李美炫^,1, 朱西存^,1,2, 白雪源¹, 彭玉凤¹, 田中宇¹, 姜远茂³¹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

Remote Sensing Inversion of Nitrogen Content in Apple Canopy Based on Shadow Removal in UAV Multi-Spectral Remote Sensing Images

LI MeiXuan^,1, ZHU XiCun^,1,2, BAI XueYuan¹, PENG YuFeng¹, TIAN ZhongYu¹, JIANG YuanMao^{3 1}College of Resources and Environment, Shandong Agricultural University, Tai’an 271018, Shandong
²National Key Laboratory for Efficient Utilization of Soil and Fertilizer Resources, Tai’an 271018, Shandong
³College of Horticulture Science and Engineering, Shandong Agricultural University, Tai’an 271018; Shandong

通讯作者: 朱西存,E-mail: zxc@sdau.edu.cn

责任编辑: 杨鑫浩
收稿日期:2020-07-8接受日期:2020-09-9网络出版日期:2021-05-16

基金资助:

国家自然科学基金.41671346 国家重点研发计划.2017YFE0122500 山东省重大科技创新工程项目.2018CXGC0209 山东省泰山****攀登计划 山东省“双一流”资助项目.SYL2017XTTD02

Received:2020-07-8Accepted:2020-09-9Online:2021-05-16
作者简介 About authors
李美炫,E-mail: 2019120314@sdau.edu.cn。








摘要
【目的】去除无人机多光谱遥感影像中的阴影,以提高苹果树冠层氮素含量反演模型精度。【方法】以山东省栖霞市苹果园为试验区,利用2019年6月采集的无人机多光谱影像,分别基于归一化阴影指数（normalized shaded vegetation index,NSVI）和归一化冠层阴影指数（normalized difference canopy shadow index,NDCSI）去除果树冠层多光谱影像中的阴影,提取非阴影区域果树冠层光谱信息;通过相关性分析方法,将基于原始光谱影像和基于NSVI、NDCSI去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析,分别筛选氮素含量的敏感波段并构建光谱参量;采用偏最小二乘（partial least square,PLS）及支持向量机（support vector machine,SVM）方法构建果树冠层氮素含量反演模型并进行精度检验。【结果】绿光波段和红光波段为果树冠层氮素含量反演的敏感波段;阴影削弱了果树冠层的光谱信息,去除阴影前后,冠层多光谱各波段光谱差异较大,在红边波段及近红外波段尤为明显;基于2个阴影指数去除阴影后构建的氮素反演模型精度均有提升,最优模型为基于NDCSI去除阴影后构建的支持向量机氮素含量反演模型,该模型建模集R²和RPD分别为0.774、1.828;验证集R²和RPD分别为0.723、1.819。【结论】基于NDCSI可有效去除无人机多光谱果树冠层影像中的阴影,提高氮素含量反演精度,为果园氮素精准管理提供了有效参考。
关键词： 冠层阴影;阴影植被指数;无人机;多光谱;遥感

Abstract
【Objective】The shadows in UAV multi-spectral remote sensing images were removed to improve the accuracy of the nitrogen inversion model for apple canopy. 【Method】Using the UAV multi-spectral images collected in June 2019 at the apple orchard of Qixia city in Shandong province, as the experimental area, normalized shaded vegetation index (NSVI) and normalized canopy shadow index (NDCSI) were respectively used to remove shadow and to extract the spectral information of the canopy in non shadow area. The correlation analysis method was used to analyze the correlation between the spectral data, including the data obtained based on the original spectral images and the images after removing the shadow based on NSVI and NDCSI, and the measured leaf nitrogen content data, respectively, and then the sensitive wavelength of nitrogen content were screened and spectral parameters were constructed. Partial least squares (PLS) and support vector machine (SVM) methods were used to build the inversion model of nitrogen content and to carry out the precision inspection in the fruit tree canopy. 【Result】The results showed that the green band and red band were sensitive bands for the inversion of nitrogen content in fruit tree canopy based on UAV multi-spectral images. The spectral information of fruit tree canopy was weakened by shadow, and the spectral difference of canopy multispectral bands before and after shadow removal was significant, especially in red-edge band and near-infrared band. The accuracy of nitrogen inversion model based on two shadow indexes after shadow removal was improved, and the optimal model was the support vector machine nitrogen content inversion model based on NDCSI, the modeling set of this model R² and RPD was 0.774 and 1.828, the validation set R² and RPD were 0.723 and 1.819 respectively. 【Conclusion】NDCSI could effectively remove the shadow in the multi-spectral fruit tree canopy image of the UAV to improve remote sensing inversion accuracy of nitrogen content in apple canopy, so as to provide a useful reference for precise nitrogen management in orchard.
Keywords：canopy shadow;shadow vegetation index;UAV;multispectral;remote sensing


