水稻分蘗期無人機高光譜影像混合像元特征分析與分解

于豐華，趙 丹，郭忠輝，金忠煜，郭 爽，陳春玲*，許童羽

1.沈陽農(nóng)業(yè)大學信息與電氣工程學院，遼寧 沈陽 110866 2.遼寧省農(nóng)業(yè)信息化工程技術(shù)研究中心，遼寧 沈陽 110866

引 言

無人機高光譜遙感技術(shù)因其平臺具有較高的便捷性、靈活性,常用于水稻營養(yǎng)診斷、病害預(yù)警、表型檢測等定量遙感研究，已逐漸成為水稻低空遙感研究重要的數(shù)據(jù)獲取手段[1-2]。水稻作為典型的大田行播作物，生長周期內(nèi)有較長時間冠層處于非均質(zhì)狀態(tài)，即無人機高光譜平臺獲取的遙感影像數(shù)據(jù)中除了水稻外，還包括水體、土壤等地物[3]。受制于目前高光譜成像儀空間分辨率的限制，無人機高光譜遙感平臺獲取的高光譜遙感影像中，單一像元中極易出現(xiàn)水稻、水體、土壤等多種地物共同存在的混合像元?；旌瞎庾V的存在，會造成水稻理化參量高光譜反演模型精度的下降。因此，開展水稻無人機高光譜解混，獲取水稻植株的高光譜反射率信息，是利用無人機成像高光譜開展水稻定量遙感的重要前提。

高光譜影像混合像元分解主要包括：端元數(shù)目估計、端元提取以及豐度估計三部分。通常情況下稻田內(nèi)的端元數(shù)目是已知的，因此如何準確對稻田無人機高光譜影像進行端元提取與豐度估計是實現(xiàn)稻田高光譜影像混合像元分解的關(guān)鍵。由于無人機搭載的高光譜成像儀距離探測目標通常比較遠，導致其所拍攝的高光譜圖像分辨率不足，圖像中單個像元中經(jīng)常包含多種難以分辨的物體。而可見光圖像由于其通常具有較高的空間分辨率，可以提供清晰的地物邊緣、紋理和顏色等空間特性，增強了對地物的描述能力[4-5]。充分利用高光譜圖像的光譜信息和可見光圖像的紋理、顏色等信息，進行優(yōu)勢互補，克服單一數(shù)據(jù)源的局限性，從而增強對地物目標的描述能力，這對地物的光譜影像進行端元提取與豐度估計具有重要的意義[6-7]。

綜上所述，針對現(xiàn)有高光譜影像解混方法的不足，提出一種基于無人機高清影像與高光譜遙感影像融合的稻田無人機高光譜解混方法，首先利用同一地塊的高清數(shù)碼正射影像與無人機高光譜遙感影像進行空間配準，再利用可見光的數(shù)碼正射影像進行地物分類，將分類結(jié)果與高光譜像元進行匹配，計算每一個高光譜像元的端元豐度，再利用線性解混模型對無人機高光譜遙感影像進行解混，最終獲取水稻高光譜反射率信息，為水稻理化參量無人機成像高光譜遙感反演提供科學基礎(chǔ)。

1 實驗部分

1.1 試驗地點概況

試驗地點位于遼寧省沈陽市沈北新區(qū)柳條河村(北緯42°01′17.16″，東經(jīng)123°38′14.57″)，月平均氣溫最高24.6 ℃，最低-12.7 ℃。平均年降水量為755.4 mm，降水日數(shù)歷年平均為93.8 d，全年晴天平均為136.7 d，雨天為145.4 d。屬于典型的寒地水稻種植區(qū)，試驗品種為遼寧地區(qū)廣泛種植的“粳優(yōu)653”品種。試驗于2020年5月—6月進行，涉及水稻的返青期和分蘗期兩個生育期，這兩個生育期內(nèi)，稻田內(nèi)處于未封行的非均質(zhì)狀態(tài)。數(shù)據(jù)采集過程中天氣晴好，如遇雨天或不利于無人機遙感數(shù)據(jù)采集天氣則順延采集。

圖1 研究區(qū)域位置及水稻分蘗期冠層非均質(zhì)狀態(tài)Fig.1 Location of the study area and the non-homogeneous state of the canopy of rice at tillering stage

