试验地点位于辽宁省沈阳市沈北新区柳条河村(北纬42° 01'17.16″, 东经123° 38'14.57″), 月平均气温最高24.6 ℃, 最低-12.7 ℃。 平均年降水量为755.4 mm, 降水日数历年平均为93.8 d, 全年晴天平均为136.7 d, 雨天为145.4 d。 属于典型的寒地水稻种植区, 试验品种为辽宁地区广泛种植的“ 粳优653” 品种。 试验于2020年5月— 6月进行, 涉及水稻的返青期和分蘖期两个生育期, 这两个生育期内, 稻田内处于未封行的非均质状态。 数据采集过程中天气晴好, 如遇雨天或不利于无人机遥感数据采集天气则顺延采集。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 研究区域位置及水稻分蘖期冠层非均质状态Fig.1 Location of the study area and the non-homogeneous state of the canopy of rice at tillering stage

1.2.1 水稻冠层无人机高光谱遥感影像获取

采用深圳大疆创新公司的M600 PRO六旋翼无人机作为飞行平台, 高光谱成像仪选用四川双利合谱公司的GaiaSky-mini内置推扫式机载高光谱成像系统, 高光谱的波段范围为400~1 000 nm, 分辨率为3.5 nm, 有效波段数为170个, 单幅影像获取时间为15 s, 帧速为162帧· s^-1, 无人机飞行高度为100 m, 空间分辨率为7 cm。 由于水稻分蘖期稻田内水体面积很大, 为避免镜面反射等干扰, 将无人机高光谱数据采集时间选择在09:00— 09:30之间, 同时为了降低由于太阳高度角变化对高光谱影像采集造成的测量误差, 无人机高光谱影像获取过程中每隔5 min进行1次定标白板(反射率> 99%)和仪器背景暗噪声光谱数据的采集, 用于后期计算高光谱影像反射率。 在每景高光谱采集区域内放置一块1.5 m× 1.5 m、 反射率为60%的漫反射板, 用于后期的反射数据校正^[8]。 利用机载高光谱成像仪配套的SpectraVIEW软件对所获取的无人机高光谱遥感影像进行镜头、 均匀性、 反射率等预处理, 最终获得用于解混的高光谱反射率影像。

1.2.2 稻田无人机高清数码正射影像采集

采用深圳大疆创新公司的Phantom 4 RTK四旋翼无人机作为飞行平台, 无人机内置RTK差分定位系统, 定位精度为1 cm+1 ppm, 1 ppm指飞行器每逸动1 km误差增加1 mm。 内置相机有效像素2 000万, 飞行高度50 m的条件下分辨率为1.5 cm。 利用大疆飞行软件对试验区进行航线规划, 采用定时拍照的方式获取试验田正射影像原始数据^[9]。 采用Pix4D图像处理软件对无人机采集的试验区影像进行正射拼接、 裁剪等过程, 最终获得用于解混的稻田高清正射影像。

1.2.3 高光谱影像混合像元分解实验数据获取

利用无人机高光谱成像仪获得高光谱反射率影像后, 对目标实验区选择一定区域, 且每个区域的6种待解混像元均在同一邻域内, 实验结果证明在同一领域内选取不同丰度的像元对于混合像元分解更精确, 因此实验数据所用的样本均在高光谱影像上获取, 选择五组分布距离差异大的区域, 每个区域取相邻的6种不同丰度的像元进行分解, 另选择五组区域进行方法验证, 实验样本数据量共为60条。

1.3.1 稻田无人机多源遥感影像配准

高光谱遥感影像具有丰富的地物光谱信息, 可以通过光谱信息的差异来辨识地物的类别, 但空间分辨率较低。 可见光影像的空间分辨率较高, 影像清晰, 在辨识地物的形状和轮廓优势明显。 本研究利用无人机拍摄的包含经纬度信息的可见光正射影像与高光谱影像进行配准, 将这些在不同传感器获得的同一场景下的图像在几何位置上对齐, 综合的利用多幅图像的优势信息来提高地表分类精度以及满足亚像元级目标探测的需求。

采用基于人工目视解译特征的配准方法对高光谱影像进行配准。 此方法通过提取两幅影像内相同的多个特征信息, 其中人工目视解译方法提取特征对图像中的噪声具有较强的抑制能力, 能够准确检测出两幅图像的共有特征。 根据提取的特征点, 计算影像之间的X残差、 Y残差、 均方根误差以及均方根总误差进行配准, 配准的精度小于0.5个像元, 适用于不同传感器不同波段图像之间的配准。 当计算误差在配准精度要求范围之内时, 由坐标变换参数以及最近邻差值进行高光谱配准。 结果如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 高光谱遥感影像(a)和可见光影像(b)的配准结果(c)Fig.2 Registration results of visible light image (b) and hyperspectral remote sensing image (a)