PDF (1373KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
李美炫, 朱西存, 白雪源, 彭玉凤, 田中宇, 姜远茂. 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[J]. 中国农业科学, 2021, 54(10): 2084-2094 doi:10.3864/j.issn.0578-1752.2021.10.005
LI MeiXuan, ZHU XiCun, BAI XueYuan, PENG YuFeng, TIAN ZhongYu, JIANG YuanMao. Remote Sensing Inversion of Nitrogen Content in Apple Canopy Based on Shadow Removal in UAV Multi-Spectral Remote Sensing Images[J]. Scientia Acricultura Sinica, 2021, 54(10): 2084-2094 doi:10.3864/j.issn.0578-1752.2021.10.005


开放科学（资源服务）标识码（OSID）:

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^[4,5,6]。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^[7,8,9]。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^[10,11,12]。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****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。

图1

新窗口打开|下载原图ZIP|生成PPT
图1研究区位置

Fig. 1Map of study area

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。

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

波段 Band	中心波长 Band center (nm)	带宽 Band width (nm)
绿光（Bg）	550	40
红光（Br）	660	40
红边（Breg）	735	10
近红外（Bnir）	790	40

Bg为绿光波段,Br为红光波段,Breg为红边波段,Bnir为近红外波段。下同
Bg is the green band, Br is the red band, Breg is the red edge band, and Bnir is the near infrared band. The same below

新窗口打开|下载CSV

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。

（1）$R_T=\frac{D{{N}_{T}}}{D{{N}_{X}}}\times {{R}_{X}}$
式中,R_T为目标地物的反射率,DN_T为目标地物的DN均值,DN_X为白色参考板的DN均值,R_X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****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、NSVI 2个阴影指数,计算公式如下:

（2）$NDVI=({{R}_{\text{N}IR}}-{{R}_{RED}})/({{R}_{NIR}}+{{R}_{RED}})$
（3）$SVI=NDVI\times {{R}_{NIR}}$
（4）$NSVI=(SVI-SV{{I}_{MIN}})/(SV{{I}_{MAX}}-SV{{I}_{MIN}})$
（5）$NDCSI=NDVI\times \frac{{{R}_{red-edge}}-{{({{R}_{red-edge}})}_{MIN}}}{{{({{R}_{red-edge}})}_{MAX}}-{{({{R}_{red-edge}})}_{MIN}}}$
式中,NDVI为归一化植被指数,R_NIR为近红外波段灰度值,R_RED为红边波段灰度值;SVI为阴影植被指数,R_NIR为近红外波段灰度值;NSVI为归一化阴影指数,SVI_MIN为影像波段运算后SVI最小值,SVI_MAX为影像波段运算后SVI最大值;NDCSI为归一化冠层阴影指数,(R_red-edge)_MIN为影像红边波段最小值,(R_red-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:

（6）${{R}^{2}}=\frac{\sum\limits_{i=1}^{N}{{{(\overset{\hat{\ }}{\mathop{{{y}_{i}}}}\,-\overline{y})}^{2}}}}{\sqrt{\sum\limits_{i=1}^{N}{{{({{y}_{i}}-\overline{y})}^{2}}}}}$
（7）$RMSE=\sqrt{\frac{1}{N}\sum\limits_{\text{i}=1}^{N}{{{({{y}_{i}}-{{\overset{\hat{\ }}{\mathop{y}}\,}_{i}})}^{2}}}}$
（8）$SD=\sqrt{\frac{\sum\limits_{i=1}^{N}{{{({{\overset{\hat{\ }}{\mathop{y}}\,}_{i}}-\overline{y})}^{2}}}}{N-1}}$
（9）$RPD=\frac{SD}{RMSE}$
式中,$\bar{y}$为实测叶片氮含量平均值,N为样本数量,i为样本序号,${{\hat{y}}_{i}}$指叶片氮含量预测值,y_i指叶片氮含量实测值。

