CN109580513B - 一种近地面遥感红枣含水率检测方法和装置 - Google Patents

一种近地面遥感红枣含水率检测方法和装置 Download PDF

Info

Publication number
CN109580513B
CN109580513B CN201811555058.7A CN201811555058A CN109580513B CN 109580513 B CN109580513 B CN 109580513B CN 201811555058 A CN201811555058 A CN 201811555058A CN 109580513 B CN109580513 B CN 109580513B
Authority
CN
China
Prior art keywords
outdoor
red dates
spectrum
remote sensing
red
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811555058.7A
Other languages
English (en)
Other versions
CN109580513A (zh
Inventor
罗华平
孙利群
郭玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Tarim University
Original Assignee
Tsinghua University
Tarim University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University, Tarim University filed Critical Tsinghua University
Priority to CN201811555058.7A priority Critical patent/CN109580513B/zh
Publication of CN109580513A publication Critical patent/CN109580513A/zh
Application granted granted Critical
Publication of CN109580513B publication Critical patent/CN109580513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明实施例公开了一种近地面遥感红枣含水率检测方法和装置，所述红枣含水率检测方法包括：获取红枣的室外光谱信息，包括：室外偏振特征和室外遥感指数；根据预先建立的红枣的室内光谱模型和户外反演光谱模型确定近地面红枣的含水率。本发明实施例基于室外偏振光谱信息实现了近地面红枣含水率的检测，提高了检测精度。

Description

一种近地面遥感红枣含水率检测方法和装置
技术领域
本发明实施例涉及但不限于农产品品质无损检测光谱技术，尤指一种近地面遥感红枣含水率检测方法和装置。
背景技术
国内无人机低空遥感平台在农业、工业海洋矿山资源勘查、救援等领域发展迅速，迫切需要高精度地面模型对遥感数据解析。遥感指数广泛用于遥感图像的特征填图和参数反演。由于不同遥感内容和指标，遥感指数设计和数据采集条件不同，尚未有统一的遥感数据模型建立标准。自然界绝大部分的物体均具有各向异性的反射特性。其反射率不仅与传感器的位置，而且还与天顶角的高度密切相关。为提高精度和较好的遥感效果。遥感指数设计依据遥感指标和内容进行特征选择和特征增强。如简单波段组合获得植被指数。由于户外枣树红枣受大气散射，杂散光等环境因素影响，导致采集红枣高光谱图像信噪比降低，由于噪声干扰，导致光谱差异减小，甚至出现“同物异谱，同谱异物”的现象。如何在复杂环境下提取红枣品质特征成为户外近地面遥感迫切需要解决的问题。
发明内容
本发明实施例提供了一种近地面遥感红枣含水率检测方法和装置，能够通过光谱偏振参量，提高检测精度。
本发明实施例提出了一种近地面遥感红枣含水率检测方法，包括：
获取红枣的室外光谱信息，包括：室外偏振特征和室外遥感指数；
根据预先建立的户外反演光谱模型和红枣的室外光谱信息确定红枣的含水率。
在本发明实施例中，该方法之前还包括：
获取不同含水率的红枣的室外光谱信息；
根据不同含水率的红枣的室外光谱信息建立户外反演光谱模型。
在本发明实施例中，所述根据不同含水率的红枣的室外光谱信息建立户外反演光谱模型包括：
