基于機(jī)載高光譜端元提取分析棉花生長期光譜變化

龍 翔，趙慶展 ，王學(xué)文，馬永建，江 萍

(1.石河子大學(xué)機(jī)械電氣工程學(xué)院，新疆石河子 832000；2.兵團(tuán)空間信息工程技術(shù)研究中心，新疆石河子 832000； 3.石河子大學(xué)信息科學(xué)與技術(shù)學(xué)院，新疆石河子 832000 )

0 引 言

【研究意義】新疆棉花產(chǎn)量占全國棉花總產(chǎn)量2/3以上[1]。對棉花的生長狀況監(jiān)測結(jié)果一直是水肥管理、產(chǎn)量預(yù)估的重要依據(jù)。近年來無人機(jī)載高光譜傳感器大量應(yīng)用于遙感應(yīng)用領(lǐng)域，該方式可獲得高時空分辨率的高光譜影像，提高遙感監(jiān)測精度與效率[2，3]。與使用無人機(jī)搭載高光譜傳感器獲取冬小麥多期高光譜影像，并對冬小麥葉面積指數(shù)反演，基于比值植被指數(shù)的對數(shù)形式建立的反演模型，展現(xiàn)出較優(yōu)的線性關(guān)系。高光譜影像中普遍存在混合像元，影響圖像分類精度以及目標(biāo)監(jiān)測效果，制約定量高光譜遙感的發(fā)展與應(yīng)用[4]。【前人研究進(jìn)展】使用高光譜遙感技術(shù)在作物遙感監(jiān)測應(yīng)用領(lǐng)域開展了研究[5]。孫莉等[6]通過棉花非成像光譜開展了不同生育期高光譜數(shù)據(jù)與葉面積、葉綠素含量的相關(guān)性分析，得到葉面積、葉綠素變化呈拋物線變化趨勢，在花期達(dá)到最大并且與紅邊特征顯著相關(guān)。王克如等[7]使用高光譜數(shù)據(jù)分析棉花盛蕾期、盛花期、盛鈴期和吐絮期冠層反射光譜參數(shù)與植株氮含量間的關(guān)系，可見光波段為整個生育期氮含量敏感波段。陳兵[8]使用ASD光譜儀對不同脅迫下棉花光譜變化情況進(jìn)行研究，選取14個光譜特征建立相應(yīng)的判別式對不同脅迫棉葉進(jìn)行準(zhǔn)確識別。孫中宇等[9]利用無人機(jī)遙感對銀葉樹群健康進(jìn)行準(zhǔn)確快速地診斷。田明璐等[10]采集無人機(jī)載成像棉花高光譜影像對不同生育期葉綠素含量的反演取得較好的效果。在識別純凈像元與提取端元波譜曲線方面，提出了多種高光譜影像端元提取算法，如純凈像元指數(shù)算法(pixel purity index，PPI)[4]，基于最大單形體體積的N-FINDR算法[11]，頂點(diǎn)成分分析算法(vertex component analysis ，VCA[12]光譜最小信息熵算法(spectral minimum Shannon entropy，SMSE)[13]，正交子空間投影(Orthogonal Subspace Projection, OSP)[14]，離散粒子群優(yōu)化算法(discrete particle swarm optimization，D-PSO)[15]等。其中PPI算法與N-FINDR算法由于其易于實(shí)現(xiàn)、提取效果良好得到廣泛應(yīng)用。韓仲志等[16]使用N-FINDR算法分區(qū)提取海洋溢油波譜曲線，并計算出溢油覆蓋度。唐曉燕等[17]利用N-FINDR算法對飛機(jī)與混凝土的光譜進(jìn)行有效提取。徐君等[18]采用了PPI算法改進(jìn)的數(shù)學(xué)形態(tài)學(xué)端元提取算法進(jìn)行研究。楊鵬飛等[19]通過將PPI算法與N-FINDR算法相結(jié)合，提高了AVIRIS高光譜數(shù)據(jù)中6種礦石端元提取精度?！颈狙芯壳腥朦c(diǎn)】作物冠層光譜與生長期之間有緊密聯(lián)系，無人機(jī)載成像高光譜技術(shù)對作物在時序變化方面的遙感監(jiān)測具有明顯優(yōu)勢與顯著成效。目前在機(jī)載高光譜影像中提取波譜曲線的方法多采用劃取感興趣區(qū)域，統(tǒng)計區(qū)域內(nèi)平均光譜，而采用端元提取算法提取農(nóng)作物的波譜曲線，進(jìn)行相應(yīng)波譜分析的研究尚且較少?！緮M解決的關(guān)鍵問題】基于無人機(jī)載成像高光譜儀的優(yōu)點(diǎn)，采集棉花從花期到后期的高光譜數(shù)據(jù)，比較PPI算法和N-FINDR算法在機(jī)載高光譜影像上的端元提取效果，以及100 m以內(nèi)不同航高下提取情況，對比多期提取結(jié)果，分析棉花在不同生育期各光譜特征和植被指數(shù)變化，為基于無人機(jī)多光譜、高光譜遙感的作物監(jiān)測提供借鑒和參考。