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。

图2

新窗口打开|下载原图ZIP|生成PPT
图2植被指数计算结果

Fig. 2Calculation results of vegetation index



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。

图3

新窗口打开|下载原图ZIP|生成PPT
图3 NSVI和NDCSI不同阈值下阴影的识别情况

Fig. 3Shadow recognition under different thresholds of NSVI and NDCSI

图4

新窗口打开|下载原图ZIP|生成PPT
图4基于不同阴影指数去除阴影后冠层多光谱影像

Fig. 4Multispectral images after shadow removal based on different shadow index

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。

图5

新窗口打开|下载原图ZIP|生成PPT
图5基于原始多光谱影像及基于NSVI、NDCSI去除阴影后多光谱影像各波段光谱反射率平均值

Fig. 5Average spectral reflectance of each band of multispectral image after shadow removal based on original multispectral image and NSVI and NDCSI

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。

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

波段 Band	相关系数R
	原始光谱反射率 Original spectral reflectance	NSVI去除阴影后提取光谱反射率 Spectral reflectance based on NSVI	NDCSI去除阴影后提取光谱反射率 Spectral reflectance based on NDCSI
绿光（Bg）	-0.663	-0.745	-0.786
红光（Br）	-0.680	-0.672	-0.684
红边（Breg）	-0.374	-0.356	-0.486
近红外（Bnir）	-0.415	-0.547	-0.612

新窗口打开|下载CSV

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。

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

序号 Number	光谱指数 Spcetral index	相关系数R
		原始光谱信息 Original reflectivity	基于NSVI提取光谱信息 NSVI reflectivity	基于NDCSI提取光谱信息 NDCSI reflectivity
1	Bg+Br	-0.692	-0.756	-0.790
2	Bg-Br	-0.527	-0.587	-0.627
3	Bg×Br	-0.700	-0.738	-0.763
4	Br/(Bg+Br)	-0.290	-0.264	-0.246
5	$\sqrt{B\text{g}\times Br}$	-0.699	-0.740	-0.766
6	$\sqrt{B{{g}^{2}}+B{{r}^{2}}}$	-0.679	-0.754	-0.793
7	1/(Bg+Br)	0.687	0.754	0.792
8	1/(Bg-Br)	0.512	0.584	0.627
9	$\sqrt{B\text{g}+B\text{r}}$	-0.691	-0.756	-0.791
10	$\sqrt{B\text{g}-Br}$	-0.523	-0.587	-0.628

新窗口打开|下载CSV

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Bg+Br、Bg×Br、$\sqrt{B\text{g}\times Br}$、1/(Bg+Br)和$\sqrt{B\text{g}+B\text{r}}$;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Bg+Br、$\sqrt{B\text{g}\times Br}$、$\sqrt{B{{g}^{2}}+B{{r}^{2}}}$、1/(Bg+Br)和$\sqrt{B\text{g}+B\text{r}}$。

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。

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

影像类型 Images type	建模精度 Calibration accuracy		验证精度 Verification accuracy
	决定系数 R2	相对分析误差 RPD	决定系数 R2	相对分析误差 RPD
原始多光谱影像 Original multispectral image	0.575	1.432	0.154	0.878
NSVI去除阴影后影像 Image after shadow removal based on NSVI	0.622	1.474	0.670	1.426
NDCSI去除阴影后影像 Image after shadow removal based on NDCSI	0.750	1.837	0.748	1.660