1.3.2 稻田无人机高光谱端元提取

水稻分蘖期, 田内处于灌水状态, 稻田地物构成主要包括水稻植株与水体。 水体实质是水、 土壤等地物构成的混合物质, 并不是严格意义上的单一地物类型。 而水稻由于长势、 结构等多因素控制, 即使“ 纯水稻” 像元之间的高光谱也会存在差异。 因此精准提取“ 纯水体” 像元是高光谱解混的重要前提。 同一田块水体内, 不同位置的水体高光谱反射率存在一定的差异, 为了保证最终解混的准确性, 结合高清数码影像分类结果, 采用邻域空间搜索法确定稻田水体的高光谱端元反射率。

首先利用高分辨率的无人机数码正射影像进行分类, 将分类结果与高光谱影像做像素级融合配准, 若一个高光谱像素点范围内所覆盖的可见光像素点均为相同分类结果时, 则认为该高光谱像元为纯净像元。 无人机高光谱遥感平台飞行高度100 m的条件下, 其空间分辨率为7 cm, 而这期间稻田内水体的占比很大, 可以保证影像内一定存在“ 纯水体” 像元。 无人机所获取的稻田遥感影像中将存在若干水体纯像元, 选择待解混像元最近的水体纯像元作为解混的水体端元高光谱反射率信息。

1.3.3 稻田无人机可见光影像分类

首先, 处理无人机高清影像和高光谱影像, 将两种图像的地理位置信息完全配准, 依据影像具有相同坐标信息这一特点, 分析高光谱单个像元中包含高清影像端元的数量, 对于混合像元中的各个物质进行丰度估计。 其次对高清影像选取适当的波段进行分类, 利用监督分类中的支持向量机方法, 自动寻找图像中有较大分类区分能力的支持向量, 将类与类之间的间隔最大化获取较好的分类精度。

支持向量机(SVM)是一种二分类模型, SVM的学习策略就是间隔最大化, 可形式化一个凸二次规划的求解问题。

SVM想要的就是找到各类样本点到超平面的距离最远, 也就是找到最大间隔超平面。 任意超平面可以用下面这个线性方程来描述^[6]

ωTx+b=0(1)

二维空间点(x, y)到直线Ax+By+C=0的距离公式是

|Ax+By+C|A2+B2(2)

扩展到n维空间后, 点x=(y₁, x₂, …, x_n)到直线ω ^Tx+b=0的距离为

wTx+bw(3)

于是可得公式

wTx+b)‖w‖≥dy=1wTx+b‖w‖≤-dy=-1(4)

每个支持向量到超平面的距离可以写为

d=|wTx+b|‖w‖(5)

最大化这个距离

max2×ywTx+bw(6)

这里乘上2倍也是为了后面推导, 对目标函数没有影响。 刚刚我们得到支持向量y(ω ^Tx+b)=1, 所以我们得到

max2w(7)

最终得到的最优化问题是

min12‖w‖2s.t.yi(wTxi+b)≥1(8)

1.3.4 水稻无人机高光谱混合像元解混

采用线性光谱混合模型(linear spectral mixture model, LSMM)对试验田的无人机高光谱遥感影像进行解混, LSMM的数学表达如式(9)所示^[7]

R=∑α=1qHαVα+We=HV+We(9)

式(9)中, R是n(n为波段数量)维的已知高光谱图像; H是n× q(q为端元数目)的端元矩阵, 每一列代表一个端元的光谱向量; 向量s是像元中各端元的丰度; W_e是n维的高斯随机噪声。 如果把高光谱图像的全部γ (假设γ 为像元个数)个像元均考虑进式(1), 则式(1)可扩展为

R=MV+We(10)

式(10)中, R∈ T^{n× C}, T为非负矩阵, 列向量为每个像元的光谱值; V∈ T^{Q× C}为丰度矩阵或称混合矩阵。 V存在两个约束条件, 非负性约束 (Vα, β≥0, α=1, 2, …, q, β=1, 2, …, γ)和全加性约束(∑α=1QVα, β=1, β=1, 2, …, γ)。

水稻分蘖期处于营养生长阶段, 水稻冠层高光谱反射率主要反映了叶片高光谱信息, 通过ASD地物光谱仪, 分别测量试验田内水稻叶片、 水层、 冠层混合高光谱反射率信息, 如图3所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 水稻像元、 水层像元、 混合像元高光谱反射率光谱Fig.3 Hyperspectral reflectance spectra of rice pixels, water layer pixels and mixed pixels