1 材料與方法

1.1 材 料

1.1.1 研究區(qū)概況

研究區(qū)位于新疆塔城地區(qū)沙灣縣蘑菇湖村(85°51'49.44''E，44°25'26.61''N)，地勢平坦，平均海拔高度450.8 m。該區(qū)域地處天山北麓中段，屬典型的溫帶大陸性氣候，冬季長而嚴(yán)寒，夏季短而炎熱。1年中的最高氣溫出現(xiàn)在7月，平均氣溫25.1～26.1℃。年降水量為125.0～207.7 mm，年日照時數(shù)為2 721～2 818 h。研究區(qū)棉花于2019年4月11日種植，4月20日第1次灌溉，機(jī)采棉種植方式，1 m 15穴，1膜6行，正常水肥管理。

1.1.2 機(jī)載成像高光譜數(shù)據(jù)采集系統(tǒng)

高光譜影像采集系統(tǒng)由飛行平臺、增穩(wěn)云臺、高光譜相機(jī)組成。飛行平臺為大疆無人機(jī)經(jīng)緯M600 PRO，機(jī)身質(zhì)量9.5 kg，最大負(fù)載6 kg，最大水平飛行速度65 km/h，可承受最大風(fēng)速8 m/s，安全飛行時間16 min。增穩(wěn)云臺為大疆RONIN，云臺質(zhì)量4.2 kg，最大工作時間6 h。成像高光譜相機(jī)為Rikola高光譜成像儀，橫向視場角和縱向視場角為36.5°。圖像分辨率1 010×1 010 pixel，光譜范圍500～900 nm，焦距9 mm，質(zhì)量0.72 kg，適宜搭載在無人機(jī)飛行平臺上作業(yè)，在60、80、100 m航高下空間分辨率分別為3.9、5.2、6.5 cm，波段數(shù)設(shè)為42，光譜分辨率10 nm。

1.1.3 高光譜數(shù)據(jù)獲取

數(shù)據(jù)采集于2019年6月29日(花期)、7月11日(盛花期)、7月18日(鈴期)、8月7日(盛鈴期)、8月27日(后期)，在研究區(qū)共采集5期機(jī)載成像高光譜數(shù)據(jù)。 Rikola高光譜傳感器在無人機(jī)平臺上獲取成像高光譜數(shù)據(jù)時，通過實(shí)時獲取上行輻射來校正DN值。在航攝范圍內(nèi)放置4塊漫反射板(反射率分別為3%、22%、48%、64%)作為輻射校正靶標(biāo)。測量日天氣晴朗、無云無風(fēng)，為保證有足夠的太陽高度角，于12：00～14：00采集。無人機(jī)每期飛3個架次，飛行高度分別為60、80、100 m，每架次飛行時間約13 min，多期影像使用同一個任務(wù)航線。使用SR-3500便攜式光譜儀同步采集棉花冠層光譜數(shù)據(jù)以作驗(yàn)證，光譜范圍350～2 500 nm，光譜分辨率為1 nm。測量時傳感器鏡頭垂直向下，距離冠層頂端垂直高度約為1.5 m[20]。每個測量點(diǎn)采集10條波譜曲線，取平均值作為該區(qū)的棉花冠層光譜反射率。

