基于機載高光譜端元提取分析棉花生長期光譜變化

龍 翔，趙慶展 ，王學文，馬永建，江 萍

(1.石河子大學機械電氣工程學院，新疆石河子 832000；2.兵團空間信息工程技術研究中心，新疆石河子 832000； 3.石河子大學信息科學與技術學院，新疆石河子 832000 )

0 引 言

【研究意義】新疆棉花產量占全國棉花總產量2/3以上[1]。對棉花的生長狀況監測結果一直是水肥管理、產量預估的重要依據。近年來無人機載高光譜傳感器大量應用于遙感應用領域，該方式可獲得高時空分辨率的高光譜影像，提高遙感監測精度與效率[2，3]。與使用無人機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反演，基于比值植被指數的對數形式建立的反演模型，展現出較優的線性關系。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監測效果，制約定量高光譜遙感的發展與應用[4]。【前人研究進展】使用高光譜遙感技術在作物遙感監測應用領域開展了研究[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據與葉面積、葉綠素含量的相關性分析，得到葉面積、葉綠素變化呈拋物線變化趨勢，在花期達到最大并且與紅邊特征顯著相關。王克如等[7]使用高光譜數據分析棉花盛蕾期、盛花期、盛鈴期和吐絮期冠層反射光譜參數與植株氮含量間的關系，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行研究，選取14個光譜特征建立相應的判別式對不同脅迫棉葉進行準確識別。孫中宇等[9]利用無人機遙感對銀葉樹群健康進行準確快速地診斷。田明璐等[10]采集無人機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，如純凈像元指數算法(pixel purity index，PPI)[4]，基于最大單形體體積的N-FINDR算法[11]，頂點成分分析算法(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算法由于其易于實現、提取效果良好得到廣泛應用。韓仲志等[16]使用N-FINDR算法分區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算法對飛機與混凝土的光譜進行有效提取。徐君等[18]采用了PPI算法改進的數學形態學端元提取算法進行研究。楊鵬飛等[19]通過將PPI算法與N-FINDR算法相結合，提高了AVIRIS高光譜數據中6種礦石端元提取精度。【本研究切入點】作物冠層光譜與生長期之間有緊密聯系，無人機載成像高光譜技術對作物在時序變化方面的遙感監測具有明顯優勢與顯著成效。目前在機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域，統計區域內平均光譜，而采用端元提取算法提取農作物的波譜曲線，進行相應波譜分析的研究尚且較少。【擬解決的關鍵問題】基于無人機載成像高光譜儀的優點，采集棉花從花期到后期的高光譜數據，比較PPI算法和N-FINDR算法在機載高光譜影像上的端元提取效果，以及100 m以內不同航高下提取情況，對比多期提取結果，分析棉花在不同生育期各光譜特征和植被指數變化，為基于無人機多光譜、高光譜遙感的作物監測提供借鑒和參考。

1 材料與方法

1.1 材 料

1.1.1 研究區概況

研究區位于新疆塔城地區沙灣縣蘑菇湖村(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，冬季長而嚴寒，夏季短而炎熱。1年中的最高氣溫出現在7月，平均氣溫25.1～26.1℃。年降水量為125.0～207.7 mm，年日照時數為2 721～2 818 h。研究區棉花于2019年4月11日種植，4月20日第1次灌溉，機采棉種植方式，1 m 15穴，1膜6行，正常水肥管理。

1.1.2 機載成像高光譜數據采集系統

高光譜影像采集系統由飛行平臺、增穩云臺、高光譜相機組成。飛行平臺為大疆無人機經緯M600 PRO，機身質量9.5 kg，最大負載6 kg，最大水平飛行速度65 km/h，可承受最大風速8 m/s，安全飛行時間16 min。增穩云臺為大疆RONIN，云臺質量4.2 kg，最大工作時間6 h。成像高光譜相機為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，質量0.72 kg，適宜搭載在無人機飛行平臺上作業，在60、80、100 m航高下空間分辨率分別為3.9、5.2、6.5 cm，波段數設為42，光譜分辨率10 nm。

1.1.3 高光譜數據獲取

數據采集于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)，在研究區共采集5期機載成像高光譜數據。 Rikola高光譜傳感器在無人機平臺上獲取成像高光譜數據時，通過實時獲取上行輻射來校正DN值。在航攝范圍內放置4塊漫反射板(反射率分別為3%、22%、48%、64%)作為輻射校正靶標。測量日天氣晴朗、無云無風，為保證有足夠的太陽高度角，于12：00～14：00采集。無人機每期飛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航線。使用SR-3500便攜式光譜儀同步采集棉花冠層光譜數據以作驗證，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]。每個測量點采集10條波譜曲線，取平均值作為該區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據，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處理、棉花端元提取、光譜特征分析三部分。

對采集的無人機成像高光譜數據進行暗電流校正、波段配準、影像拼接等，獲得正射高光譜影像。通過影像中輻射靶標建立線性擬合模型，將輻亮度值校正為反射率，完成數據預處理。

選取7月11日采集的高光譜影像進行棉花端元提取，對比PPI和N-FINDR算法分別在60、80、100 m航高下端元提取結果，將2種算法提取結果重采樣后與SR-3500數據進行波譜角計算，波譜角度越小則數據接近程度越高。為減小誤差與對計算機性能的需求，將實驗區的影像分為16個17.5 m×19 m的小區域，對每個小區域分別提取端元，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中運行。選擇N-FINDR算法在每期100 m航高無人機高光譜影像中提取棉花波譜曲線作為光譜分析數據源。

利用提取出的5期非成像高光譜數據，對比分析其植被指數(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律。

