李美炫，朱西存,2?，白雪源，彭玉鳳，田中宇，姜遠(yuǎn)茂

1山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，山東泰安 271018；2國(guó)家土肥資源高效利用重點(diǎn)實(shí)驗(yàn)室，山東泰安 271018；3山東農(nóng)業(yè)大學(xué)園藝科學(xué)與工程學(xué)院，山東泰安 271018

0 引言

【研究意義】氮素養(yǎng)分狀況是評(píng)價(jià)果樹(shù)長(zhǎng)勢(shì)的重要指標(biāo)[1-2]，傳統(tǒng)的果樹(shù)氮素含量測(cè)量方法費(fèi)時(shí)、費(fèi)力且不能滿足大面積、快速、實(shí)時(shí)監(jiān)測(cè)的需要[3]；而無(wú)人機(jī)低空遙感與傳統(tǒng)的氮素測(cè)量方法相比機(jī)動(dòng)靈活，可以迅速捕獲高空間和時(shí)間分辨率的影像，快速進(jìn)行果樹(shù)冠層氮素含量反演，已經(jīng)在精準(zhǔn)農(nóng)業(yè)領(lǐng)域得到了廣泛應(yīng)用[4-6]。由于果樹(shù)冠層具有三維結(jié)構(gòu)，當(dāng)無(wú)人機(jī)傳感器觀測(cè)方向與太陽(yáng)直射方向不一致時(shí)，無(wú)人機(jī)影像中通常包含陰影[7-9]。這些陰影削弱了冠層光譜信息，降低了冠層氮素含量反演精度。因此，如何去除果樹(shù)冠層遙感影像中的陰影，以提高氮素含量反演精度，是一個(gè)亟需解決的現(xiàn)實(shí)問(wèn)題?！厩叭搜芯窟M(jìn)展】陰影去除的方法一般是對(duì)原始影像進(jìn)行歸一化、多波段陰影監(jiān)測(cè)等處理，這些方法操作簡(jiǎn)單快速，但精度較低，且在對(duì)陰影進(jìn)行識(shí)別的過(guò)程中改變了非陰影區(qū)的信息，降低了原影像的精度[10-12]。近年來(lái)，一些模型和算法應(yīng)用于陰影的識(shí)別和去除中，這些方法一般基于先驗(yàn)知識(shí)對(duì)陰影進(jìn)行識(shí)別或模擬，實(shí)現(xiàn)陰影與非陰影區(qū)的分離以達(dá)到陰影去除的目的。如PU等[13]開(kāi)發(fā)了逐步掩蔽系統(tǒng)，用于分離樹(shù)冠的光照和陰影部分，以提高森林物種圖繪制精度；TITS等[14]采用信號(hào)分解模型，將果樹(shù)與陰影等背景信息分離；奚禎苑等[15]基于混合像元分解模型將Landsat 8 影像中植被、陰影及土壤有效分離，實(shí)現(xiàn)山核桃信息的有效提?。籑ILAS等[16]利用無(wú)人機(jī)影像的RGB反射比、可見(jiàn)大氣阻力指數(shù)（VARI）和數(shù)字表面模型（DSM）信息實(shí)現(xiàn)了陰影的監(jiān)測(cè)、分類及移除；焦俊男等[17]在分析了不同光照條件下同一植被NDVI關(guān)系的基礎(chǔ)上，基于光照區(qū)植被的NDVI，構(gòu)建了陰影去除模型并實(shí)現(xiàn)了Landsat 8影像陰影的有效去除。雖然這些方法一般精度較高，能夠?qū)⒅脖慌c陰影有效分離，但往往包含復(fù)雜的參數(shù)及高階函數(shù)，操作復(fù)雜且費(fèi)時(shí)。目前，許多學(xué)者利用不同波段特性及波段運(yùn)算方式，構(gòu)建了植被指數(shù)以增強(qiáng)植被信息達(dá)到陰影識(shí)別的目的。ZHANG等[18]試驗(yàn)發(fā)現(xiàn)不同光譜指數(shù)對(duì)陰影的識(shí)別情況不同；江洪等[19]構(gòu)建了陰影消除植被指數(shù)（shadow eliminated vegetation index，SEVI），有效去除了地形陰影的影響，取得了良好的地形校正效果；柳曉農(nóng)等[20]借鑒SEVI的構(gòu)造原理及形式，構(gòu)建了植被區(qū)分陰影消除植被指數(shù)（vegetation distinguished and shadow eliminated vegetation index，VDSEVI），研究結(jié)果表明相較于SEVI，VDSEVI的信息量更大，可以更好地消除地形陰影的影響。然而，該指數(shù)多適用于由地形產(chǎn)生的大面積陰影的識(shí)別和去除，并不適用于果樹(shù)冠層的陰影去除。許章華等[21-22]基于明暗區(qū)植被及水體三者在近紅外波段的光譜差異構(gòu)建了陰影指數(shù)（shaded vegetation index，SVI），隨后在此基礎(chǔ)上進(jìn)行了改進(jìn)，提出了歸一化陰影指數(shù)（normalized shaded vegetation index，NSVI），成功將中等分辨率遙感影像中明亮區(qū)植被、陰影區(qū)植被及水體有效區(qū)分；XU等[23]通過(guò)分析不同光影比例下植被冠層紅邊參數(shù)（曲線斜率和反射率）與NDVI的相關(guān)性，構(gòu)建了歸一化冠層陰影指數(shù)（normalized difference canopy shadow index，NDCSI），有效識(shí)別了無(wú)人機(jī)高光譜影像針葉林冠層內(nèi)部的陰影。【本研究切入點(diǎn)】NSVI及NDCSI在陰影去除方面取得了較好的效果，但2個(gè)陰影指數(shù)能否實(shí)現(xiàn)無(wú)人機(jī)多光譜影像果樹(shù)冠層陰影的去除還需進(jìn)一步探究。【擬解決的關(guān)鍵問(wèn)題】本研究以山東省棲霞市蘋(píng)果園為研究區(qū)，以果樹(shù)冠層為研究對(duì)象，依據(jù)無(wú)人機(jī)多光譜影像數(shù)據(jù)，基于NSVI、NDCSI去除果樹(shù)冠層影像的陰影，提取果樹(shù)冠層光譜信息，分析陰影對(duì)多光譜各波段光譜信息及冠層氮素含量反演模型精度的影響，對(duì)比2種陰影指數(shù)在去除果樹(shù)冠層陰影及提高冠層氮素含量反演模型精度的效果，篩選最佳氮素含量反演模型。