1.2 方 法

使用端元提取算法提取出非成像高光譜數(shù)據(jù)，分析棉花在不同生育期的反射光譜特征變化。包括高光譜影像獲取與預(yù)處理、棉花端元提取、光譜特征分析三部分。

對采集的無人機(jī)成像高光譜數(shù)據(jù)進(jìn)行暗電流校正、波段配準(zhǔn)、影像拼接等，獲得正射高光譜影像。通過影像中輻射靶標(biāo)建立線性擬合模型，將輻亮度值校正為反射率，完成數(shù)據(jù)預(yù)處理。

選取7月11日采集的高光譜影像進(jìn)行棉花端元提取，對比PPI和N-FINDR算法分別在60、80、100 m航高下端元提取結(jié)果，將2種算法提取結(jié)果重采樣后與SR-3500數(shù)據(jù)進(jìn)行波譜角計算，波譜角度越小則數(shù)據(jù)接近程度越高。為減小誤差與對計算機(jī)性能的需求，將實(shí)驗(yàn)區(qū)的影像分為16個17.5 m×19 m的小區(qū)域，對每個小區(qū)域分別提取端元，求其均值作為該期棉花波譜曲線。棉花影像中含有棉花、土壤2種端元，為使提取的端元有余量，減少圖像異常像素帶來的誤差，每個區(qū)域提取3條波譜曲線作為待分析端元。所有程序均在MATLAB2018b中運(yùn)行。選擇N-FINDR算法在每期100 m航高無人機(jī)高光譜影像中提取棉花波譜曲線作為光譜分析數(shù)據(jù)源。

利用提取出的5期非成像高光譜數(shù)據(jù)，對比分析其植被指數(shù)(NDVI、RVI、EVI、DVI、OSAVI)和光譜變量(Rg、Rrg、Vreg、R802)在不同生育期的變化情況，得到在棉花生長過程中其反射光譜特征變化規(guī)律。

1.2.1 光譜特征參數(shù)選擇

選擇9個常用的光譜特征參數(shù)。表1

表1 光譜參數(shù)Table 1 Table of spectral parameters

1.2.2 N-FINDR端元提取算法

N-FINDR算法是根據(jù)凸面幾何學(xué)理論，尋找體積最大的單形體自動提取圖像中的所有端元。在高光譜影像的特征空間中，像素點(diǎn)占據(jù)了一個由單形體組成的空間，單形體就是能包含所有給定維數(shù)的最簡單幾何體[11]，單形體的頂點(diǎn)則是較為純凈的像元，單形體的中心是較為混合的像元。N-FINDR算法需有先驗(yàn)知識獲得端元個數(shù)n，隨機(jī)選取n個像元作為一組數(shù)據(jù)，計算其單形體體積，將每個頂點(diǎn)依次遍歷整個影像的像素，若體積增加則用新像素代替原來的像素，最后得到體積最大的幾何體的各個頂點(diǎn)即是端元[19]。n個像素e1，e2，…，en形成的凸錐結(jié)構(gòu)體積計算公式[19]如下：

其中ei表示第i個端元向量，V表示由e1，e2，…，en組成的幾何單形體體積，n為端元數(shù)目個數(shù)。

在進(jìn)行N-FINDR算法端元提取之前，需對原始圖像進(jìn)行MNF降維至n-1維，將原始圖像與MNF降維結(jié)果放在同一MATLAB程序里面運(yùn)行。