以所述不同含水率的红枣的室外光谱信息作为输入量，以所述含水率作为输出目标值，训练所述户外反演光谱模型。
在本发明实施例中，该方法还包括：根据实际含水率修正所述户外反演光谱模型，所述实际含水率为通过所述红枣的室内光谱信息得到的含水率。
在本发明实施例中，所述根据实际含水率修正所述户外反演光谱模型包括：
获取N个红枣的室内光谱信息和室外光谱信息；其中，N为大于1的整数；
对于每一个红枣，比较根据所述户外反演光谱模型和室外光谱信息得到的含水率，以及根据室内光谱信息得到的实际含水率，得到含水率差值；
根据N个红枣的含水率差值的均值修正所述户外反演光谱模型。
在本发明实施例中，所述根据N个红枣的含水率差值的均值修正所述户外反演光谱模型包括：
以所述户外反演光谱模型得到的含水率和所述均值之差作为输出目标值，重新训练所述户外反演光谱模型。
在本发明实施例中，所述获取红枣的室外光谱信息包括：
获取所述红枣的室外高光谱图像；
根据所述室外高光谱图像确定所述室外光谱信息。
在本发明实施例中，该方法之前还包括：
根据当地时间和经纬度计算太阳高度角和偏振光分布；
根据偏振光分布确定最大线偏振度；
根据最大线偏振度确定获取所述室外高光谱图像的探测角度；
所述获取红枣的室外高光谱图像包括：
以所述探测角度获取所述室外高光谱图像。
在本发明实施例中，所述遥感指数包括以下至少之一：
归一化水指数NDWI、归一化红外指数NDII、归一化植被指数NDVI、归一化植被水指数NVWI。
本发明实施例提出了一种近地面遥感红枣含水率检测装置，包括：
获取模块，用于获取红枣的室外光谱信息，包括：室外偏振特征和室外遥感指数；
含水率确定模块，用于根据预先建立的户外反演光谱模型和红枣的室外光谱信息确定红枣的含水率。
本发明实施例提出了一种近地面遥感红枣含水率检测装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任一种近地面遥感红枣含水率检测方法。
本发明实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种近地面遥感红枣含水率检测方法的步骤。
本发明实施例包括：获取红枣的室外光谱信息，包括：室外偏振特征和室外遥感指数；根据预先建立的户外反演光谱模型和红枣的室外光谱信息确定红枣的含水率。本发明实施例基于室外光谱信息实现了红枣的含水率的检测，提高了检测精度。
本发明实施例的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例而了解。本发明实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明实施例技术方案的进一步理解，并且构成说明书的一部分，与本发明实施例的实施例一起用于解释本发明实施例的技术方案，并不构成对本发明实施例技术方案的限制。
图1为本发明一个实施例提出的近地面遥感红枣含水率检测方法的流程图；
图2为本发明实施例入射角度和探测角度的关系示意图；
图3为本发明另一个实施例提出的近地面遥感红枣含水率检测装置的结构组成示意图；
图4为本发明实施例脆熟期红枣较亮部分和较暗部分的光谱差异；
图4.1为本发明实施例树叶和红枣的波长和偏振角的曲线图；
图5为本发明实施例脆熟期室内外标记红枣比对反演环境背景谱；
图6为本发明实施例完熟期室内外红枣和叶片光谱比对反演环境背景谱；
图7为本发明实施例红枣和枣叶反演背景谱二维散点图及相关模型；
图8.1为本发明实施例不同含水量红枣脆熟期偏振图；
图8.2上图为本发明实施例含水率较低纹理粗糙的红枣的线偏振度随波长变化情况，下图为本发明实施例红枣含水量较高表面光滑的红枣线偏振度随波长变化规律；
图9为本发明实施不同含水量红枣完熟期(纹理特征)偏振特征图。
具体实施方式
下文中将结合附图对本发明实施例进行详细说明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
参见图1，本发明一个实施例提出了一种近地面遥感红枣含水率检测方法，包括：
步骤100、获取红枣的室外光谱信息，包括：室外偏振特征和室外遥感指数。
在本发明实施例中，获取红枣的室外光谱信息包括：
获取红枣的室外高光谱图像；
根据所述室外高光谱图像确定所述室外光谱信息。
在本发明实施例中，可以采用带偏振片的高光谱相机获取高光谱图像。
在本发明另一个实施例中，该方法之前还包括：
根据当地时间和经纬度计算太阳高度角和偏振光分布；
根据偏振光分布确定最大线偏振度；
根据最大线偏振度确定获取所述室外高光谱图像的探测角度；