1.2.1 光譜特征參數選擇

選擇9個常用的光譜特征參數。表1

表1 光譜參數Table 1 Table of spectral parameters

1.2.2 N-FINDR端元提取算法

N-FINDR算法是根據凸面幾何學理論，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，像素點占據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的最簡單幾何體[11]，單形體的頂點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算法需有先驗知識獲得端元個數n，隨機選取n個像元作為一組數據，計算其單形體體積，將每個頂點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即是端元[19]。n個像素e1，e2，…，en形成的凸錐結構體積計算公式[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為端元數目個數。

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

1.2.3 PPI端元提取算法

PPI算法同樣基于凸面幾何學理論，凸面單形體的特點決定了位于單形體頂點的樣本點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，圓點是高光譜影像中的所有像素，生成隨機向量q、b穿過這個幾何單形體，在單形體頂端的純凈像元p投影在這些隨機向量上時，總是會落在q、b上投影區間的兩端。在特征空間中生成大量的隨機直線進行投影，統計每個像元落在線段2個端點的次數作為像元純凈指數，也即是生成大量的隨機向量與每個像素代表的向量進行點乘，記錄計算結果的最大值與最小值對應的像素與次數，次數作為純凈像元指數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(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。

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 數據處理

獲取的高光譜數據使用Hyperspectral Imager軟件進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軟件進行波段配準，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塊輻射校正靶標輻亮度值通過ENVI用感興趣區域工具統計，與靶標的實際反射率值進行匹配，計算增益和偏移參數。以輻射靶標為參考，利用最小二乘法建立每個波段的經驗線性校正模型，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波段的反射率轉換因子，近似理解為高光譜傳感器的增益和偏移。

2 結果與分析

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算法提取結果中，L1、L2、L3曲線相似，而影像中應該有土壤與棉花2種端元，在7月11日棉花生長較為茂盛，棉花像素個數遠大于土壤像素時，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相似，綠峰、紅谷、紅邊等特征相近。3個航高下影像提取結果的光譜角為0.065 8、0.065 9、0.067 7，PPI算法結果為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果差異不大，波譜角差異均在2%以內，在100 m高度以內，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。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左右呈現反射峰(綠峰)，這是由于葉綠素對藍光、紅光強吸收引起的。波譜曲線在650～700 nm波長范圍之間呈現吸收谷(紅谷)，這是由于葉片進行光合作用時對紅光強吸收的結果。在780 nm之后的近紅外波段呈現強反射現象，這導致在700～780 nm冠層反射率呈現急劇上升趨勢。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律性變化，可較好區分棉花不同生長期。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、藍光的吸收逐漸增強。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，光合作用也即越強。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%，由棉花冠層結構與棉葉內部結構共同導致的，從花期到鈴期期間，棉花葉面積指數與覆蓋度增加，使得近紅外波段反射率升高，從鈴期到后期期間，棉花養分往棉鈴上傳輸，棉葉內部結構發生變化，使得近紅外波段反射率降低，802 nm處反射率呈現出拋物線形，于7月18日(鈴期)達到最大值0.625 2，這與紅谷的變化一致。紅邊也呈現先增大，后減小趨勢，于7月18日達到峰值0.111。由于葉綠素、葉黃素等生物化學成分的吸收，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 不同時期植被指數變化

研究表明，植被指數均呈現一種先上升，再下降的趨勢，在7月11日(盛花期)或7月18日(鈴期)達到峰值，棉花在此時進行大量光合作用，對近紅外波段的強反射和對藍光、紅光的強吸收現象最強烈，棉花在棉田中分布密度在鈴期之后變化不大的特點。表3

表3 植被指數計算Table 3 Calculation results of vegetation index

3 討 論

3.1N-FINDR算法可在棉花無人機高光譜影像中準確地提取出棉花波譜曲線，其在3個航高影像中的結果與SR-3500光譜數據波譜角計算結果分別為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，但依然有細微差異，一方面是由于不同采集儀器的波譜響應函數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種光譜儀測量的結果肯定有差異。

3.2N-FINDR算法提取結果優于PPI算法結果，兩者差異在5%～10%。PPI算法易忽略小樣本端元，在實驗采集的機載棉花高光譜影像中，棉花像素遠遠多于土壤像素，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算法原理是統計像素的純凈像元指數的大小，當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算法在每個小區域內遍歷所有像素點，找出差異最大的波譜曲線視作端元，不受像素數量因素的影響，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，其與端元提取結果相關性甚微，2種算法在60、80和100 m航高下提取結果的波譜角差異均在2%以內，表示在100 m以下，由航高變化導致的空間分辨率的變化，對棉花的光譜曲線影響不大，在飛行設置時可優先考慮航高。

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等植被指數變化情況呈拋物線形，均在盛花期或鈴期達到峰值，表明此階段光合作用最強烈，對紅光的吸收最顯著，棉株在大量聚集營養為結鈴做準備。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、葉綠素含量變化趨勢吻合。反映并驗證了棉花不同生長期的反射光譜變化具有規律性，且可作為棉花長勢監測、空間分布、理化指標變化的數據參考。

4 結 論

無人機航攝棉花高光譜影像時，100 m以內的航高變化對棉花光譜曲線的影響在2%以內。在棉花無人機高光譜影像的棉花端元提取任務中，N-FINDR算法可實現棉花波譜曲線的提取，其結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等參數呈拋物線趨勢變化，于鈴期或盛花期達到極值0.027 9、0.111、0.841 7，棉花的生物化學成分與葉片結構呈規律性變化，使其在7月光合作用最大，對紅光的強吸收、近紅外波段強反射現象最為明顯。