1.2.3 PPI端元提取算法

PPI算法同樣基于凸面幾何學(xué)理論，凸面單形體的特點(diǎn)決定了位于單形體頂點(diǎn)的樣本點(diǎn)在特征空間中任意直線上的投影必在直線的兩端[18]。二維空間中投影示意中，圓點(diǎn)是高光譜影像中的所有像素，生成隨機(jī)向量q、b穿過這個幾何單形體，在單形體頂端的純凈像元p投影在這些隨機(jī)向量上時，總是會落在q、b上投影區(qū)間的兩端。在特征空間中生成大量的隨機(jī)直線進(jìn)行投影，統(tǒng)計每個像元落在線段2個端點(diǎn)的次數(shù)作為像元純凈指數(shù)，也即是生成大量的隨機(jī)向量與每個像素代表的向量進(jìn)行點(diǎn)乘，記錄計算結(jié)果的最大值與最小值對應(yīng)的像素與次數(shù)，次數(shù)作為純凈像元指數(shù)來定量表示該像元的純凈度。圖2

1.2.4 光譜角匹配(SAM)

光譜角度定義為兩地物光譜矢量之間的廣義夾角，將像元n個波段的光譜響應(yīng)(該像元的光譜曲線)視作為n維空間中的矢量，通過計算2條光譜曲線的廣義夾角來表征其匹配程度，夾角越接近于0，兩者越相似，計算公式[23]為

其中θ表示光譜角度值，t、r表示不同的兩條波譜曲線，ti、ri表示2條波譜曲線在第i波段的反射率，n為波段數(shù)。

在可見光波段反射率主要取決于冠層葉綠素含量與蓋度[24]。

1.3 數(shù)據(jù)處理

獲取的高光譜數(shù)據(jù)使用Hyperspectral Imager軟件進(jìn)行鏡頭漸暈校正和暗電流校正，去除感光單元不均勻和邊緣光線衰弱及暗電流誤差。通過RegMosaic軟件進(jìn)行波段配準(zhǔn)，將成像高光譜儀在拍攝影像時多個波段沿飛行方向上的錯位進(jìn)行修正，POS信息與航攝照片輸入PhotoScan軟件中拼接生成正射影像。將高光譜影像中包含的4塊輻射校正靶標(biāo)輻亮度值通過ENVI用感興趣區(qū)域工具統(tǒng)計，與靶標(biāo)的實(shí)際反射率值進(jìn)行匹配，計算增益和偏移參數(shù)。以輻射靶標(biāo)為參考，利用最小二乘法建立每個波段的經(jīng)驗(yàn)線性校正模型，估算每個波段反射率，將高光譜影像由輻亮度值校正為反射率，其計算公式為：

ri=R(i)×bref_i+cref_i.

ri為i波段的地表反射率，R(i)為遙感影像i波段的輻亮度值，bref_i和cref_i為i波段的反射率轉(zhuǎn)換因子，近似理解為高光譜傳感器的增益和偏移。

2 結(jié)果與分析

2.1 同一高度N-FINDR算法和PPI算法提取

研究表明，L1與L2與土壤反射光譜曲線相似，隨波長的增加，反射率呈逐漸升高趨勢，但又不完全與土壤相同，土壤與棉花的光譜混合，L3波譜曲線符合綠色植被反射規(guī)律，為棉花的波譜曲線，提取出混合像元、棉花的波譜曲線。在PPI算法提取結(jié)果中，L1、L2、L3曲線相似，而影像中應(yīng)該有土壤與棉花2種端元，在7月11日棉花生長較為茂盛，棉花像素個數(shù)遠(yuǎn)大于土壤像素時，PPI算法只能提取出棉花的波譜曲線，未能成功提取出土壤波譜曲線。圖3

2.2 不同高度的N-FINDR與PPI算法棉花波譜提取

研究表明，60、80、100 m的航高下提取的3條棉花波譜曲線形態(tài)相似，綠峰、紅谷、紅邊等特征相近。3個航高下影像提取結(jié)果的光譜角為0.065 8、0.065 9、0.067 7，PPI算法結(jié)果為0.070 1、0.072 6、0.071 1。N-FINDR算法對棉花高光譜影像端元提取效果優(yōu)于PPI算法，2種算法之間波譜角差異在5.02%～10.1%；同一種算法在不同航高下提取結(jié)果差異不大，波譜角差異均在2%以內(nèi)，在100 m高度以內(nèi)，航高帶來的空間分辨率變化對棉花波譜端元提取影響較小。R2均在0.99以上，呈顯著相關(guān)。圖4，圖5