1 材料與方法

1.1 試驗(yàn)區(qū)概況

研究區(qū)位于膠東半島中心位置——山東省煙臺(tái)棲霞市觀里鎮(zhèn)蘋(píng)果園區(qū)（37°12′25″ N，120°44′41″ E），暖溫帶季風(fēng)性氣候，四季分明，年日照時(shí)數(shù)2 631 h，秋季晝夜溫差大，年平均氣溫11.6℃，土壤為棕壤，丘陵地形（圖 1）。棲霞市憑借獨(dú)特的地理位置和良好的氣候土壤條件，已成為環(huán)渤海灣蘋(píng)果優(yōu)勢(shì)主產(chǎn)區(qū)的典型代表。

1.2 數(shù)據(jù)獲取

1.2.1 多光譜數(shù)據(jù)的獲取及預(yù)處理 選擇晴朗無(wú)云無(wú)風(fēng)天氣，于2019年6月2日10：00—14：00采集無(wú)人機(jī)多光譜遙感影像。在試驗(yàn)區(qū)四周合適位置布設(shè)白色參考板便于進(jìn)行輻射定標(biāo)。無(wú)人機(jī)飛行高度設(shè)置為50 m，空間分辨率為2.2 cm，飛行速度為5 m·s-1。無(wú)人機(jī)攜帶的傳感器為具有4個(gè)多光譜波段和1個(gè)全色波段的Sequoia多光譜相機(jī)，傳感器波段參數(shù)如表1所示。

表1 多光譜傳感器的波段參數(shù)Table 1 Band parameters of multispectral sensor

選用PhotoScan對(duì)無(wú)人機(jī)多光譜影像進(jìn)行拼接。為消除幾何畸變和輻射失真等因素對(duì)影像質(zhì)量的干擾，對(duì)拼接后的多光譜影像進(jìn)行幾何校正和輻射校正的預(yù)處理。幾何校正主要在ENVI中實(shí)現(xiàn)，以無(wú)人機(jī)正射影像為參考影像，在影像中均勻選取30個(gè)參考點(diǎn)進(jìn)行幾何精校正，保證校正后誤差小于0.5個(gè)像元。采用偽標(biāo)準(zhǔn)地物輻射糾正法[24]，將多光譜影像DN值轉(zhuǎn)化為反射率，如公式1所示。

