空間特性光譜反演及對戶外光譜修正的可行性研究

高 峰, 徐嘉翊, 羅華平*

1. 塔里木大學(xué)機(jī)械電氣化工程學(xué)院, 新疆 阿拉爾 843300 2. 自治區(qū)教育廳普通高等學(xué)?，F(xiàn)代農(nóng)業(yè)工程重點(diǎn)實(shí)驗(yàn)室, 新疆 阿拉爾 843300

引 言

進(jìn)行戶外探測時, 探測器接受到的不僅包含樣品本身反射和散射的光線, 還會受到戶外環(huán)境光線的影響, 使得采集到的光譜中存在部分與樣品品質(zhì)無關(guān)的信息。 受樣品的二向反射特性影響, 入射天頂角、 探測天頂角和相對方位角也會對光譜產(chǎn)生一定影響[1-3]。 為了降低環(huán)境光線以及角度因素對光譜數(shù)據(jù)的干擾, 通常使用室內(nèi)暗室環(huán)境采集光譜, 雖然能夠獲取較為準(zhǔn)確的光譜信息, 但也限制了光譜檢測的應(yīng)用場景。 因此, 從降低環(huán)境光線與二向反射特性對戶外光譜影響的角度出發(fā), 探究一種提高戶外探測精度的方法。

二向性反射是自然界物體對電磁波反射的基本現(xiàn)象, 一般用雙向反射分布函數(shù)(bidirectional reflectance distribution function, BRDF)來表達(dá)[4], 由于BRDF具有方向性, 可以通過BRDF模型反演來預(yù)測任意角度下的反射率。 目前BRDF模型廣泛應(yīng)用于大氣、 土壤、 植被、 冰雪等領(lǐng)域中, Zheng等[5]利用Ross-li模型反演華北地區(qū)的植被、 土壤、 農(nóng)田以及城鎮(zhèn)的地表反射率, 并對比了不同季節(jié)的地表反射率變化。 陶炳成等[6]使用Ross-li模型對敦煌輻射校正場的多角度觀測數(shù)據(jù)進(jìn)行擬合, 并與衛(wèi)星遙感反射率進(jìn)行對比。 杜沈達(dá)等[7]使用Roujean模型對不同太陽天頂角的地表高光譜數(shù)據(jù)進(jìn)行校正, 結(jié)果表明BRDF模型校正不同幾何角度是可行的。 Vountas等[8]使用RPV模型與Ross-li模型對氣溶膠表面參數(shù)反演, 取得較好效果。 Li等[9]對敦煌戈壁的地表反射率進(jìn)行研究, 采集不同探測天頂角個和方位角的地表反射信息, 分別使用Walthall、 Sine-Walthall、 Hapke、 Roujean與Ross-li幾種模型地表反射率進(jìn)行擬合, 結(jié)果表明Ross-li模型的反演值最接近觀測數(shù)據(jù)。 相比之下, BRDF模型應(yīng)用于果品反射率方面的研究較少, 徐嘉翊等[10]探究了方位與品質(zhì)對冬棗、 紅提及香梨這3種果品空間特性光譜的影響, 結(jié)果表明方位因素與空間特性光譜密切相關(guān)。 本工作以南疆冬棗、 紅提、 小白杏為研究對象, 使用多種BRDF模型反演空間特性光譜, 通過反演的空間特性光譜對戶外采集的光譜進(jìn)行修正并建立品質(zhì)預(yù)測模型, 探究提高戶外檢測精度的可行性。

