 10个光谱参量，与氮素含量的相关性分析结果如表3所示。去除阴影后，光谱参量与氮素含量的相关性均有所提升；基于乘积和加法运算构建的光谱参量与叶片氮素含量的相关性高于基于两波段作比值和差值构建的光谱参量；同时，基于NDCSI去除阴影后构建的光谱参量与氮素含量的相关性高于基于NSVI去除阴影后构建的光谱参量。

表3 光谱参量及其与氮素含量的相关性分析Table 3 Correlation analysis between spectral parameters and nitrogen content

分别筛选相关性较高的5个光谱参量构建叶片氮素含量反演模型，基于原始光谱反射率筛选的敏感光谱参量为基于NSVI和NDCSI去除阴影后影像提取的光谱反射率筛选的敏感光谱参量为。

2.4 果树冠层氮素含量反演模型

以筛选的敏感光谱参量为自变量，冠层叶片氮素含量为因变量，构建偏最小二乘及支持向量机氮素含量反演模型，建模及验证结果如表4—5所示。

表4 基于三种影像PSL模型反演结果Table 4 Inversion results based on three image PSL models

表5 基于三种影像SVM模型反演结果Table 5 Inversion results based on three image SVM models

与基于原始多光谱影像构建的反演模型相比，基于NSVI、NDCSI去除阴影后构建的偏最小二乘及支持向量机模型反演精度均有提升（表 4）。基于NSVI去除阴影后构建的偏最小二乘模型与去除阴影前相比，建模集R2提升了0.047，RPD提升了0.042；验证集R2提升了0.516，RPD提升了0.548。基于NDCSI去除阴影后构建的偏最小二乘模型与去除阴影前相比，建模集R2、RPD分别提升了0.175、0.405；验证集R2、RPD分别提升了0.594、0.782。

基于NSVI去除阴影后构建的支持向量机模型与去除阴影前相比，建模集R2提升了0.049，RPD提升了0.136；验证集R2提升了0.486，RPD提升了0.584。基于NDCSI去除阴影后构建的支持向量机模型与去除阴影前相比，建模集R2、RPD分别提升了0.167、0.413；验证集R2、RPD分别提升了0.582、0.924（表5）。

阴影降低了氮素含量反演精度，无论是线性模型还是机器学习模型，基于阴影指数去除阴影后构建的氮素含量反演模型精度更高。由于验证集样本数量较少及阴影等因素的影响，基于原始多光谱影像构建的模型验证集R2均较低，但去除阴影后验证集精度显著提升，表明基于NSVI、NDCSI去除阴影后提取的光谱信息与冠层叶片氮素含量的相关性更高，建模效果更好。

对比2个阴影指数的建模结果，基于NDCSI去除阴影后构建的偏最小二乘模型反演精度与基于NSVI去除阴影后构建的模型相比，建模集R2提升了0.128、RPD提升了0.363，验证集R2提升了0.078、RPD提升了0.234；基于NDCSI去除阴影后构建的支持向量机模型反演精度与基于NSVI去除阴影后构建的模型相比，建模集R2、RPD分别提升了0.118、0.277，验证集R2、RPD分别提升了0.096、0.340。结果表明，NDCSI较NSVI去除阴影的效果更好，无论是线性模型还是机器学习模型，基于NDCSI去除阴影后构建的模型反演精度更高。

对比2种建模方法，基于NDCSI去除阴影后构建的支持向量机模型与偏最小二乘模型相比，建模集R2提升了0.024，验证集RPD提升了0.159。综上所述，如图6所示，氮素含量反演的最优模型为基于NDCSI去除阴影后构建的支持向量机模型。

3 讨论

无人机植被冠层多光谱影像中通常包含阴影，这些阴影削弱了植被的光谱信息，降低了冠层氮素含量反演精度[32-33]。本研究对比分析去除阴影前后冠层氮素含量反演模型，发现基于阴影指数可以有效去除果树冠层阴影且去除阴影后模型反演精度较高、更稳定。同时研究发现NDCSI更适用于果树冠层阴影的去除，对今后基于遥感影像进行植被营养元素反演具有重要意义。

与对原始影像进行变换及模型法去除阴影相比，基于阴影指数去除阴影的方法较为简洁，处理迅速且精度高。阴影削弱了果树冠层光谱信息，在红边波段及近红外波段尤为明显，这与XU等[23]和NOH等[34]的研究结果一致。XU等[23]对比不同光照阴影比例下植被冠层高光谱信息，发现不同明暗比例下植被冠层光谱信息于红边波段附近振幅差异较大，阴影会削弱红边波段的光谱信息；NOH等[34]研究表明，近红外是分割背景噪声最敏感的通道，阴影、土壤背景都会干扰近红外波段的光谱信息。土壤的灰度值低于阴影的灰度值，采用阈值法去除阴影不仅在一定程度上降低了阴影的影响，也缓解了土壤等背景信息对冠层光谱信息的干扰作用（图2，4）。因此，去除阴影前后光谱信息于红边波段及近红外波段差异较大。

研究发现去除阴影前后冠层氮素的敏感波段均为绿光波段和红光波段，且基于2个波段构建的光谱参量与氮素含量的相关性均有提升，这与FILELLA等[35]的研究结果一致。此外，结果显示，无论是线性模型还是非线性反演模型，去除阴影后模型反演精度均高于去除阴影前。陈鹏飞等[36]基于去除土壤背景的无人机影像提取棉花冠层光谱信息并构建主成分分析氮素含量反演模型，发现土壤背景削弱了棉花冠层光谱信息并对氮素反演模型产生了影响，结果显示去除土壤背景后构建的氮素反演模型精度高于去除前。本研究中发现，阴影及土壤背景信息削弱了果树冠层光谱信息，基于2个阴影指数去除阴影后，阴影及土壤背景信息得到了有效去除，因此基于阴影指数去除阴影后氮素反演模型精度均有所提升。

基于阴影指数去除阴影的方法操作简单且去除阴影后氮素反演精度有所提升，但本研究试验范围仅局限于一个果园的尺度中，该方法在卫星遥感影像中的应用还需进一步探究。阈值的确定是基于阈值法去除阴影的关键，虽然本研究确定的阈值取得了较好的阴影去除效果，但筛选过程花费时间较长，更加快速准确的确定阴影指数的合适阈值是下一步的研究方向。果树具有复杂的冠层结构，当传感器观测方向与太阳直射方向不一致时，无人机影像中通常出现阴影。本次研究过程中没有较多从辐射传输角度出发，通过构建辐射传输模型模拟更加准确的冠层光谱信息，以减少阴影对氮素反演模型精度的影响，这也是今后的研究方向[37-38]。

4 结论

（1）NSVI和NDCSI2个阴影指数都可以识别果树冠层影像中的阴影。对比2个阴影指数的识别效果，NDCSI较NSVI有更强的阴影识别能力。

（2）阴影削弱了果树冠层光谱信息，对红边波段和近红外波段的阻碍作用较为明显。

（3）对比去除阴影前后构建的冠层氮素模型反演精度，去除阴影后构建的模型反演精度更高，最优模型为基于NDCSI去除阴影后构建的支持向量机模型，其建模集R2、RPD分别为0.774、1.828，验证集R2、RPD分别为0.723、1.819。

基于NDCSI可以有效去除果树冠层阴影，提高叶片氮素含量反演精度，为果树科学施肥决策管理提供有效帮助。