式中，RT為目標(biāo)地物的反射率，DNT為目標(biāo)地物的DN均值，DNX為白色參考板的DN均值，RX為參考板的反射率值。

1.2.2 蘋(píng)果樹(shù)葉片氮素含量的測(cè)定 與無(wú)人機(jī)飛行同步進(jìn)行蘋(píng)果樹(shù)葉片采集。按照均勻布點(diǎn)的原則，在果園中隨機(jī)選擇 51棵果樹(shù)，在每棵果樹(shù)中部營(yíng)養(yǎng)枝東、南、西、北4個(gè)方位，分別摘取3片大小相似、無(wú)損的葉片作為1個(gè)樣本，每個(gè)樣本包含12個(gè)葉片，共計(jì)51個(gè)樣本。采樣后，迅速將樣本轉(zhuǎn)入保鮮箱帶回。

在實(shí)驗(yàn)室稱取葉片鮮重，將葉片樣本放入105℃鼓風(fēng)干燥箱中殺青0.5 h后，在80℃下烘干至恒重。把烘干的樣品用研缽研磨成粉末狀后過(guò)篩，采用凱氏定氮法測(cè)定葉片氮素含量。

1.3 陰影指數(shù)

NDVI是目前應(yīng)用最廣泛的植被指數(shù)之一，但由于NDVI易飽和，對(duì)陰影的識(shí)別并不敏感，因此許多學(xué)者基于NDVI構(gòu)建新型植被指數(shù)以達(dá)到去除陰影的目的[25-26]。在NDVI的基礎(chǔ)上，許章華[22]及XU等[23]分別提出NDCSI、NSVI2個(gè)陰影指數(shù)，計(jì)算公式如下：

式中，NDVI為歸一化植被指數(shù)，RNIR為近紅外波段灰度值，RRED為紅邊波段灰度值；SVI為陰影植被指數(shù)，RNIR為近紅外波段灰度值；NSVI為歸一化陰影指數(shù)，SVIMIN為影像波段運(yùn)算后SVI最小值，SVIMAX為影像波段運(yùn)算后SVI最大值；NDCSI為歸一化冠層陰影指數(shù)，(Rred-edge)MIN為影像紅邊波段最小值，(Rred-edge)MAX為影像紅邊波段最大值。

本研究采用閾值法去除果樹(shù)冠層陰影，提取冠層光譜信息。為去除果樹(shù)冠層的陰影，首先在ENVI中利用波段運(yùn)算工具計(jì)算陰影指數(shù)；隨后確定合適的閾值，大于閾值的像素為植被，小于閾值的像素歸為陰影等非植被；最后基于閾值建立掩膜得到去除陰影后果樹(shù)冠層多光譜影像。其中，閾值的確定是去除陰影的關(guān)鍵，據(jù)植被指數(shù)的閾值范圍，以0.05為累進(jìn)值依次提取果樹(shù)冠層的影像，對(duì)比該閾值情況下陰影的識(shí)別情況將最大值設(shè)為閾值。

1.4 模型的建立與檢驗(yàn)

采用等距抽樣的方法確定建模集及驗(yàn)證集。將51個(gè)研究樣本按照氮素含量由小到大排序分組，根據(jù)建模集與驗(yàn)證集為 2∶1的比例進(jìn)行等距抽樣，建模集34個(gè)，驗(yàn)證集17個(gè)。

本研究采用偏最小二乘和支持向量機(jī)2種方式構(gòu)建葉片氮素含量反演模型，對(duì)比分析陰影對(duì)不同反演模型精度的影響。偏最小二乘法可以通過(guò)最小化誤差的平方和找到一組數(shù)據(jù)的最佳函數(shù)匹配，可在一定程度上有效地消除參量之間的多重共線性，是目前應(yīng)用最廣泛的模型之一[27-28]；支持向量機(jī)是基于小樣本統(tǒng)計(jì)理論，建立在統(tǒng)計(jì)學(xué)習(xí)、VC維理論以及結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原理上的一種新型機(jī)器學(xué)習(xí)方法，已經(jīng)在農(nóng)業(yè)定量遙感領(lǐng)域得到了廣泛應(yīng)用[29-30]。

選取決定系數(shù)（R2）、相對(duì)分析誤差（RPD）作為反演模型評(píng)價(jià)與驗(yàn)證的指標(biāo)。反演模型及驗(yàn)證時(shí)R2越大，表明模型的估測(cè)能力越好；當(dāng)RPD＜1.4時(shí)，模型無(wú)法對(duì)樣本進(jìn)行預(yù)測(cè)；當(dāng)1.4＜RPD＜2時(shí)，模型可以有效地對(duì)樣本進(jìn)行預(yù)測(cè)；當(dāng)RPD＞2時(shí)，模型有極好的樣本預(yù)測(cè)能力[31]。計(jì)算公式如下：