1 實(shí)驗(yàn)部分

1.1 樣品與儀器

實(shí)驗(yàn)樣品均采集于新疆生產(chǎn)建設(shè)兵團(tuán)第一師阿拉爾市, 選取大小一致, 無肉眼可見損傷的成熟樣品進(jìn)行實(shí)驗(yàn)。 戶外光譜采集使用四川雙利合譜科技有限公司的Image-λ-N17E-N3型增強(qiáng)型近紅外高光譜相機(jī), 采用透射光柵作為分光元件, 其光譜范圍900～1 750 nm、 254個波長變量、 光譜中心分辨率5 nm。 室內(nèi)光譜采集使用北京卓立漢光公司的Hyperspectral Sorting System推掃式高光譜分選系統(tǒng)采集。 使用HSIA-CT-150*150型標(biāo)準(zhǔn)白板進(jìn)行光譜校正。 樣品水分及可溶性固形物含量測定使用A2003型電子天平、 GZX-9140-MBE電熱鼓風(fēng)干燥箱、 GMK-701R型手持式糖度計(jì)。

1.2 方法

1.2.1 光譜采集方法

選擇晴朗天氣采集戶外光譜, 如圖1所示, 將樣品按照該序號置于實(shí)驗(yàn)架上。 高光譜相機(jī)距離實(shí)驗(yàn)架中心為1.5 m, 采集樣品時測量太陽光線入射天頂角、 探測器探測天頂角以及相對方位角。 戶外光譜采集完成后, 將樣品移至室內(nèi)高光譜分選系統(tǒng)內(nèi)采集光譜, 相機(jī)高度設(shè)置為42 cm, 曝光時間11.5 ms, 傳動帶移動速度為2.0 m·min-1。 光譜采集完成后, 戶外光譜使用ENVI軟件進(jìn)行平場校正, 室內(nèi)光譜使用SpecView軟件進(jìn)行黑白校正。 使用ENVI軟件提取光譜數(shù)據(jù), 選取感興趣區(qū)域大小為5 pi×5 pi, 對光譜進(jìn)行去除包絡(luò)線處理, 以突出光譜特征。 由于原始光譜首尾兩段存在明顯噪聲, 因此選取932～1 718 nm范圍光譜進(jìn)行后續(xù)實(shí)驗(yàn)。

圖1 戶外樣品擺放

1.2.2 理化指標(biāo)采集方法

光譜采集完成后, 使用采集光譜的一面進(jìn)行理化指標(biāo)測定, 依據(jù)國標(biāo)(GB/T 5009.3—2016)測定樣品水分含量, 使用GMK-701R型手持式糖度計(jì)測量樣品可溶性固形物含量, 樣品的水分和SSC含量統(tǒng)計(jì)結(jié)果如表1所示。

表1 樣品理化指標(biāo)統(tǒng)計(jì)表

1.2.3 空間特性光譜提取方法

由于高光譜分選系統(tǒng)處于暗室環(huán)境, 不受外界環(huán)境光等干擾, 且有4個均勻分布的鹵素?zé)糇鳛楣庠? 因此認(rèn)為暗室光譜采集的光譜最接近樣品的真實(shí)光譜。 戶外光譜采集時易受外界環(huán)境及角度因素影響, 使得采集的光譜數(shù)據(jù)中包含部分與樣品品質(zhì)無關(guān)的空間特征信息。 為了獲取這部分能夠反映環(huán)境及角度因素影響的空間信息, 定義空間特性光譜來描述這部分影響, 計(jì)算公式如式(1)

(1)

式(1)中:S為樣品的空間特性光譜;S1為樣品的戶外光譜;S2為樣品的暗室光譜。

1.3 空間特性光譜反演方法

由于空間特性光譜與方位因素有很好的相關(guān)性[11], 因此可以使用BRDF模型反演樣品的空間特性光譜。 常用的BRDF模型分為經(jīng)驗(yàn)?zāi)Ｐ汀?半經(jīng)驗(yàn)?zāi)Ｐ秃臀锢砟Ｐ蚚4], 經(jīng)驗(yàn)?zāi)Ｐ鸵蕾囉诖罅恳巴鈱?shí)測數(shù)據(jù), 易于計(jì)算和反演, 但缺乏明確物理機(jī)制; 半經(jīng)驗(yàn)?zāi)Ｐ图染哂杏?jì)算簡單靈活的特點(diǎn)又兼顧有一定物理意義, 其中半經(jīng)驗(yàn)線性核驅(qū)動模型形式相對簡單, 能實(shí)現(xiàn)快速反演, 廣泛應(yīng)用于衛(wèi)星產(chǎn)品中。 物理模型中每個參數(shù)都有實(shí)際物理意義, 但通常較為復(fù)雜, 反演難度較大。 因此選擇經(jīng)驗(yàn)?zāi)Ｐ团c半經(jīng)驗(yàn)?zāi)Ｐ瓦M(jìn)行反演, 能快速得到空間特性光譜。