新窗口打开|下载CSV

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

影像类型 Images type	建模精度 Calibration accuracy		验证精度 Verification accuracy
	决定系数 R2	相对分析误差 RPD	决定系数 R2	相对分析误差 RPD
原始多光谱影像 Original multispectral image	0.607	1.415	0.141	0.895
NSVI去除阴影后影像 Image after shadow removal based on NSVI	0.656	1.551	0.627	1.479
NDCSI去除阴影后影像 Image after shadow removal based on NDCSI	0.774	1.828	0.723	1.819

新窗口打开|下载CSV

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。

图6

新窗口打开|下载原图ZIP|生成PPT
图6氮素含量反演最佳模型散点图

Fig. 6Scatter diagram of the best model for nitrogen content inversion

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NDCSI 2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。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] ZHAO D, REDDY K R, KAKANI V G, REDDY V R. Nitrogen deficiency effects on plant growth, leaf photosynthesis, and hyperspectral reflectance properties of sorghum
European Journal of Agronomy, 2005,22(4):391-403.
DOI:10.1016/j.eja.2004.06.005URL [本文引用: 1]

[2] 田歌, 李慧峰, 田蒙, 刘晓霞, 陈倩, 朱占玲, 姜远茂, 葛顺峰. 不同水肥一体化方式对苹果氮素吸收利用特性及产量和品质的影响
应用生态学报, 2020,31(6):1867-1874.
[本文引用: 1]

TIAN G, LI H F, TIAN M, LIU X X, CHEN Q, ZHU Z L, JIANG Y M, GE S F. Effects of different integration of water and fertilizer modes on the absorption and utilization of nitrogen fertilizer and fruit yield and quality of apple trees
Chinese Journal of Applied Ecology, 2020,31(6):1867-1874. (in Chinese)
[本文引用: 1]

[3] 王凌, 赵庚星, 朱西存, 王瑞燕, 常春艳. 花期苹果树冠氮素营养状况的卫星遥感反演
应用生态学报, 2013,24(10):2863-2870.
[本文引用: 1]

WANG L, ZHAO G X, ZHU X C, WANG R Y, CHANG C Y. Satellite remote sensing retrieval of canopy nitrogen nutritional status of apple trees at blossom stage
Chinese Journal of Applied Ecology, 2013,24(10):2863-2870. (in Chinese)
[本文引用: 1]

[4] 赵静, 李志铭, 鲁力群, 贾鹏, 杨焕波, 兰玉彬. 基于无人机多光谱遥感图像的玉米田间杂草识别
中国农业科学, 2020,53(8):1545-1555.
[本文引用: 1]

ZHAO J, LI Z M, LU L Q, JIA P, YANG H B, LAN Y B. Weed identification in maize field based on multi-spectral remote sensing of unmanned aerial vehicle
Scientia Agricultura Sinica, 2020,53(8):1545-1555. (in Chinese)
[本文引用: 1]

[5] 刘昌华, 王哲, 陈志超, 周兰, 岳学智, 苗宇新. 基于无人机遥感影像的冬小麦氮素监测
农业机械学报, 2018,49(6):207-214.
[本文引用: 1]

LIU C H, WANG Z, CHEN Z C, ZHOU L, YUE X Z, MIAO Y X. Nitrogen monitoring of winter wheat based on unmanned aerial vehicle remote sensing image
Transactions of the Chinese Society for Agricultural Machinery, 2018,49(6):207-214. (in Chinese)
[本文引用: 1]

[6] YUE J B, YANG G J, LI C C, LI Z H, WANG Y J, FENG H K, XU B. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models
Remote Sensing, 2017,9(7):708-726.
DOI:10.3390/rs9070708URL [本文引用: 1]

[7] CINAT P, DI GENNARO S F, BERTON A, MATESE A. Comparison of unsupervised algorithms for vineyard canopy segmentation from UAV multispectral images
Remote Sensing, 2019,11(9):1023-1046.
DOI:10.3390/rs11091023URL [本文引用: 1]

[8] 师翊, 耿楠, 胡少军, 张志毅, 张晶. 基于随机森林回归算法的苹果树冠层光照分布模型
农业机械学报, 2019,50(5):214-222.
[本文引用: 1]