1.2 數(shù)據(jù)獲取

1.2.1 水稻冠層無人機高光譜遙感影像獲取

采用深圳大疆創(chuàng)新公司的M600 PRO六旋翼無人機作為飛行平臺，高光譜成像儀選用四川雙利合譜公司的GaiaSky-mini內(nèi)置推掃式機載高光譜成像系統(tǒng)，高光譜的波段范圍為400～1 000 nm，分辨率為3.5 nm，有效波段數(shù)為170個，單幅影像獲取時間為15 s，幀速為162幀·s-1，無人機飛行高度為100 m，空間分辨率為7 cm。由于水稻分蘗期稻田內(nèi)水體面積很大，為避免鏡面反射等干擾，將無人機高光譜數(shù)據(jù)采集時間選擇在09:00—09:30之間，同時為了降低由于太陽高度角變化對高光譜影像采集造成的測量誤差，無人機高光譜影像獲取過程中每隔5 min進行1次定標白板(反射率>99%)和儀器背景暗噪聲光譜數(shù)據(jù)的采集，用于后期計算高光譜影像反射率。在每景高光譜采集區(qū)域內(nèi)放置一塊1.5 m×1.5 m、反射率為60%的漫反射板，用于后期的反射數(shù)據(jù)校正[8]。利用機載高光譜成像儀配套的SpectraVIEW軟件對所獲取的無人機高光譜遙感影像進行鏡頭、均勻性、反射率等預(yù)處理，最終獲得用于解混的高光譜反射率影像。

1.2.2 稻田無人機高清數(shù)碼正射影像采集

采用深圳大疆創(chuàng)新公司的Phantom 4 RTK四旋翼無人機作為飛行平臺，無人機內(nèi)置RTK差分定位系統(tǒng)，定位精度為1 cm+1 ppm，1 ppm指飛行器每逸動1 km誤差增加1 mm。內(nèi)置相機有效像素2 000萬，飛行高度50 m的條件下分辨率為1.5 cm。利用大疆飛行軟件對試驗區(qū)進行航線規(guī)劃，采用定時拍照的方式獲取試驗田正射影像原始數(shù)據(jù)[9]。采用Pix4D圖像處理軟件對無人機采集的試驗區(qū)影像進行正射拼接、裁剪等過程，最終獲得用于解混的稻田高清正射影像。

1.2.3 高光譜影像混合像元分解實驗數(shù)據(jù)獲取

利用無人機高光譜成像儀獲得高光譜反射率影像后，對目標實驗區(qū)選擇一定區(qū)域，且每個區(qū)域的6種待解混像元均在同一鄰域內(nèi)，實驗結(jié)果證明在同一領(lǐng)域內(nèi)選取不同豐度的像元對于混合像元分解更精確，因此實驗數(shù)據(jù)所用的樣本均在高光譜影像上獲取，選擇五組分布距離差異大的區(qū)域，每個區(qū)域取相鄰的6種不同豐度的像元進行分解，另選擇五組區(qū)域進行方法驗證，實驗樣本數(shù)據(jù)量共為60條。

1.3 研究方法

1.3.1 稻田無人機多源遙感影像配準

高光譜遙感影像具有豐富的地物光譜信息，可以通過光譜信息的差異來辨識地物的類別，但空間分辨率較低?？梢姽庥跋竦目臻g分辨率較高，影像清晰，在辨識地物的形狀和輪廓優(yōu)勢明顯。本研究利用無人機拍攝的包含經(jīng)緯度信息的可見光正射影像與高光譜影像進行配準，將這些在不同傳感器獲得的同一場景下的圖像在幾何位置上對齊，綜合的利用多幅圖像的優(yōu)勢信息來提高地表分類精度以及滿足亞像元級目標探測的需求。