1.3.1 經(jīng)驗(yàn)?zāi)Ｐ?/p>

Walthall[11]和Shibayama[12]模型都是基于大量野外數(shù)據(jù)為基礎(chǔ)的統(tǒng)計(jì)經(jīng)驗(yàn)?zāi)Ｐ? 二者都有a、b、c、d這4個線性參數(shù)。 函數(shù)形式分別如式(2)和式(3)所示

(2)

(3)

式(2)和式(3)中:p(θi,θv,φ)表示反射率,a、b、c、d為四個待定線性參數(shù),θi為入射天頂角,θv為探測天頂角,φ為相對方位角。

1.3.2 半經(jīng)驗(yàn)?zāi)Ｐ?/p>

Ross-li模型[13-14]是具有3個線性參數(shù)的核驅(qū)動模型, 有一個常數(shù)項(xiàng)和兩個驅(qū)動核, Ross-li模型函數(shù)形式如式(4)—式(9)

R(θi,θv,φ,λ)=fiso(λ)+fvol(λ)kvol(θi,θv,φ)+fgeo(λ)kgeo(θi,θv,φ)

(4)

(5)

ξ=cos-1(cosθicosθv+sinθisinθvcosφ)

(6)

(7)

(8)

(9)

式(4)—式(9)中:R為反射率,fiso、fvol、fgeo分別為待定參數(shù),kvol為體散射核,kgeo為幾何光學(xué)核,ξ為散射相位角。

Roujean模型[15]也是3參數(shù)線性核驅(qū)動模型, 與Ross-li模型類似, 其函數(shù)形式為

R(θi,θv,φ,λ)=k0+k1f1(θi,θv,φ)+k2f2(θi,θv,φ)

(10)

(11)

式(10)和式(11)中:k0、k1和k2是待定參數(shù),f1(θi,θv,φ)主要描述平面的反射特性,f2(θi,θv,φ)類似Ross-li的體散射核, 即f2(θi,θv,φ)=kvol(θi,θv,φ)。

Rahman模型[16-17]是一種3參數(shù)的半經(jīng)驗(yàn)非線性模型, 有r0、k及b這3個參數(shù), 其函數(shù)形式為式(12)和式(13)

R(-μi,μv,φ)=r0[μiμv(μi+μv)]k-1×

(12)

μi=cosθi

μv=cosθv

(13)

(14)

G=

(15)

式(12)中:r0,p(Ω)為散射相函數(shù); 主要用來描述熱點(diǎn)效應(yīng)。

1.3.3 空間特性光譜反演流程

對于線性參數(shù)模型, 使用偏最小二乘方法擬合模型未知參數(shù)[18], 具體計(jì)算方法如式(16)

F00=KF

(16)

(17)

因此K的最小二乘解為

K=F00F#

(18)

式(18)中,F#表示F的偽逆, 即F#=FT(FFT)-1。 將計(jì)算得到的樣品空間特性光譜以及入射天頂角、 探測天頂角、 相對方位角輸入到式(16)中, 結(jié)合不同BRDF模型的計(jì)算公式即可得到模型的參數(shù)值, 依據(jù)式(18)即可反演不同角度下的空間特性光譜。 對于非線性參數(shù)模型, 其參數(shù)使用非線性方法擬合, 基本步驟與線性模型參數(shù)的獲取一致。