SHI Y, GENG N, HU S J, ZHANG Z Y, ZHANG J. Illumination distribution model of apple tree canopy based on random forest regression algorithm
Transactions of the Chinese Society for Agricultural Machinery, 2019,50(5):214-222. (in Chinese)
[本文引用: 1]

[9] ZHOU K, DENG X Q, YAO X, TIAN Y C, CAO W X, ZHU Y, USTIN S L, CHENG T. Assessing the spectral properties of sunlit and shaded components in rice canopies with near-ground imaging spectroscopy data
Sensors, 2017,17(3):578-594.
DOI:10.3390/s17030578URL [本文引用: 1]

[10] 于东方, 殷建平, 张国敏. 一种基于灰度直方图的遥感影像阴影自动检测方法
计算机工程与科学, 2008,30(12):43-44.
[本文引用: 1]

YU D F, YIN J P, ZHANG G M. An automatic shadow detection method for remote sensing images based on gray histogram
Computer Engineering & Science, 2008,30(12):43-44. (in Chinese)
[本文引用: 1]

[11] 许妙忠, 余志惠. 高分辨率卫星影像中阴影的自动提取与处理
测绘信息与工程, 2003(1):20-22.
[本文引用: 1]

XU M Z, YU Z H. Automated extraction of shadows in very-high resolution spatial satellite images
Journal of Geomatics, 2003(1):20-22. (in Chinese)
[本文引用: 1]

[12] 虢建宏, 田庆久, 吴昀昭. 遥感影像阴影多波段检测与去除理论模型研究
遥感学报, 2006(2):151-159.
[本文引用: 1]

GUO J H, TIAN Q J, WU J Z. Study on multispectral detecting shadow areas and a theoretical model of removing shadows from remote sensing images
National Remote Sensing Bulletin, 2006(2):151-159. (in Chinese)
[本文引用: 1]

[13] PU R L, LANDRY S. A comparative analysis of high spatial resolution IKONOS and WorldView-2 imagery for mapping urban tree species
Remote Sensing of Environment, 2012,124:516-533.
DOI:10.1016/j.rse.2012.06.011URL [本文引用: 1]

[14] TITS L, SOMERS B, STUCKENS J, FARIFTEH J, COPPIN P. Integration of in situ measured soil status and remotely sensed hyperspectral data to improve plant Production system monitoring: concept, perspectives and limitations
Remote Sensing of Environment, 2013,128:197-211.
DOI:10.1016/j.rse.2012.10.006URL [本文引用: 1]

[15] 奚祯苑, 刘丽娟, 陆灯盛, 葛宏立, 陈耀亮. 基于线性混合像元分解技术提取山核桃空间分布
林业科学, 2015,51(10):43-52.
[本文引用: 1]

XI Z Y, LIU L J, LU D S, GE H L, CHEN Y L. Mapping of carya cathayensis spatial distribution with linear spectral mixture model
Scientia Silvae Sinicae, 2015,51(10):43-52. (in Chinese)
[本文引用: 1]

[16] MILAS A S, AREND K, MAYER C, SIMONSON M A, MACKEY M. Different colours of shadows: Classification of UAV images
International Journal of Remote Sensing, 2017,38(8/10):3084-3100.
DOI:10.1080/01431161.2016.1274449URL [本文引用: 1]

[17] 焦俊男, 石静, 田庆久, 高林, 徐念旭. 多光谱影像NDVI阴影影响去除模型
遥感学报, 2020,24(1):53-66.
[本文引用: 1]

JIAO J N, SHI J, TIAN Q J, GAO L, XU N X. Research on multispectral-image-based NDVI shadow-effect-eliminating model
National Remote Sensing Bulletin, 2020,24(1):53-66. (in Chinese)
[本文引用: 1]

[18] ZHANG L F, SUN X J, WU T X, ZHANG H M. An analysis of shadow effects on spectral vegetation indexes using a ground-based imaging spectrometer
IEEE Geoscience and Remote Sensing Letters, 2015,12(11):2188-2192.
DOI:10.1109/LGRS.2015.2450218URL [本文引用: 1]