所述获取红枣的室外高光谱图像包括：以所述探测角度获取所述室外高光谱图像。
在本发明实施例中，入射角度包括入射高度角和入射方位角，所述探测角度包括探测高度角和探测方位角。各个角度的位置关系如图2所示。
本发明实施例依据太阳高度角和偏振光分布，选择适当的采集光路和采集角度获得较好的偏振反射差异，提高检测精度。
其中，按照公式
Figure BDA0001911630980000051
计算太阳高度角。
其中，h为太阳高度角，(
Figure BDA0001911630980000052
δ)为经纬度，t为时间。
其中，按照公式DoLP＝p0+p1ξ+p2ξ2+p3ξ3+p4ξ4+p5ξ5确定最大线偏振度对应的相位角；其中，相位角为入射角和探测角之间的夹角，p0、p1、p2、p3、p4和p5为拟合的标定参数，ξ为相位角，DoLP为线偏振度；
按照公式cosξ＝cosθicosθr+sinθisinθrcosφ确定探测角度；其中，θi为入射高度角，φ为探测方位角，θr为探测高度角。
或者，按照公式
Figure BDA0001911630980000061
直接确定探测角度。
其中，可以在室内利用BRDF装置模拟户外光照条件，采用以下任一种方法获取拟合的标定参数p0、p1、p2、p3、p4和p5。
方法1、选择某一固定光源入射方向(太阳高度角)，实验测量不同相位角(光源入射方向和相机中轴线夹角)45，60，75，90，120，150时，改变镜头前偏振片的偏振方向(0，90，45，135)计算获得不同相位角对应的DOLP参量，将对应的线偏振度参量和相位角列表拟合五次多项式中的5个方程参量即标定参数。
线偏振度DoLP根据四个偏振方向(0，90，45，135)的光强值计算得到。
线偏振度DoLP与入射角和方位角的对应关系如下公式：
Figure BDA0001911630980000062
其中，θi为入射高度角，φ为探测方位角，n为折射率。
其中，可以按照上述公式(1)由入射高度角求出探测方位角。
其中，线偏振度与相位角ξ(即入射角和探测角之间的夹角)间的关系，通过实验数据拟合分析发现有如下五次多项式拟合对应关系
DoLP＝p0+p1ξ+p2ξ2+p3ξ3+p4ξ4+p5ξ5 (2)
其中，
其中，相位角ξ可以由入射角和接收角计算得到，也可通过实验直接测定。
cosξ＝cosθicosθr+sinθisinθrcosφ (3)
其中，θr为探测高度角，φ为探测方位角。
方法2、选5批不同含水量红枣叶(每个批次红枣叶5个样品)，摆放在5列个相隔0.3米的不同位置(等同于不同相位角)实际测量距离换算相位角，测量偏振度得到拟合方程相关对应标定参数。
图8.2中上图是含水率较低纹理粗糙的红枣的线偏振度随波长变化情况。在水分特征波长1400nm部分，偏振度最低到0.08，下图为红枣含水量较高表面光滑的红枣线偏振度随波长变化规律。图中，横坐标为波长，纵坐标为DOLP参量，可见表面光滑线偏振度可以达到0.25，变化趋势相反。另一个水分特征峰1120nm两者变化趋势相反有较大差异。利用不同含水量红枣的偏振度光谱建立模型。从偏振度特征参量DOLP可以区分含水率差异。
步骤101、根据预先建立的户外反演光谱模型和红枣的室外光谱信息确定红枣的含水率。
在本发明实施例中，该方法之前还包括：
获取不同含水率的红枣的光谱信息；
根据不同含水率的红枣的室外光谱信息建立户外红枣品质光谱模型。
其中，可以采用称重法测量红枣的含水率。
其中，根据不同含水率的红枣的室外光谱信息建立户外反演光谱模型包括：
以所述不同含水率的红枣的室外光谱信息作为输入量，以所述含水率作为输出目标值，训练所述户外反演光谱模型。
户外背景反演光谱库法：户外高光谱图像中标记红枣采集回来做室内光谱，将不同距离和表面纹理作为背景谱的两大特征，户外红枣采集回来反演距离和纹理背景谱，具体参见图6户外近地面遥感室外标记不同距离红枣光谱(a)，做室内对应红枣光谱(b)比对得到环境不同距离背景谱(c)，依据不同距离的背景谱，反演得到其他户外红枣光谱(d)，与室内光谱对应光谱相关性如图7所示。按光谱相似度打分方法(可选光谱角匹配法，光谱多特征法)得出同一批次红枣不同距离的背景谱得分。将光谱相似度在0.8以上区域背景谱均值作为距离背景谱，建立不同距离方位的背景谱模型。