2 結(jié)果

2.1 基于陰影指數(shù)去除果樹(shù)冠層陰影

依據(jù)灰度值的差異可以反映各陰影指數(shù)對(duì)陰影的識(shí)別情況，初步判斷陰影指數(shù)在去除冠層陰影效果中的優(yōu)劣。如圖 2所示，NDVI僅能以冠層輪廓為界區(qū)分果樹(shù)冠層與土壤背景，并不能識(shí)別冠層內(nèi)部的陰影；陰影植被指數(shù)NSVI和NDCSI對(duì)陰影均有一定的識(shí)別能力，不僅能夠區(qū)分果樹(shù)冠層和土壤背景信息，也能夠識(shí)別冠層內(nèi)部絕大部分陰影，但與NSVI相比，NDCSI對(duì)陰影更加敏感，識(shí)別能力更強(qiáng)。

果樹(shù)冠層、土壤背景與陰影的灰度值大小關(guān)系為果樹(shù)冠層＞陰影＞土壤背景，陰影與果樹(shù)冠層的灰度值存在較大差異，因此，設(shè)定合適的閾值可以將冠層內(nèi)部的陰影有效區(qū)分（圖 2）。不同閾值下冠層內(nèi)部陰影的識(shí)別情況如圖3所示，當(dāng)NSVI閾值為0.6時(shí)，冠層內(nèi)部仍有部分陰影沒(méi)有被識(shí)別；當(dāng)閾值為0.7時(shí)，冠層被分割得過(guò)于破碎；閾值為0.65時(shí)，可以識(shí)別冠層內(nèi)部絕大部分陰影且冠層整體形狀保持較完整，因此將0.65設(shè)定為NSVI的閾值。同理，NDCSI的閾值最終確定為0.4。如圖4所示，以0.65為NSVI閾值，以0.4為NDCSI閾值，最終得到去除陰影后果樹(shù)冠層多光譜影像。

2.2 去除陰影前后冠層光譜特征分析

基于三幅多光譜影像分別提取 51個(gè)樣點(diǎn)的冠層光譜信息，將其各波段的平均值繪成光譜曲線進(jìn)行比較分析（圖5）?；谌庇跋裉崛〉墓庾V反射率均值折線圖走勢(shì)趨于一致，但去除陰影前后冠層光譜信息差異較大且在紅邊波段及近紅外波段尤為明顯。同時(shí)結(jié)果顯示基于2個(gè)陰影指數(shù)去除陰影后提取的光譜信息略有不同，基于NDCSI去除陰影后提取的光譜信息與原始光譜信息差異較顯著。

2.3 去除陰影前后光譜數(shù)據(jù)與氮素含量相關(guān)性分析

2.3.1 敏感波段分析 基于相關(guān)系數(shù)法，篩選與氮素含量相關(guān)性較高的波段為敏感波段，結(jié)果顯示去除陰影前后葉片氮素含量的敏感波段均為綠光波段和紅光波段（表 2）。此外，基于陰影指數(shù)去除陰影后，冠層葉片氮素含量與多光譜4個(gè)波段的敏感程度均有提升，其中與綠光波段、近紅外波段的相關(guān)性提升顯著?；贜SVI去除陰影后綠光波段、近紅外波段與氮素含量實(shí)測(cè)值的相關(guān)性分別提升了0.08、0.13，基于NDCSI去除陰影后分別提升了0.12、0.20。

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

2.3.2 去除陰影前后光譜參量與葉片氮素含量相關(guān)性分析 將篩選的敏感波段進(jìn)行加減、平方根、倒數(shù)等多波段數(shù)學(xué)組合運(yùn)算，構(gòu)建了 10個(gè)光譜參量，與氮素含量的相關(guān)性分析結(jié)果如表3所示。去除陰影后，光譜參量與氮素含量的相關(guān)性均有所提升；基于乘積和加法運(yùn)算構(gòu)建的光譜參量與葉片氮素含量的相關(guān)性高于基于兩波段作比值和差值構(gòu)建的光譜參量；同時(shí)，基于NDCSI去除陰影后構(gòu)建的光譜參量與氮素含量的相關(guān)性高于基于NSVI去除陰影后構(gòu)建的光譜參量。

表3 光譜參量及其與氮素含量的相關(guān)性分析Table 3 Correlation analysis between spectral parameters and nitrogen content