由图3可知, 纯净的水稻与水层的高光谱反射率差异非常明显, 特别是在近红外波段范围, 而混合像元高光谱反射率信息则介于水稻、 水层两者反射率之间。 水体的反射率在400~1 000 nm范围内整体较低, 反射率的范围均小于0.1。 通过人工选取同一区域内水稻丰度在10%~90%之间的高光谱混合像元, 分析反射率变化规律发现(图4), 混合像元反射率在水稻、 水体丰度不同条件下, 近红外波段的反射率变化较为剧烈, 其中水稻丰度占比越高, 近红外波段反射率也越高。 随着混合像元内水稻丰度占比逐渐降低, 混合像元的红边会发生“ 红移” 现象。 与之相反的是随着混合像元水稻丰度的变化, 不同丰度的混合高光谱“ 红谷” 位置变化并不剧烈。 从400~1 000 nm范围内, 水稻、 水体不同丰度混合而成的高光谱反射率在可见光范围内变化较弱, 而在近红外范围内变化较为剧烈。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 水稻不同丰度条件下反射率信息Fig.4 Reflectance spectra of rice under different abundance conditions

混合像元高光谱反射率信息则介于水稻、 水层两者反射率之间。 且当水稻丰度不足70%时, 由于水体的反射率很低, 因此整个混合高光谱反射率的信息主要反映了水体的信息, 而水稻的信息则表现不明显。 当水稻丰度低于50%以下, 则基本无法反映水稻的高光谱反射率信息。 这样的特征证明了利用光谱特征反演水稻理化参量时, 需要对获取的高光谱反射率进行解混, 否则会影响反演模型精度。

由于高光谱图像分辨率不足, 图像中单个像元中经常包含多种难以分辨的基本物质, 而可见光影像空间分辨率高, 拥有较高的地物描述能力^{[10, 11]}, 所以结合两者优势, 将同一地块的高清数码正射影像与无人机高光谱遥感影像进行空间配准, 再利用可见光的数码正射影像进行地物分类, 将分类结果与高光谱像元进行匹配, 通过分类结果来计算每一个高光谱像元的端元丰度。 所以, 对无人机可见光影像进行分类是高光谱像元丰度估计的前提。

首先对空间分辨率较高的无人机正射影像进行地物分类, 分别采用面向对象分类和采用SVM分类器的监督分类两种方法, 结果如图5所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 面向对象分类 (a)和监督分类(b)Fig.5 Object-oriented (a) and supervise (b) classification results

采用混淆矩阵评价无人机高分辨正射影像的分类精度, 分类精度结果如表1所示。 由表1可知: 监督分类与面向对象的总体精度均比较理想, 分类精度分别为: 99.5%和98.2%。 两种方法的Kappa系数分别为0.99和0.95。 通过错分误差和漏分误差进行误差分析, 在监督分类结果中, 11 733个水体像元中错误分类的有49个, 错分误差为0.417%, 远低于面向对象1.99%的错分误差。 漏分误差结果表明, 监督分类对11 722个水体像元进行分类, 漏分的水体像元为38个, 漏分误差为0.32%, 略低于面向对象0.42%的漏分误差。 而对水稻像元的分类中, 监督分类的漏分误差为1.13%, 远低于面向对象5.47%的漏分误差。 综合数据分析, 采用监督分类的结果作为无人机高光谱像元丰度反演的基础。

表1

Table 1

表1(Table 1)

表1 不同方法分类结果 Table 1 Classification results of different methods 总体分 类精度 /% Kappa 系数 错分 误差 /% 漏分 误差 /% 制图 精度 /% 用户 精度 /% 监督分类 水体 水稻 99.458 6 0.986 3 0.42 0.87 0.32 1.13 99.67 98.87 99.58 94.52 面向对象 水体 水稻 98.213 8 0.954 1 1.99 1.17 0.42 5.47 99.58 99.12 98.00 98.80

表1 不同方法分类结果 Table 1 Classification results of different methods

2.3.1 水体纯像元选择方法

无人机高光谱遥感影像数据在水稻的分蘖期获取, 此生育期内稻田均有水层覆盖, 且稻田内并无水棉、 杂草等干扰地物。 因此无人机平台所获取的高光谱遥感影像中仅含有水稻、 水体两种端元, 其中水体指水层和土壤混合而成一种端元。 因此准确估计高光谱混合像元内不同端元的丰度是实现高光谱解混的重点。

利用无人机高清正射影像的分类结果, 选取了24个均匀分布在试验田内的水体高光谱像元, 反射率如图6所示。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 稻田内24个纯水体高光谱反射率光谱Fig.6 Hyperspectral reflectance spectra of 24 pure water bodies in rice fields