依据不同纹理特征红枣背景谱，红枣表面纹理含水量较高，表面光滑的的含水量较低。户外近地面遥感室外标记不同纹理特征的红枣光谱(a)，做室内对应红枣光谱(b)比对得到环境不同纹理特征背景谱(c)，依据不同纹理特征的背景谱，反演得到其他户外红枣光谱(d)，与室内光谱对应光谱相关性如图7所示。按光谱相似度打分方法(可选光谱角匹配法，光谱多特征法)得出同一批次红枣不同纹理特征的背景谱得分。将光谱相似度在0.8以上一类纹理特征背景谱均值作为纹理特征背景谱，与对应标记纹理特征红枣比对建立纹理特征背景谱。分别建立有不同距离和纹理特征标记的户外红枣背景反演光谱库。
其次建立不同时期红枣背景谱，脆熟期背景谱如图5所示，户外红枣完熟期背景谱如图6所示。
数值仿真预判模型传递法：将上述不同距离和纹理特征户外红枣背景反演光谱库，依次导入室内对应红枣水分值(建模方法可选PLS,PCR等)，建立户外反演光谱模型，选择10个红枣样品验证进行水分预测评价，比对依据室内红枣光谱预测的水分值差异。将差异均值作为修正参量，对户外反演红枣水分值进行修正，然后将户外反演光谱和室内光谱及对应水分值一同录入，重新校正建立模型，依据模型评价参数，对相应水分差值再做均值调节，进行基于室内光谱模型到户外反演模型传递。依据此方法可以将户外反演模型预测结果达到较高精度。建立户外近地面遥感红枣水分模型，进行户外红枣多尺度大面积水分监测。
在本发明实施例中，遥感指数包括以下至少之一：归一化水指数(NDWI，Normalized Difference Water Index)、归一化红外指数(NDII，NormalizedDifferenceInfrared Index)、归一化植被指数(NDVI，Normalized Difference Vegetation Index)、归一化植被水指数(NVWI，Normalized Vegetation Water Index)。
其中，NDWI对树叶冠层水分含量的变化非常敏感，在857nm和1241nm具有相似的反射率，但是又不同于液态水的吸收特性。
其中，可以按照公式
Figure BDA0001911630980000091
计算NDVI指数。
本发明中选择红枣和枣叶片特征波段计算NDVI指数b68,b122分别指高光谱68波段和122波段。
其中，可以按照公式
Figure BDA0001911630980000092
计算NVWI。
其中，ρ857为波长为857nm的反射率，ρ1241为波长为1241nm的反射率。
其中，NDII对树叶冠层的水分含量变化非常敏感，NDII的值越大表示水分含量越多。可以按照公式
Figure BDA0001911630980000093
计算NDII。
其中，ρ819为波长为819nm的反射率，ρ1649为波长为1649nm的反射率。
其中，可以采用加偏振片的高光谱相机(即成像光谱仪)在高光谱采集高光谱图像，具体的，可以将偏振片的偏振角旋转到某一个角度(可以是任意角度，如0度、30度、45度、60度、90度、135度等)，采集高光谱图像；然后将偏振片的偏振角旋转到另一个角度，采集高光谱图像；以此类推。其中，可以在高光谱相机的探头部分加装偏振片。
高光谱图像的光谱范围视高光谱相机的光谱范围而定，例如，高光谱相机的光谱范围为900～1700纳米(nm)。
在本发明另一个实施例中，该方法之前还包括：
根据实际含水率修正所述户外反演光谱模型，所述实际含水率为通过所述红枣的室内光谱信息得到的含水率。
其中，根据实际含水率修正所述户外反演光谱模型包括：
获取N个红枣的室内光谱信息和室外光谱信息；其中，N为大于1的整数；
对于每一个红枣，比较根据所述户外反演光谱模型和室外光谱信息得到的含水率，以及根据室内光谱信息得到的实际含水率，得到含水率差值；
根据N个红枣的含水率差值的均值修正所述户外反演光谱模型。
其中，根据N个红枣的含水率差值的均值修正所述户外反演光谱模型包括：
以所述户外反演光谱模型得到的含水率和所述均值之差作为输出目标值，重新训练所述户外反演光谱模型。
示例
1获取多角度偏振数据
1)改变偏振片角度，采集标准板光谱作为参比，获得不同偏振方向光谱(即偏振反射率数据)。例如，入射高度角为30度，探测高度角为布鲁斯特角53度，前端偏振片的偏振方向与入射光方向垂直(S光是与入射面垂直的光)，样品台依次放置标准板和红枣叶片采集参比，观测不同方位角S分量变化规律。改变入射高度角(50度)，探测高度角53度，前端偏振片的偏振方向垂直和平行做对比实验(0，90度)。
2)选择太阳光与高光谱相机轴线夹角大于90度，通过逐渐增加与太阳光的角度，红枣表面反射光强最大。改变高光谱相机镜头前的偏振片方向，使得光强减弱到最暗。记录为0度。然后依次转过45，90，135度记录不同偏振方向的高光谱数据。