1.3.4 空間特性光譜修正戶外光譜方法

使用5種BRDF模型得到反演的空間特性光譜后, 利用空間特性光譜對戶外光譜進(jìn)行修正, 進(jìn)而得到近似暗室光譜的修正光譜。 計(jì)算公式如式(19)所示

(19)

式(19)中,S3為修正后的戶外光譜;S1為戶外測得的樣品光譜;S為通過反演得到的空間特性光譜。

1.4 光譜數(shù)據(jù)處理

為探究修正戶外光譜進(jìn)而提高戶外探測精度的可行性, 需要建立樣品品質(zhì)預(yù)測模型。 而樣本中的異常樣本會對模型預(yù)測效果以及可靠性產(chǎn)生影響, 因此在建立預(yù)測模型之前需要提出部分異常樣本, 圖2為使用濃度殘差方法剔除冬棗水分含量異常樣本, 輸入閾值為2, 對樣本數(shù)量及理化值數(shù)據(jù)進(jìn)行計(jì)算后得到實(shí)際剔除閾值, 結(jié)果如圖2所示, 剔除了4個異常樣本。 對冬棗SSC含量異常樣本以及小白杏與紅提的理化值異常樣本使用同樣方法進(jìn)行剔除。

圖2 濃度殘差剔除異常樣本

于全譜數(shù)據(jù)建立的模型較為復(fù)雜、 運(yùn)算效率低, 而研究結(jié)果表明[19], 選擇合適的特征變量即可建立準(zhǔn)確度較高的模型, 能夠有效簡化模型、 提高模型穩(wěn)健性和運(yùn)算速度, 因此, 使用競爭性自適應(yīng)重加權(quán)算法(competitive adaptive re-weighted sampling, CARS)提取光譜特征變量, 為保證提取特征變量的穩(wěn)定性, 設(shè)置提取特征波長循環(huán)50次, 每次提取后使用偏最小二乘方法建立預(yù)測模型, 選擇其中預(yù)測效果最好的一組作為最終選擇的特征變量。 圖3為使用CARS方法提取冬棗水分含量特征波長, 如圖3所示, 隨著迭代次數(shù)增加, 交互驗(yàn)證均方根誤差在第19次迭代時達(dá)到最小, 最終選擇了41個特征波長變量數(shù)據(jù)。

圖3 CARS方法選取冬棗水分含量特征波長

選取特征波長后使用偏最小二乘法(partial least squares, PLS)建立品質(zhì)預(yù)測模型, 模型評價指標(biāo)為相關(guān)系數(shù)R、 決定系數(shù)R2、 預(yù)測均方根誤差RMSEP以及剩余預(yù)測殘差RPD, 其中訓(xùn)練集相關(guān)系數(shù)使用Rc表示, 預(yù)測集相關(guān)系數(shù)使用Rp表示。 剩余預(yù)測殘差RPD小于2時, 表明模型效果一般, RPD為2～2.5時, 表明模型有較好的預(yù)測效果, RPD大于3時, 表明模型有很好的預(yù)測效果, 各評價指標(biāo)大于計(jì)算公式如式(20)—式(23)所示

(20)

(21)

(22)

(23)

2 結(jié)果與討論

2.1 樣品的空間特性光譜

依據(jù)式(1)提取樣品的空間特性光譜, 結(jié)果如圖4所示。 其中, 紅色為冬棗空間特性光譜, 藍(lán)色為紅提空間特性光譜, 綠色為小白杏空間特性光譜, 3種果品的空間特性光譜的趨勢較為接近、 吸收峰位置一致, 但數(shù)值存在一定差異, 可能與不同品種的果品內(nèi)部品質(zhì)不同有關(guān)。

圖4 部分樣品空間特性光譜圖

2.2 空間特性光譜反演

戶外實(shí)驗(yàn)時入射光為太陽光, 測量得到本次實(shí)驗(yàn)太陽光入射天頂角為51.5°, 同時分別計(jì)算實(shí)驗(yàn)架上每個樣品對應(yīng)的探測天頂角及方位角。 分別使用Walthall、 Shibayama、 Ross-li、 Roujean與Rahman這5種BRDF模型反演樣品的空間特性光譜, 結(jié)果如圖5、 圖6、 圖7所示。 模型反演評價參數(shù)為決定系數(shù)R2與預(yù)測均方根誤差RMSEP。