2.3 不同時期棉花冠層光譜

研究表明，不同生長期的棉花冠層波譜曲線趨勢相同，都具有綠色植被冠層典型的反射光譜特征。在波長550 nm左右呈現(xiàn)反射峰(綠峰)，這是由于葉綠素對藍(lán)光、紅光強(qiáng)吸收引起的。波譜曲線在650～700 nm波長范圍之間呈現(xiàn)吸收谷(紅谷)，這是由于葉片進(jìn)行光合作用時對紅光強(qiáng)吸收的結(jié)果。在780 nm之后的近紅外波段呈現(xiàn)強(qiáng)反射現(xiàn)象，這導(dǎo)致在700～780 nm冠層反射率呈現(xiàn)急劇上升趨勢。不同生長期波譜曲線在各波長處的反射率具有差別，不同時期的棉花光譜在近紅外波段范圍(780～850 nm)內(nèi)差異最為明顯，7月18日(鈴期)波譜的反射率在此處最高。各期光譜在550 nm左右與680 nm左右處反射率差異也較大，其余波長處反射率差異不明顯。一階微分的峰值分別出現(xiàn)在500～550 nm與730～750 nm，各時期的峰值差異較大，且隨時間的增加呈顯著的規(guī)律性變化，可較好區(qū)分棉花不同生長期。圖6

2.4 不同時期光譜特征變化

研究表明，從6月29日(花期)到7月18日(鈴期)，隨著生長期的推移，棉花的光合作用逐漸增加，對紅光、藍(lán)光的吸收逐漸增強(qiáng)。從7月18日到8月27日(后期)，光合作用減弱，對紅光的吸收逐漸減弱。紅谷深度可反映葉片光合作用，紅谷越深，代表對紅光的吸收越強(qiáng)，光合作用也即越強(qiáng)。隨著生育期的推移，紅谷值呈拋物線趨勢，在7月18號吸收谷最深(谷底反射率0.027 9)且寬度最大。近紅外波段反射率均大于50%，由棉花冠層結(jié)構(gòu)與棉葉內(nèi)部結(jié)構(gòu)共同導(dǎo)致的，從花期到鈴期期間，棉花葉面積指數(shù)與覆蓋度增加，使得近紅外波段反射率升高，從鈴期到后期期間，棉花養(yǎng)分往棉鈴上傳輸，棉葉內(nèi)部結(jié)構(gòu)發(fā)生變化，使得近紅外波段反射率降低，802 nm處反射率呈現(xiàn)出拋物線形，于7月18日(鈴期)達(dá)到最大值0.625 2，這與紅谷的變化一致。紅邊也呈現(xiàn)先增大，后減小趨勢，于7月18日達(dá)到峰值0.111。由于葉綠素、葉黃素等生物化學(xué)成分的吸收，可見光波段反射率在15%以下，且從花期到后期呈逐漸減小的趨勢，綠峰值由0.111 4下降到0.080 5。表2

表2 光譜特征Table 2 Statistical Table of spectral characteristics

2.5 不同時期植被指數(shù)變化

研究表明，植被指數(shù)均呈現(xiàn)一種先上升，再下降的趨勢，在7月11日(盛花期)或7月18日(鈴期)達(dá)到峰值，棉花在此時進(jìn)行大量光合作用，對近紅外波段的強(qiáng)反射和對藍(lán)光、紅光的強(qiáng)吸收現(xiàn)象最強(qiáng)烈，棉花在棉田中分布密度在鈴期之后變化不大的特點(diǎn)。表3