分別篩選相關(guān)性較高的5個(gè)光譜參量構(gòu)建葉片氮素含量反演模型，基于原始光譜反射率篩選的敏感光譜參量為基于NSVI和NDCSI去除陰影后影像提取的光譜反射率篩選的敏感光譜參量為。

2.4 果樹(shù)冠層氮素含量反演模型

以篩選的敏感光譜參量為自變量，冠層葉片氮素含量為因變量，構(gòu)建偏最小二乘及支持向量機(jī)氮素含量反演模型，建模及驗(yàn)證結(jié)果如表4—5所示。

表4 基于三種影像PSL模型反演結(jié)果Table 4 Inversion results based on three image PSL models

表5 基于三種影像SVM模型反演結(jié)果Table 5 Inversion results based on three image SVM models

與基于原始多光譜影像構(gòu)建的反演模型相比，基于NSVI、NDCSI去除陰影后構(gòu)建的偏最小二乘及支持向量機(jī)模型反演精度均有提升（表 4）?；贜SVI去除陰影后構(gòu)建的偏最小二乘模型與去除陰影前相比，建模集R2提升了0.047，RPD提升了0.042；驗(yàn)證集R2提升了0.516，RPD提升了0.548?；贜DCSI去除陰影后構(gòu)建的偏最小二乘模型與去除陰影前相比，建模集R2、RPD分別提升了0.175、0.405；驗(yàn)證集R2、RPD分別提升了0.594、0.782。

基于NSVI去除陰影后構(gòu)建的支持向量機(jī)模型與去除陰影前相比，建模集R2提升了0.049，RPD提升了0.136；驗(yàn)證集R2提升了0.486，RPD提升了0.584?；贜DCSI去除陰影后構(gòu)建的支持向量機(jī)模型與去除陰影前相比，建模集R2、RPD分別提升了0.167、0.413；驗(yàn)證集R2、RPD分別提升了0.582、0.924（表5）。

陰影降低了氮素含量反演精度，無(wú)論是線性模型還是機(jī)器學(xué)習(xí)模型，基于陰影指數(shù)去除陰影后構(gòu)建的氮素含量反演模型精度更高。由于驗(yàn)證集樣本數(shù)量較少及陰影等因素的影響，基于原始多光譜影像構(gòu)建的模型驗(yàn)證集R2均較低，但去除陰影后驗(yàn)證集精度顯著提升，表明基于NSVI、NDCSI去除陰影后提取的光譜信息與冠層葉片氮素含量的相關(guān)性更高，建模效果更好。

對(duì)比2個(gè)陰影指數(shù)的建模結(jié)果，基于NDCSI去除陰影后構(gòu)建的偏最小二乘模型反演精度與基于NSVI去除陰影后構(gòu)建的模型相比，建模集R2提升了0.128、RPD提升了0.363，驗(yàn)證集R2提升了0.078、RPD提升了0.234；基于NDCSI去除陰影后構(gòu)建的支持向量機(jī)模型反演精度與基于NSVI去除陰影后構(gòu)建的模型相比，建模集R2、RPD分別提升了0.118、0.277，驗(yàn)證集R2、RPD分別提升了0.096、0.340。結(jié)果表明，NDCSI較NSVI去除陰影的效果更好，無(wú)論是線性模型還是機(jī)器學(xué)習(xí)模型，基于NDCSI去除陰影后構(gòu)建的模型反演精度更高。

對(duì)比2種建模方法，基于NDCSI去除陰影后構(gòu)建的支持向量機(jī)模型與偏最小二乘模型相比，建模集R2提升了0.024，驗(yàn)證集RPD提升了0.159。綜上所述，如圖6所示，氮素含量反演的最優(yōu)模型為基于NDCSI去除陰影后構(gòu)建的支持向量機(jī)模型。

3 討論

無(wú)人機(jī)植被冠層多光譜影像中通常包含陰影，這些陰影削弱了植被的光譜信息，降低了冠層氮素含量反演精度[32-33]。本研究對(duì)比分析去除陰影前后冠層氮素含量反演模型，發(fā)現(xiàn)基于陰影指數(shù)可以有效去除果樹(shù)冠層陰影且去除陰影后模型反演精度較高、更穩(wěn)定。同時(shí)研究發(fā)現(xiàn)NDCSI更適用于果樹(shù)冠層陰影的去除，對(duì)今后基于遙感影像進(jìn)行植被營(yíng)養(yǎng)元素反演具有重要意義。