[19] 江洪, 袁亚伟, 王森. 阴影消除植被指数(SEVI)去除地形本影和落影干扰的性能评估与应用
地球信息科学学报, 2019,21(12):1977-1986.
DOI:10.12082/dqxxkx.2019.190409 [本文引用: 1]
地形校正是崎岖山区遥感图像预处理的关键步骤。为了评估基于DEM数据的经验校正模型、山地辐射传输模型和波段组合优化计算模型在去除地形阴影效应方面的性能,并将其应用于福州市植被覆盖监测,本文采用C模型（和SCS+C模型）、6S+C模型和阴影消除植被指数（SEVI）进行评估、比较。采用1999年和2014年两期Landsat 5 TM卫星数据和相关的 30 m ASTER GDEM V2高程数据,分别计算了C校正（和SCS+C校正）和6S+C校正后的归一化植被指数（NDVI）和比值植被指数（RVI）以及基于表观反射率数据的SEVI。通过目视比较、光谱特征比较以及太阳入射角余弦值（cos i）与植被指数的线性回归分析,可以看出C模型和SCS+C模型对本影具有较好的校正效果,但对落影的校正效果欠佳。NDVI和RVI的本影与邻近无阴影阳坡的相对误差分别从71.64%、52.57%降至4.80%、6.43%（C模型）和0.50%、9.94%（SCS + C模型）,而落影与邻近无阴影阳坡的相对误差分别从62.01%、47.57%降至31.05%、24.40%（C模型）和33.42%、16.01%（SCS + C模型）。在NDVI的落影校正效果上,6S+C模型比C模型和SCS+C模型有一定的提升,本影与邻近无阴影阳坡之间的相对误差为8.63%,落影与邻近无阴影阳坡之间的相对误差为14.27%。而SEVI在消除本影和落影方面整体效果更好,本影和落影与邻近无阴影阳坡的相对误差分别为9.86%和10.53%。最后,基于SEVI对福州市1999-2014年的植被覆盖变化进行了监测。监测结果表明： ① 1999-2014年植被覆盖增加了893.61 km ²,植被增加区域主要分布在海拔250~1250 m范围内;② SEVI均值在坡度40°附近达到峰值。
JIANG H, YUAN Y W, WANG S. Shadow-eliminated vegetation index (SEVI) for removing terrain shadow effect: Evaluation and application
. Journal of Geo-information Science, 2019,21(12):1977-1986. (in Chinese)
DOI:10.12082/dqxxkx.2019.190409 [本文引用: 1]
地形校正是崎岖山区遥感图像预处理的关键步骤。为了评估基于DEM数据的经验校正模型、山地辐射传输模型和波段组合优化计算模型在去除地形阴影效应方面的性能,并将其应用于福州市植被覆盖监测,本文采用C模型（和SCS+C模型）、6S+C模型和阴影消除植被指数（SEVI）进行评估、比较。采用1999年和2014年两期Landsat 5 TM卫星数据和相关的 30 m ASTER GDEM V2高程数据,分别计算了C校正（和SCS+C校正）和6S+C校正后的归一化植被指数（NDVI）和比值植被指数（RVI）以及基于表观反射率数据的SEVI。通过目视比较、光谱特征比较以及太阳入射角余弦值（cos i）与植被指数的线性回归分析,可以看出C模型和SCS+C模型对本影具有较好的校正效果,但对落影的校正效果欠佳。NDVI和RVI的本影与邻近无阴影阳坡的相对误差分别从71.64%、52.57%降至4.80%、6.43%（C模型）和0.50%、9.94%（SCS + C模型）,而落影与邻近无阴影阳坡的相对误差分别从62.01%、47.57%降至31.05%、24.40%（C模型）和33.42%、16.01%（SCS + C模型）。在NDVI的落影校正效果上,6S+C模型比C模型和SCS+C模型有一定的提升,本影与邻近无阴影阳坡之间的相对误差为8.63%,落影与邻近无阴影阳坡之间的相对误差为14.27%。而SEVI在消除本影和落影方面整体效果更好,本影和落影与邻近无阴影阳坡的相对误差分别为9.86%和10.53%。最后,基于SEVI对福州市1999-2014年的植被覆盖变化进行了监测。监测结果表明： ① 1999-2014年植被覆盖增加了893.61 km ²,植被增加区域主要分布在海拔250~1250 m范围内;② SEVI均值在坡度40°附近达到峰值。