采用基于人工目視解譯特征的配準方法對高光譜影像進行配準。此方法通過提取兩幅影像內(nèi)相同的多個特征信息，其中人工目視解譯方法提取特征對圖像中的噪聲具有較強的抑制能力，能夠準確檢測出兩幅圖像的共有特征。根據(jù)提取的特征點，計算影像之間的X殘差、Y殘差、均方根誤差以及均方根總誤差進行配準，配準的精度小于0.5個像元，適用于不同傳感器不同波段圖像之間的配準。當計算誤差在配準精度要求范圍之內(nèi)時，由坐標變換參數(shù)以及最近鄰差值進行高光譜配準。結(jié)果如圖2所示。

圖2 高光譜遙感影像(a)和可見光影像(b)的配準結(jié)果(c)Fig.2 Registration results of visible light image (b)and hyperspectral remote sensing image (a)

1.3.2 稻田無人機高光譜端元提取

水稻分蘗期，田內(nèi)處于灌水狀態(tài)，稻田地物構(gòu)成主要包括水稻植株與水體。水體實質(zhì)是水、土壤等地物構(gòu)成的混合物質(zhì)，并不是嚴格意義上的單一地物類型。而水稻由于長勢、結(jié)構(gòu)等多因素控制，即使“純水稻”像元之間的高光譜也會存在差異。因此精準提取“純水體”像元是高光譜解混的重要前提。同一田塊水體內(nèi)，不同位置的水體高光譜反射率存在一定的差異，為了保證最終解混的準確性，結(jié)合高清數(shù)碼影像分類結(jié)果，采用鄰域空間搜索法確定稻田水體的高光譜端元反射率。

首先利用高分辨率的無人機數(shù)碼正射影像進行分類，將分類結(jié)果與高光譜影像做像素級融合配準，若一個高光譜像素點范圍內(nèi)所覆蓋的可見光像素點均為相同分類結(jié)果時，則認為該高光譜像元為純凈像元。無人機高光譜遙感平臺飛行高度100 m的條件下，其空間分辨率為7 cm，而這期間稻田內(nèi)水體的占比很大，可以保證影像內(nèi)一定存在“純水體”像元。無人機所獲取的稻田遙感影像中將存在若干水體純像元，選擇待解混像元最近的水體純像元作為解混的水體端元高光譜反射率信息。

1.3.3 稻田無人機可見光影像分類

首先，處理無人機高清影像和高光譜影像，將兩種圖像的地理位置信息完全配準，依據(jù)影像具有相同坐標信息這一特點，分析高光譜單個像元中包含高清影像端元的數(shù)量，對于混合像元中的各個物質(zhì)進行豐度估計。其次對高清影像選取適當?shù)牟ǘ芜M行分類，利用監(jiān)督分類中的支持向量機方法，自動尋找圖像中有較大分類區(qū)分能力的支持向量，將類與類之間的間隔最大化獲取較好的分類精度。

支持向量機(SVM)是一種二分類模型，SVM的學習策略就是間隔最大化，可形式化一個凸二次規(guī)劃的求解問題。

SVM想要的就是找到各類樣本點到超平面的距離最遠，也就是找到最大間隔超平面。任意超平面可以用下面這個線性方程來描述[6]

ωTx+b=0

(1)

二維空間點(x，y)到直線Ax+By+C=0的距離公式是

(2)

擴展到n維空間后，點x=(y1，x2，…，xn)到直線ωTx+b=0的距離為

(3)

于是可得公式

(4)

每個支持向量到超平面的距離可以寫為

(5)

最大化這個距離

(6)

這里乘上2倍也是為了后面推導，對目標函數(shù)沒有影響。剛剛我們得到支持向量y(ωTx+b)=1，所以我們得到

(7)

最終得到的最優(yōu)化問題是

(8)

1.3.4 水稻無人機高光譜混合像元解混

采用線性光譜混合模型(linear spectral mixture model,LSMM)對試驗田的無人機高光譜遙感影像進行解混，LSMM的數(shù)學表達如式(9)所示[7]

(9)

式(9)中，R是n(n為波段數(shù)量)維的已知高光譜圖像；H是n×q(q為端元數(shù)目)的端元矩陣，每一列代表一個端元的光譜向量；向量s是像元中各端元的豐度；We是n維的高斯隨機噪聲。如果把高光譜圖像的全部γ(假設(shè)γ為像元個數(shù))個像元均考慮進式(1)，則式(1)可擴展為