由反射率曲线可知, 由于养分、 土壤肥利、 环境胁迫等多因素的共同作用, 稻田内不同位置的水体像元存在一定差异, 无法找到一个标准光谱作为水稻端元; 在解混过程中, 选择离像元最近的水体纯像元作为端元, 尽量减小由于固定端元对解混精度的影响。

2.3.2 利用不同方法丰度估计比较

根据一个像元大小, 选用6组监督分类结果图比较不同丰度估计方法, 如图7所示。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 监督分类结果图Fig.7 Results of supervised classification

丰度估计的方法是将高光谱影像与可见光影像配准, 然后对可见光影像监督分类, 配准后的两种影像能使苗的位置一一对应, 因此选择一个像元大小的分类结果图(如图7所示), 利用图像计算的方法, 算出水稻以及水体的丰度占比。 另一种方法利用ENVI扩展工具完全约束最小二乘法进行混合像元丰度估计, 能够直接计算出水稻和水体的占比。 两种方法的水稻丰度估计结果如表2。

表2

Table 2

表2(Table 2)

表2 不同方法水稻丰度估计结果 Table 2 Results of rice abundance estimation by different methods 水稻丰度 可见光分类丰度估计 完全约束最小二乘法 pic1 0.906 9 0.806 7 pic2 0.467 1 0.945 2 pic3 0.439 4 0.620 9 pic4 0.104 0 0.479 3 pic5 0.847 5 0.815 9 pic6 0.157 9 0.842 3

表2 不同方法水稻丰度估计结果 Table 2 Results of rice abundance estimation by different methods

从6组数据可以看出, ENVI完全约束最小二乘法混合像元丰度分解结果不稳定, 误差较大, 由于它在分类时自动寻找纯像元, 所分解的像元与水稻纯像元越接近, 丰度就高, 而可见光分类丰度估计是可见光影像分类后再寻找单个高光谱像元进行丰度估计, 监督分类结果精度达到99.5%, 因此该方法丰度分解结果较为准确。

不同丰度条件下, 高光谱反射率解混结果如图8所示。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 不同端元丰度条件下混合像元解混结果Fig.8 Unmixing results of mixed pixels under different endmember abundance conditions

由图8可知, 当水稻丰度占比大于70%以上时, 在400~1 000 nm范围内可见光反射率受水体干扰很小, 在近红外波段范围内, 随着水稻丰度的下降反射率有所降低。 解混后提升了近红外波段的反射率, 有效减少了水体对水稻高光谱反射率的干扰。 由图7(c)可知, 当混合像元内水稻丰度为50%时, 混合像元反射率在可见光范围内会受到轻微干扰, “ 绿峰” 反射率有所降低, “ 红谷” 特征未受影响, 反射率的“ 红边” 特征发生明显红移现象, 而在近红外波段反射率受影响较大。 由图8(d)和(e)可知, 当水稻丰度低于30%时混合像元反射率信息主要体现了水体的特征, 水稻高光谱反射率特征均收到较大干扰。 解混后能够基本恢复混合像元内水稻高光谱的主要特征。 但当水稻丰度占比较小时, 解混后容易出现水稻高光谱反射率提取失真的情况[图8(e)]。

传统的高光谱遥感混合像元分解主要是针对卫星遥感影像, 而近年来随着无人机高光谱遥感技术的逐渐成熟, 利用无人机高光谱遥感开展农业定量遥感的研究逐渐增加。 无人机高光谱相比于传统的卫星遥感在空间分辨率上有着巨大的优势, 现有卫星高光谱遥感影像的分辨率通常在米级, 而无人机高光谱遥感的分辨率往往在厘米级, 因此在前期的研究中大部分研究人员在利用无人机高光谱遥感影像开展定量遥感过程中很少考虑混合像元所带来的影像。 但对于尚未封行的行播作物来说, 前期水稻植株整体生物量、 LAI较少, 反射率容易被干扰地物所淹没, 而营养生长对整个生长过程至关重要, 也是遥感监测的重点。

传统单一利用高光谱遥感影像进行混合像元分解, 一般要求地物端元的高光谱反射率信息是恒定的, 对于水稻来说由于空间、 栽培、 环境等不同, 相同地块内的不同水稻长势有可能存在一定的差异, 因此无法利用固定端元进行解混。 由于无人机高清数码影像的分辨率要明显优于现有高光谱影像的空间分辨率。 因此利用可见光正射影像先进行分类, 利用分类结果与高光谱遥感影像进行配准, 从而计算高光谱混合像元内不同地物的丰度值。 这个过程的核心是对两幅分辨率不同的影像进行精准配准。 配准过程中仍然需要人工参与选取特征匹配点, 容易造成配准误差, 未来如何结合人工智能方法实现精准配准, 对于利用无人机高分辨率遥感影像来提升混合高光谱分解精度具有重要的意义。