[20] 柳晓农, 江洪, 汪小钦. 构建植被区分阴影消除植被指数提取山地植被信息
农业工程学报, 2019,35(20):135-144.
[本文引用: 1]

LIU X N, JIANG H, WANG X Q. Extraction of mountain vegetation information based on vegetation distinguished and shadow eliminated vegetation index
Transactions of the Chinese Society of Agricultural Engineering, 2019,35(20):135-144. (in Chinese)
[本文引用: 1]

[21] 许章华, 刘健, 余坤勇, 刘涛, 龚从宏, 唐梦雅, 谢婉君, 李增禄. 阴影植被指数SVI的构建及其在四种遥感影像中的应用效果
光谱学与光谱分析, 2013,33(12):3359-3365.
[本文引用: 1]

XU Z H, LIU J, YU K Y, LIU T, GONG C H, TANG M Y, XIE W J, LI Z L. Construction of vegetation shadow index (SVI) and application effects in four remote sensing images
Spectroscopy and Spectral Analysis, 2013,33(12):3359-3365. (in Chinese)
[本文引用: 1]

[22] 许章华, 林璐, 王前锋, 黄旭影, 刘健, 余坤勇, 陈崇成. 归一化阴影植被指数NSVI的构建及其应用效果(英文)
红外与毫米波学报, 2018,37(2):154-162.
[本文引用: 2]

XU Z H, LIN L, WANG Q F, HUANG X Y, LIU J, XU K Y, CHEN C C. Construction and application effects of normalized shaded vegetation index
Journal of Infrared and Millimeter Waves, 2018,37(2):154-162. (in Chinese)
[本文引用: 2]

[23] XU N X, TIAN J, TIAN Q J, XU K J, TANG S F. Analysis of vegetation red edge with different illuminated/shaded canopy proportions and to construct normalized difference canopy shadow index
Remote Sensing, 2019,11(10):1192-1207.
DOI:10.3390/rs11101192URL [本文引用: 4]

[24] 杨贵军, 万鹏, 于海洋, 徐波, 冯海宽. 无人机多光谱影像辐射一致性自动校正
农业工程学报, 2015,31(9):147-153.
[本文引用: 1]

YANG G J, WAN P, YU H Y, XU B, FENG H K. Automatic radiation uniformity correction of multispectral imagery acquired with unmanned aerial vehicle
Transactions of the Chinese Society of Agricultural Engineering, 2015,31(9):147-153. (in Chinese)
[本文引用: 1]

[25] 蒲智, 杨辽, 白洁. 基于面向对象技术的高分辨率遥感影像的阴影检测与去除
遥感技术与应用, 2008,23(6):735-738.
[本文引用: 1]

PU Z, YANG L, BAI J. Shadow detection and removal based on object-oriented method in high spatial resolution remote sense image
Remote Sensing Technology and Application, 2008,23(6):735-738. (in Chinese)
[本文引用: 1]

[26] JIANG Z Y, HUETE A R, CHEN J, CHEN Y H, LI J, YAN G J, ZHANG X Y. Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction
Remote Sensing of Environment, 2006,101(3):366-378.
DOI:10.1016/j.rse.2006.01.003URL [本文引用: 1]

[27] 陈红艳, 赵庚星, 陈敬春, 王瑞燕, 高明秀. 基于改进植被指数的黄河口区盐渍土盐分遥感反演
农业工程学报, 2015,31(5):107-114.
[本文引用: 1]

CHEN H Y, ZHAO G X, CHEN J C, WANG R Y, GAO M X. Remote sensing inversion of saline soil salinity based on modified vegetation index in estuary area of Yellow River
Transactions of the Chinese Society of Agricultural Engineering, 2015,31(5):107-114. (in Chinese)
[本文引用: 1]