圖5 冬棗空間特性光譜反演結(jié)果

圖6 紅提空間特性光譜反演結(jié)果

圖7 小白杏空間特性光譜反演結(jié)果

圖5、 圖6、 圖7分別為冬棗、 紅提、 小白杏的1號樣品空間特性光譜反演結(jié)果, 其中藍(lán)色為實(shí)際計(jì)算得到的空間特性光譜, 紅色為反演得到的空間特性光譜。 由圖5(a—e)中, 5種模型對冬棗的1號樣品空間特性光譜均有較好的反演效果, 預(yù)測值與實(shí)際值較為接近。 同時, 空間特性光譜中較為平滑的區(qū)域反演誤差較小, 而970～1 100與1 150～1 350 nm這兩段光譜中出現(xiàn)存在連續(xù)而密集的噪聲, 反演誤差較大, 說明光譜中的吸收峰以及噪聲對反演模型的結(jié)果有一定影響。 由圖6(a—e)可知, 紅提樣本的空間特性光譜反演效果較好, 5種模型反演效果無顯著差異, 且同樣在970～1 100、 1 150～1 350以及1 450～1 650 nm三個范圍出現(xiàn)一定的反演誤差。 由圖7(a—e)可知, 小白杏樣本同樣在970～1 100、 1 150～1 350以及1 450～1 650 nm出現(xiàn)反演誤差。 以上結(jié)果表明, 3種果品的空間特性光譜均有較好的反演效果,模型預(yù)測值與實(shí)際值較為接近, 且5種模型在反演結(jié)果上無顯著差異。 同時, 3種果品的樣品均在光譜吸收峰附近出現(xiàn)一定的反演誤差, 表明光譜中吸收峰可能對模型反演有一定影響。

表2為3種果品全部樣品的空間特性光譜反演結(jié)果。 由表2可知, 3種果品中冬棗與小白杏的空間特性光譜反演效果很好, 5種模型的平均決定系數(shù)R2分別為0.957、 0.947, 平均誤差分別為3.56%、 4.90%, 紅提的空間特性光譜反演效果較好, 5種模型的平均決定系數(shù)為0.927, 平均誤差為8.23%。 在冬棗的空間光譜反演結(jié)果中, Rahman模型反演效果最優(yōu), 決定系數(shù)R2達(dá)到0.959, 誤差僅為3.48%, Walthall與Ross-li模型反演效果最差,R2均為0.956, 誤差均為3.61%。 小白杏的空間特性光譜反演結(jié)果中, Walthall模型反演效果最優(yōu),R2為0.954, 誤差為4.54%, Ross-li模型的效果最差, 決定系數(shù)R2為0.935, 誤差為5.41%。 紅提的空間特性光譜反演結(jié)果中, Walthall模型效果最優(yōu), Ross-li模型效果最差, 決定系數(shù)R2分別為0.936、 0.910, 誤差分別為7.84%、 9.13%。 反演效果從高到低依次為冬棗>小白杏>紅提, 原因可能是在1 450～1 650 nm范圍內(nèi)紅提與小白杏的反演誤差相對較大。 在5種模型中, Walthall模型效果相對較優(yōu), 平均決定系數(shù)R2與誤差分別為0.949、 5.33%, Ross-li模型效果相對較差, 平均決定系數(shù)與誤差分別為0.934、 6.05%, 兩種模型反演誤差差距在1.5%以內(nèi), 說明兩種模型反演結(jié)果并無顯著差異。 在3種果品的空間特性光譜反演中, 5種模型的決定系數(shù)R2均高于0.9, 表明5種模型均適用于空間特性光譜的反演。