當?shù)貏?chuàng)新文化、歷史文化、農(nóng)耕文化以及山水文化等具有滲透功能，并向農(nóng)業(yè)產(chǎn)前產(chǎn)后產(chǎn)中蔓延與融合。農(nóng)民工返鄉(xiāng)創(chuàng)業(yè)集群創(chuàng)業(yè)在促進農(nóng)村一二三產(chǎn)業(yè)融合發(fā)展中，具備城市打工獲得人力資本優(yōu)勢、資金優(yōu)勢以及家鄉(xiāng)的資源人脈優(yōu)勢等，能夠利用文化滲透發(fā)展成具有特色的創(chuàng)意、觀光、品牌等農(nóng)業(yè)、鄉(xiāng)村生態(tài)休閑、旅游觀光、文化教育等產(chǎn)業(yè)，從而實現(xiàn)傳統(tǒng)農(nóng)村產(chǎn)業(yè)向現(xiàn)代產(chǎn)業(yè)轉(zhuǎn)型與升級。

R=MV+We

(10)

2 結(jié)果與討論

2.1 水稻無人機混合像元高光譜反射率特征分析

水稻分蘗期處于營養(yǎng)生長階段，水稻冠層高光譜反射率主要反映了葉片高光譜信息，通過ASD地物光譜儀，分別測量試驗田內(nèi)水稻葉片、水層、冠層混合高光譜反射率信息，如圖3所示。

圖3 水稻像元、水層像元、混合像元高光譜反射率光譜Fig.3 Hyperspectral reflectance spectra of rice pixels,water layer pixels and mixed pixels

由圖3可知，純凈的水稻與水層的高光譜反射率差異非常明顯，特別是在近紅外波段范圍，而混合像元高光譜反射率信息則介于水稻、水層兩者反射率之間。水體的反射率在400～1 000 nm范圍內(nèi)整體較低，反射率的范圍均小于0.1。通過人工選取同一區(qū)域內(nèi)水稻豐度在10%～90%之間的高光譜混合像元，分析反射率變化規(guī)律發(fā)現(xiàn)(圖4)，混合像元反射率在水稻、水體豐度不同條件下，近紅外波段的反射率變化較為劇烈，其中水稻豐度占比越高，近紅外波段反射率也越高。隨著混合像元內(nèi)水稻豐度占比逐漸降低，混合像元的紅邊會發(fā)生“紅移”現(xiàn)象。與之相反的是隨著混合像元水稻豐度的變化，不同豐度的混合高光譜“紅谷”位置變化并不劇烈。從400～1 000 nm范圍內(nèi)，水稻、水體不同豐度混合而成的高光譜反射率在可見光范圍內(nèi)變化較弱，而在近紅外范圍內(nèi)變化較為劇烈。

圖4 水稻不同豐度條件下反射率信息Fig.4 Reflectance spectra of rice under different abundance conditions

混合像元高光譜反射率信息則介于水稻、水層兩者反射率之間。且當水稻豐度不足70%時，由于水體的反射率很低，因此整個混合高光譜反射率的信息主要反映了水體的信息，而水稻的信息則表現(xiàn)不明顯。當水稻豐度低于50%以下，則基本無法反映水稻的高光譜反射率信息。這樣的特征證明了利用光譜特征反演水稻理化參量時，需要對獲取的高光譜反射率進行解混，否則會影響反演模型精度。

2.2 無人機可見光影像分類結(jié)果

由于高光譜圖像分辨率不足，圖像中單個像元中經(jīng)常包含多種難以分辨的基本物質(zhì)，而可見光影像空間分辨率高，擁有較高的地物描述能力[10-11]，所以結(jié)合兩者優(yōu)勢，將同一地塊的高清數(shù)碼正射影像與無人機高光譜遙感影像進行空間配準，再利用可見光的數(shù)碼正射影像進行地物分類，將分類結(jié)果與高光譜像元進行匹配，通過分類結(jié)果來計算每一個高光譜像元的端元豐度。所以，對無人機可見光影像進行分類是高光譜像元豐度估計的前提。