[28] FU P, MEACHAM-HENSOLD K, GUAN K Y, WU J, BERNACCHI C. Estimating photosynthetic traits from reflectance spectra: A synthesis of spectral indices, numerical inversion, and partial least square regression
Plant Cell & Environment, 2020,43(5):1241-1258.
[本文引用: 1]

[29] ALI A M, DARVISHZADEH R, SKIDMORE A, GARA T W, O’CONNOR B, ROEOESLI C, HEURICH M, PAGANINI M. Comparing methods for mapping canopy chlorophyll content in a mixed mountain forest using Sentinel-2 data
International Journal of Applied Earth Observation and Geoinformation, 2020,87:14.
[本文引用: 1]

[30] 张卓, 龙慧灵, 王崇倡, 杨贵军. 冬小麦叶片光合特征高光谱遥感估算模型的比较研究
中国农业科学, 2019,52(4):616-628.
[本文引用: 1]

ZHANG Z, LONG H L, WANG C C, YANG G J. Comparison of hyperspectral remote sensing estimation models based on photosynthetic characteristics of winter wheat leaves
Scientia Agricultura Sinica, 2019,52(4):616-628. (in Chinese)
[本文引用: 1]

[31] SHI Z, WANG Q L, PENG J, JI W J, LIU H J, LI X, RAPHAEL A V R. Development of a national VNIR soil-spectral library for soil classification and prediction of organic matter concentrations
Science China(Earth Sciences), 2014,57(7):1671-1680.
[本文引用: 1]

[32] YAN G J, LI L Y, COY A, MU X H, CHEN S B, XIE D H, ZHANG W M, SHEN Q F, ZHOU H M. Improving the estimation of fractional vegetation cover from UAV RGB imagery by colour unmixing
ISPRS Journal of Photogrammetry and Remote Sensing, 2019,158:23-34.
DOI:10.1016/j.isprsjprs.2019.09.017URL [本文引用: 1]

[33] ABOUTALEBI M, TORRES-RUA A F, KUSTAS W P, NIETO H, COOPMANS C, MCKEE M. Assessment of different methods for shadow detection in high-resolution optical imagery and evaluation of shadow impact on calculation of NDVI, and evapotranspiration
Irrigation Science, 2019,37(3):407-429.
DOI:10.1007/s00271-018-0613-9URL [本文引用: 1]

[34] NOH H, ZHANG Q. Shadow effect on multi-spectral image for detection of nitrogen deficiency in corn
Computers and Electronics in Agriculture, 2012,83:52-57.
DOI:10.1016/j.compag.2012.01.014URL [本文引用: 2]

[35] FILELLA I, SERRANO L, SERRA J, PENUELAS J. Evaluating Wheat Nitrogen Status with Canopy Reflectance Indices and Discriminant Analysis
Crop Science, 1995,35(5):1400-1405.
DOI:10.2135/cropsci1995.0011183X003500050023xURL [本文引用: 1]

[36] 陈鹏飞, 梁飞. 基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究
中国农业科学, 2019,52(13):2220-2229.
[本文引用: 1]

CHEN P F, LIANG F. Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle
Scientia Agricultura Sinica, 2019,52(13):2220-2229. (in Chinese)
[本文引用: 1]

[37] ZHOU K, GUO Y J, GENG Y N, ZHU Y, CAO W X, TIAN Y C. Development of a novel bidirectional canopy reflectance model for row-planted rice and wheat
Remote Sensing, 2014,6(8):7632-7659.
DOI:10.3390/rs6087632URL [本文引用: 1]

[38] 曾琪, 余坤勇, 姚雄, 郑文英, 张今朝, 艾婧文, 刘健. 基于PROSAIL辐射传输模型的毛竹林分冠层反射率模拟研究
植物科学学报, 2017,35(5):699-707.
[本文引用: 1]

ZENG Q, XU K Y, YAO X, ZHENG W Y, ZHANG J Z, AI J W, LIU J. Research on canopy reflectance modeling of Phyllostachys pubescens forest based on the PROSAIL canopy radiative transfer model
Plant Science Journal, 2017,35(5):699-707. (in Chinese)
[本文引用: 1]