表2 空間特性光譜反演結(jié)果對比

2.3 空間特性光譜修正戶外光譜

分別使用Walthall、 Shibayama、 Ross-li、 Roujean與Rahman模型反演得到空間特性光譜后, 結(jié)合式(20)計(jì)算得到不同的修正光譜, 對光譜進(jìn)行包絡(luò)線去除后得到突出特征的歸一化光譜, 結(jié)果如圖8(a—e)、 圖9(a—e)、 圖10(a—e)所示。 藍(lán)色曲線為暗室光譜, 紅色曲線為修正光譜, 由圖可知修正光譜與暗室光譜趨勢一致, 光譜吸收峰位置一致, 光譜強(qiáng)度不同。 修正光譜強(qiáng)度高于暗室光譜的原因可能是反演得到的空間特性光譜值小于實(shí)際空間特性光譜, 使得經(jīng)過式(19)計(jì)算得到的修正光譜被放大, 同時經(jīng)過包絡(luò)線去除處理時光譜特征被突出, 使得修正光譜整體偏高。 同時, 暗室光譜更為平滑, 修正光譜中出現(xiàn)較多的噪聲, 原因主要是室外光譜受環(huán)境光線影響, 使得得到的空間特性光譜出現(xiàn)細(xì)微噪聲, 因此反演的空間特性光譜同樣不平滑(如圖6, 圖7, 圖8中各分圖所示), 影響了修正光譜。 總之, 3種果品中冬棗的修正光譜更為平滑, 紅提與小白杏的修正光譜中噪聲相對較多, 可能與圖6與圖7結(jié)果有關(guān), 1 450～1 650 nm范圍內(nèi)紅提與小白杏的反演誤差相對較大, 影響了修正光譜。

圖8 冬棗戶外光譜修正結(jié)果

圖9 紅提戶外光譜修正結(jié)果

圖10 小白杏戶外光譜修正結(jié)果

2.4 基于不同光譜的品質(zhì)預(yù)測模型

為了探究空間特性光譜修正戶外光譜的可行性, 基于暗室光譜、 戶外光譜與經(jīng)過5種模型得到的修正光譜建立不同果品的水分與SSC含量的預(yù)測模型, 建模方法選擇PLS方法, 建立模型之前使用濃度殘差方法剔除異常樣本, 再使用CARS方法選擇特征波長, 模型評價指標(biāo)為相關(guān)系數(shù)R、 預(yù)測均方根誤差RMSEP與剩余預(yù)測殘差RPD, 結(jié)果如表3、 表4、 表5所示。

表3 基于不同光譜的冬棗水分與SSC含量預(yù)測模型

表4 基于不同光譜的紅提水分與SSC含量預(yù)測模型

表5 基于不同光譜的小白杏水分與SSC含量預(yù)測模型

冬棗的水分與SSC含量預(yù)測模型如表3所示, 基于暗室光譜建立的模型預(yù)測集相關(guān)系數(shù)最高, 水分與SSC的預(yù)測集相關(guān)系數(shù)分別為0.977與0.910; 基于戶外光譜建立的模型中, 水分與SSC的預(yù)測集相關(guān)系數(shù)分別為0.946、 0.840; 基于修正光譜建立的模型中, 水分與SSC的預(yù)測集相關(guān)系數(shù)分別為0.969、 0.881, 高于戶外光譜建立的模型, 表明經(jīng)過修正后模型的預(yù)測效果得到提升。 經(jīng)過修正后, 水分預(yù)測模型的RPD由2.78提升至3.73, 模型有很好的預(yù)測效果, SSC預(yù)測模型的RPD由1.361提升至1.992, 模型有較好的預(yù)測效果。 由表4可知, 紅提的水分與SSC含量預(yù)測模型預(yù)測效果較差, 基于暗室光譜建立的模型中, 水分與SSC預(yù)測模型的RPD分別為1.867、 1.688, 說明其可能無法實(shí)現(xiàn)很好的預(yù)測效果, 而基于修正光譜建立的模型預(yù)測效果優(yōu)于戶外光譜建立的模型, 經(jīng)過修正后水分及SSC預(yù)測模型的RPD分別由戶外光譜的1.504、 1.492提升至1.601、 1.607, 模型預(yù)測效果提升。 表5為小白杏水分與SSC含量預(yù)測模型, 小白杏的水分與SSC含量有較好的預(yù)測效果, 基于暗室光譜建立的水分及SSC含量預(yù)測模型的RPD分別為2.931、 2.499, 基于修正光譜建立的水分及SSC含量預(yù)測模型的RPD高于戶外光譜, 由1.839、 1.941提升至2.265、 2.221, 說明模型預(yù)測效果得到提升。