首先對空間分辨率較高的無人機正射影像進行地物分類，分別采用面向?qū)ο蠓诸惡筒捎肧VM分類器的監(jiān)督分類兩種方法，結(jié)果如圖5所示。

圖5 面向?qū)ο蠓诸?a)和監(jiān)督分類(b)Fig.5 Object-oriented (a)and supervise (b) classification results

采用混淆矩陣評價無人機高分辨正射影像的分類精度，分類精度結(jié)果如表1所示。由表1可知：監(jiān)督分類與面向?qū)ο蟮目傮w精度均比較理想，分類精度分別為：99.5%和98.2%。兩種方法的Kappa系數(shù)分別為0.99和0.95。通過錯分誤差和漏分誤差進行誤差分析，在監(jiān)督分類結(jié)果中，11 733個水體像元中錯誤分類的有49個，錯分誤差為0.417%，遠低于面向?qū)ο?.99%的錯分誤差。漏分誤差結(jié)果表明，監(jiān)督分類對11 722個水體像元進行分類，漏分的水體像元為38個，漏分誤差為0.32%，略低于面向?qū)ο?.42%的漏分誤差。而對水稻像元的分類中，監(jiān)督分類的漏分誤差為1.13%，遠低于面向?qū)ο?.47%的漏分誤差。綜合數(shù)據(jù)分析，采用監(jiān)督分類的結(jié)果作為無人機高光譜像元豐度反演的基礎(chǔ)。

表1 不同方法分類結(jié)果Table 1 Classification results of different methods

2.3 稻田無人機混合像元高光譜豐度估計

2.3.1 水體純像元選擇方法

無人機高光譜遙感影像數(shù)據(jù)在水稻的分蘗期獲取，此生育期內(nèi)稻田均有水層覆蓋，且稻田內(nèi)并無水棉、雜草等干擾地物。因此無人機平臺所獲取的高光譜遙感影像中僅含有水稻、水體兩種端元，其中水體指水層和土壤混合而成一種端元。因此準確估計高光譜混合像元內(nèi)不同端元的豐度是實現(xiàn)高光譜解混的重點。

利用無人機高清正射影像的分類結(jié)果，選取了24個均勻分布在試驗田內(nèi)的水體高光譜像元，反射率如圖6所示。

圖6 稻田內(nèi)24個純水體高光譜反射率光譜Fig.6 Hyperspectral reflectance spectra of 24 pure water bodies in rice fields

由反射率曲線可知，由于養(yǎng)分、土壤肥利、環(huán)境脅迫等多因素的共同作用，稻田內(nèi)不同位置的水體像元存在一定差異，無法找到一個標準光譜作為水稻端元；在解混過程中，選擇離像元最近的水體純像元作為端元，盡量減小由于固定端元對解混精度的影響。

2.3.2 利用不同方法豐度估計比較

根據(jù)一個像元大小，選用6組監(jiān)督分類結(jié)果圖比較不同豐度估計方法，如圖7所示。

圖7 監(jiān)督分類結(jié)果圖Fig.7 Results of supervised classification

豐度估計的方法是將高光譜影像與可見光影像配準，然后對可見光影像監(jiān)督分類，配準后的兩種影像能使苗的位置一一對應(yīng)，因此選擇一個像元大小的分類結(jié)果圖(如圖7所示)，利用圖像計算的方法，算出水稻以及水體的豐度占比。另一種方法利用ENVI擴展工具完全約束最小二乘法進行混合像元豐度估計，能夠直接計算出水稻和水體的占比。兩種方法的水稻豐度估計結(jié)果如表2。

表2 不同方法水稻豐度估計結(jié)果Table 2 Results of rice abundance estimation by different methods

從6組數(shù)據(jù)可以看出，ENVI完全約束最小二乘法混合像元豐度分解結(jié)果不穩(wěn)定，誤差較大，由于它在分類時自動尋找純像元，所分解的像元與水稻純像元越接近，豐度就高，而可見光分類豐度估計是可見光影像分類后再尋找單個高光譜像元進行豐度估計，監(jiān)督分類結(jié)果精度達到99.5%，因此該方法豐度分解結(jié)果較為準確。