與對(duì)原始影像進(jìn)行變換及模型法去除陰影相比，基于陰影指數(shù)去除陰影的方法較為簡(jiǎn)潔，處理迅速且精度高。陰影削弱了果樹(shù)冠層光譜信息，在紅邊波段及近紅外波段尤為明顯，這與XU等[23]和NOH等[34]的研究結(jié)果一致。XU等[23]對(duì)比不同光照陰影比例下植被冠層高光譜信息，發(fā)現(xiàn)不同明暗比例下植被冠層光譜信息于紅邊波段附近振幅差異較大，陰影會(huì)削弱紅邊波段的光譜信息；NOH等[34]研究表明，近紅外是分割背景噪聲最敏感的通道，陰影、土壤背景都會(huì)干擾近紅外波段的光譜信息。土壤的灰度值低于陰影的灰度值，采用閾值法去除陰影不僅在一定程度上降低了陰影的影響，也緩解了土壤等背景信息對(duì)冠層光譜信息的干擾作用（圖2，4）。因此，去除陰影前后光譜信息于紅邊波段及近紅外波段差異較大。

研究發(fā)現(xiàn)去除陰影前后冠層氮素的敏感波段均為綠光波段和紅光波段，且基于2個(gè)波段構(gòu)建的光譜參量與氮素含量的相關(guān)性均有提升，這與FILELLA等[35]的研究結(jié)果一致。此外，結(jié)果顯示，無(wú)論是線性模型還是非線性反演模型，去除陰影后模型反演精度均高于去除陰影前。陳鵬飛等[36]基于去除土壤背景的無(wú)人機(jī)影像提取棉花冠層光譜信息并構(gòu)建主成分分析氮素含量反演模型，發(fā)現(xiàn)土壤背景削弱了棉花冠層光譜信息并對(duì)氮素反演模型產(chǎn)生了影響，結(jié)果顯示去除土壤背景后構(gòu)建的氮素反演模型精度高于去除前。本研究中發(fā)現(xiàn)，陰影及土壤背景信息削弱了果樹(shù)冠層光譜信息，基于2個(gè)陰影指數(shù)去除陰影后，陰影及土壤背景信息得到了有效去除，因此基于陰影指數(shù)去除陰影后氮素反演模型精度均有所提升。

基于陰影指數(shù)去除陰影的方法操作簡(jiǎn)單且去除陰影后氮素反演精度有所提升，但本研究試驗(yàn)范圍僅局限于一個(gè)果園的尺度中，該方法在衛(wèi)星遙感影像中的應(yīng)用還需進(jìn)一步探究。閾值的確定是基于閾值法去除陰影的關(guān)鍵，雖然本研究確定的閾值取得了較好的陰影去除效果，但篩選過(guò)程花費(fèi)時(shí)間較長(zhǎng)，更加快速準(zhǔn)確的確定陰影指數(shù)的合適閾值是下一步的研究方向。果樹(shù)具有復(fù)雜的冠層結(jié)構(gòu)，當(dāng)傳感器觀測(cè)方向與太陽(yáng)直射方向不一致時(shí)，無(wú)人機(jī)影像中通常出現(xiàn)陰影。本次研究過(guò)程中沒(méi)有較多從輻射傳輸角度出發(fā)，通過(guò)構(gòu)建輻射傳輸模型模擬更加準(zhǔn)確的冠層光譜信息，以減少陰影對(duì)氮素反演模型精度的影響，這也是今后的研究方向[37-38]。

4 結(jié)論

（1）NSVI和NDCSI2個(gè)陰影指數(shù)都可以識(shí)別果樹(shù)冠層影像中的陰影。對(duì)比2個(gè)陰影指數(shù)的識(shí)別效果，NDCSI較NSVI有更強(qiáng)的陰影識(shí)別能力。

（2）陰影削弱了果樹(shù)冠層光譜信息，對(duì)紅邊波段和近紅外波段的阻礙作用較為明顯。

（3）對(duì)比去除陰影前后構(gòu)建的冠層氮素模型反演精度，去除陰影后構(gòu)建的模型反演精度更高，最優(yōu)模型為基于NDCSI去除陰影后構(gòu)建的支持向量機(jī)模型，其建模集R2、RPD分別為0.774、1.828，驗(yàn)證集R2、RPD分別為0.723、1.819。

基于NDCSI可以有效去除果樹(shù)冠層陰影，提高葉片氮素含量反演精度，為果樹(shù)科學(xué)施肥決策管理提供有效幫助。