由以上結(jié)果可知, 3種果品的品質(zhì)預(yù)測模型預(yù)測效果從高到低依次為冬棗、 小白杏、 紅提, 其中冬棗與小白杏的水分及SSC含量預(yù)測模型的RPD可以達(dá)到2以上, 表明模型有較好的預(yù)測能力, 能用于定量檢測; 紅提的水分及SSC含量預(yù)測模型的RPD較低, 表明模型的預(yù)測效果一般, 可能無法實(shí)現(xiàn)定量檢測。 對比使用5種BRDF模型得到的修正戶外光譜建立的品質(zhì)預(yù)測模型, 不同修正光譜建立的模型預(yù)測效果有一定差異, 說明對于不同果品、 不同品質(zhì)指標(biāo), 應(yīng)當(dāng)使用不同的BRDF模型對光譜進(jìn)行反演。 對比光譜戶外光譜修正前后模型預(yù)測效果可知, 光譜修正后建立的預(yù)測模型RPD提高, 說明戶外光譜經(jīng)過修正后預(yù)測模型的預(yù)測能力得到提升, 表明使用反演的空間特性光譜對原始戶外光譜進(jìn)行修正的方法是可行的, 能夠提高戶外檢測精度。

3 結(jié) 論

為提高戶外探測精度, 在徐嘉翊等[10]研究基礎(chǔ)上提出了一種使用空間特性光譜對戶外光譜進(jìn)行修正的方法。 分別使用Walthall、 Shibayama、 Ross-li、 Roujean與Rahman模型對冬棗、 紅提、 小白杏的空間特性光譜進(jìn)行反演, 采用空間特性光譜對戶外光譜進(jìn)行修正, 使用暗室光譜、 戶外光譜和修正光譜建立3種果品的水分和可溶性固形物含量預(yù)測模型并對比模型結(jié)果。 結(jié)果表明: 對冬棗和小白杏的空間特性光譜反演效果較好, 對紅提的空間特性光譜反演效果最差, 平均誤差分別為3.56%, 4.90%以及8.23%, 5種模型反演效果并無顯著差異, 說明5種BRDF模型均適用于3種果品的空間特性光譜反演。 戶外光譜經(jīng)過修正后更為平滑, 與暗室光譜趨勢一致, 表明對光譜修正的方法可行, 經(jīng)過修正后光譜中噪聲減少。 品質(zhì)預(yù)測模型中, 冬棗與小白杏的品質(zhì)預(yù)測模型預(yù)測效果較優(yōu), 基于暗室光譜建立的品質(zhì)預(yù)測模型效果最優(yōu), 而基于修正光譜建立的模型預(yù)測效果優(yōu)于戶外光譜建立的模型, 表明使用空間特性光譜修正戶外光譜的方法可行, 能夠有效提高戶外檢測精度。

研究結(jié)果表明, 使用空間特性光譜對戶外光譜進(jìn)行修正進(jìn)而提高戶外探測精度的方法可行, 可為提高果品的戶外檢測精度供一種新的思路。 但仍需進(jìn)一步考慮更多角度及環(huán)境下的空間特性光譜反演, 下一步工作會著重構(gòu)建空間特性光譜庫, 拓展角度范圍、 提升應(yīng)用場景, 探究多場景下的光譜修正。