2.4 高光譜混合像元解混結(jié)果

不同豐度條件下，高光譜反射率解混結(jié)果如圖8所示。

由圖8可知，當水稻豐度占比大于70%以上時，在400～1 000 nm范圍內(nèi)可見光反射率受水體干擾很小，在近紅外波段范圍內(nèi)，隨著水稻豐度的下降反射率有所降低。解混后提升了近紅外波段的反射率，有效減少了水體對水稻高光譜反射率的干擾。由圖7(c)可知，當混合像元內(nèi)水稻豐度為50%時，混合像元反射率在可見光范圍內(nèi)會受到輕微干擾，“綠峰”反射率有所降低，“紅谷”特征未受影響，反射率的“紅邊”特征發(fā)生明顯紅移現(xiàn)象，而在近紅外波段反射率受影響較大。由圖8(d)和(e)可知，當水稻豐度低于30%時混合像元反射率信息主要體現(xiàn)了水體的特征，水稻高光譜反射率特征均收到較大干擾。解混后能夠基本恢復(fù)混合像元內(nèi)水稻高光譜的主要特征。但當水稻豐度占比較小時，解混后容易出現(xiàn)水稻高光譜反射率提取失真的情況[圖8(e)]。

圖8 不同端元豐度條件下混合像元解混結(jié)果Fig.8 Unmixing results of mixed pixels under different endmember abundance conditions

傳統(tǒng)的高光譜遙感混合像元分解主要是針對衛(wèi)星遙感影像，而近年來隨著無人機高光譜遙感技術(shù)的逐漸成熟，利用無人機高光譜遙感開展農(nóng)業(yè)定量遙感的研究逐漸增加。無人機高光譜相比于傳統(tǒng)的衛(wèi)星遙感在空間分辨率上有著巨大的優(yōu)勢，現(xiàn)有衛(wèi)星高光譜遙感影像的分辨率通常在米級，而無人機高光譜遙感的分辨率往往在厘米級，因此在前期的研究中大部分研究人員在利用無人機高光譜遙感影像開展定量遙感過程中很少考慮混合像元所帶來的影像。但對于尚未封行的行播作物來說，前期水稻植株整體生物量、LAI較少，反射率容易被干擾地物所淹沒，而營養(yǎng)生長對整個生長過程至關(guān)重要，也是遙感監(jiān)測的重點。

傳統(tǒng)單一利用高光譜遙感影像進行混合像元分解，一般要求地物端元的高光譜反射率信息是恒定的，對于水稻來說由于空間、栽培、環(huán)境等不同，相同地塊內(nèi)的不同水稻長勢有可能存在一定的差異，因此無法利用固定端元進行解混。由于無人機高清數(shù)碼影像的分辨率要明顯優(yōu)于現(xiàn)有高光譜影像的空間分辨率。因此利用可見光正射影像先進行分類，利用分類結(jié)果與高光譜遙感影像進行配準，從而計算高光譜混合像元內(nèi)不同地物的豐度值。這個過程的核心是對兩幅分辨率不同的影像進行精準配準。配準過程中仍然需要人工參與選取特征匹配點，容易造成配準誤差，未來如何結(jié)合人工智能方法實現(xiàn)精準配準，對于利用無人機高分辨率遙感影像來提升混合高光譜分解精度具有重要的意義。

3 結(jié) 論

針對水稻分蘗期、拔節(jié)期等非封籠條件下，無人機高光譜定量遙感中混合像元對水稻農(nóng)情定量遙感建模精度的影響，通過分析混合高光譜反射率特征。結(jié)合無人機可見光正射遙感影像空間分辨率高的優(yōu)勢，通過與無人機高光譜遙感影像配準、分類等研究，實現(xiàn)了水稻分蘗期無人機高光譜遙感影像混合像元分解。具體結(jié)論如下：

(1)在水稻的分蘗期對無人機高清影像進行分類，監(jiān)督分類的分類方法優(yōu)于面向?qū)ο蠓诸惙椒ā?/p>

(2)在近紅外波段中，利用線性光譜混合模型(LSMM)對高光譜混合像元進行解混后，光譜反射率均有提升。

(3)混合像元中，水稻豐度占比在70%以上時解混效果較好，水稻豐度占比在30%以下解混效果較差。水體豐度占比大于50%時，水稻高光譜反射率特征將被掩蓋。