表3 植被指數(shù)計算Table 3 Calculation results of vegetation index

3 討 論

3.1N-FINDR算法可在棉花無人機(jī)高光譜影像中準(zhǔn)確地提取出棉花波譜曲線，其在3個航高影像中的結(jié)果與SR-3500光譜數(shù)據(jù)波譜角計算結(jié)果分別為0.065 8、0.065 9、0.067 7，R2分別為0.992、0.991、0.991，提取結(jié)果可靠。Rikola高光譜儀和SR-3500便攜式光譜儀采集的波譜曲線雖然很接近，但依然有細(xì)微差異，一方面是由于不同采集儀器的波譜響應(yīng)函數(shù)差異和不同采集方式、不同采集平臺的入瞳輻射量差異，輻射校正不能完全消除入瞳輻射量差異引起的波譜曲線變化；另一方面是在機(jī)載高光譜影像中，一個像素代表的地面面積較大，棉花像素會受到土地光譜的影像，故2種光譜儀測量的結(jié)果肯定有差異。

3.2N-FINDR算法提取結(jié)果優(yōu)于PPI算法結(jié)果，兩者差異在5%～10%。PPI算法易忽略小樣本端元，在實(shí)驗(yàn)采集的機(jī)載棉花高光譜影像中，棉花像素遠(yuǎn)遠(yuǎn)多于土壤像素，使用PPI端元提取算法不能夠有效得提取出土壤端元。其次PPI算法易將受到土壤光譜影響的棉花像素視作端元提取出來，這是由于PPI算法原理是統(tǒng)計像素的純凈像元指數(shù)的大小，當(dāng)混合像元大量存在與影像中時，受到少量土壤光譜影響的棉花像素由于其光譜差異性與像素數(shù)量兩方面因素共同作用，易被視作端元提取出來；N-FINDR算法在每個小區(qū)域內(nèi)遍歷所有像素點(diǎn)，找出差異最大的波譜曲線視作端元，不受像素數(shù)量因素的影響，有效地將每種地物的端元提取出來。

3.3航高在100 m以下時，其與端元提取結(jié)果相關(guān)性甚微，2種算法在60、80和100 m航高下提取結(jié)果的波譜角差異均在2%以內(nèi)，表示在100 m以下，由航高變化導(dǎo)致的空間分辨率的變化，對棉花的光譜曲線影響不大，在飛行設(shè)置時可優(yōu)先考慮航高。

3.4對比棉花不同生長期反射光譜特征，可見光波段反射率隨生長期推移而降低，紅谷、紅邊等光譜特征和NDVI、RVI等植被指數(shù)變化情況呈拋物線形，均在盛花期或鈴期達(dá)到峰值，表明此階段光合作用最強(qiáng)烈，對紅光的吸收最顯著，棉株在大量聚集營養(yǎng)為結(jié)鈴做準(zhǔn)備。鈴期之后棉花株高、空間分布已變化不大。這與孫莉等[6]得到的棉花葉面積指數(shù)、葉綠素含量變化趨勢吻合。反映并驗(yàn)證了棉花不同生長期的反射光譜變化具有規(guī)律性，且可作為棉花長勢監(jiān)測、空間分布、理化指標(biāo)變化的數(shù)據(jù)參考。

4 結(jié) 論

無人機(jī)航攝棉花高光譜影像時，100 m以內(nèi)的航高變化對棉花光譜曲線的影響在2%以內(nèi)。在棉花無人機(jī)高光譜影像的棉花端元提取任務(wù)中，N-FINDR算法可實(shí)現(xiàn)棉花波譜曲線的提取，其結(jié)果與地面測量光譜的R2在0.99以上。不同時期棉花的紅谷、紅邊、NDVI等參數(shù)呈拋物線趨勢變化，于鈴期或盛花期達(dá)到極值0.027 9、0.111、0.841 7，棉花的生物化學(xué)成分與葉片結(jié)構(gòu)呈規(guī)律性變化，使其在7月光合作用最大，對紅光的強(qiáng)吸收、近紅外波段強(qiáng)反射現(xiàn)象最為明顯。