3)对实验获取枣树高光谱图像，通过直接在图像编辑从上到下，自左向右依次添加枣树叶片和红枣数字标记，高光谱相机镜头距离枣树分别为0.5米到1.5米获得叶片尺度和冠层尺度的高光谱数据。从上到下，自左向右依次采集标记叶片和红枣，回实验室测定叶片和红枣的理化指标，叶片理化指标测定：称重法测试叶片的含水率，叶绿素仪测定叶片的叶绿素。
4)将测定结果高光谱图像中坐标(x，y)将以上测量的结果(叶绿素和含水率)作为数据标签，高光谱图像多点平均的中心坐标(x，y)与实际测量点区域叶绿素一一对应起来。
5)室内红枣光谱是反演室外红枣光谱基础。光谱差异是由于环境背景干扰影响，室内外标记红枣光谱比对(Sin/Sout)，反演环境背景谱，如图6(虚线)所示。由于红枣较亮和较暗部分的偏振特征不同，红枣较亮较暗部位标记分别建库。
2构建模型和数据反演
1)常规的辐射校正，PCA，MNF降维滤波，谱像相关运算，获取空间信息和光谱信息特征提取，增强多波段光谱差异，突出边缘轮廓信息。多角度偏振光谱差异相关。偏振增强表面纹理特征。
2)选取枣园高光谱图像，做特征波段增强运算，利用波段运算(b1-b2)/b3,b1,b2,b3分别对应于band24,band51,band191波段运算获取空间信息和光谱信息特征提取获取谱像相关，高光谱图像特征增强。选取枣园高光谱图像，做波段运算将淹没在枣叶中的红枣突显出来。如图4所示，选择特征波段band14、band230，利用envi软件的Bandmath工具，得到比值指数(b14/b230)。在ROI Tool中，选择ROI_Type->Input Points from ASCII，选择文本格式的数据反演点，将实测点位置以ROI方式显示在比值指数图像中，在ROI TOOL中，选择File->Output ROIs to ASCII，实测数据中的每一组位置与对应的比值指数值导出。
2)在Excel中，并在Excel中与实测理化指标一一对应。为B14/B230和理化指标(含水率或叶绿素)含量添加散点图。在散点图上选中散点，单击右键->添加趋势线，打开设置趋势线格式面板，勾选线性，显示公式，显示R平方值。线性回归方程和R方值在散点图上显示。分别建立叶片尺度和冠层尺度数据统计模型。
3)光谱模型数据反演
使用Basic Tool->Bandmath，在Enter an expression输入表达式(拟合模型数学表达式)：变量为BNIR/BRED比值图像。将验证点对应的理化参量(含水量\叶绿素)反演值导出来，与验证点的实测值在Excel表中一一对应。波段运算的结果为单波段灰度图像，可以将结果显示在display窗口中，选择Tools->Color Mapping->ENVI Color Tables，将结果以彩色方式显示，利用Excel的计算功能计算反演结果和实测结果的代数差，该值占实测值的百分比，即为反演的误差允许范围。
4)由红枣叶片含水量在不同10％-20％，20％-30％这个区间占百分比对枣园枣树含水量评价，通过相关系数和差异系数等参量评价，建立枣树冠层含水率检测模型。如图2,3所示90度是反射率不随方位角变化近似朗伯体，50度反射率最高。选用高度角，30度时反射率分辨细节能力高，干叶片在70度出现最大值。50度一个峰值，30度出现两个峰值，叶片含水率探测高度角。
5)利用envi的NDVI处理，获得枣园冠层叶片整体角度分布特征。根据不同枣树树形特征(圆锥形，纺锤型)采集高光谱影像视场枣树典型位置叶片，测量含水率，结合红枣的叶片尺度角度偏振特征模型，进行特征提取和数据拟合。建立高光谱近地面遥感建立枣园枣树与室内光谱对应关系。
参见图3，本发明另一个实施例提出了一种近地面遥感红枣含水率检测装置，包括：
获取模块301，用于获取红枣的室外光谱信息，包括：室外偏振特征和室外遥感指数；
含水率确定模块302，用于根据预先建立的户外反演光谱模型和红枣的室外光谱信息确定红枣的含水率。
在本发明实施例中，获取模块301具体用于：
获取红枣的室外高光谱图像；
根据所述室外高光谱图像确定所述室外光谱信息。
在本发明实施例中，获取模块301可以采用带偏振片的高光谱相机获取高光谱图像。
在本发明另一个实施例中，还包括：
探测角度确定模块303，用于根据当地时间和经纬度计算太阳高度角和偏振光分布；根据偏振光分布确定最大线偏振度；根据最大线偏振度确定获取所述室外高光谱图像的探测角度；
获取模块301具体用于：
以所述探测角度获取红枣的室外高光谱图像；
根据所述室外高光谱图像确定所述室外光谱信息。。
在本发明实施例中，入射角度包括入射高度角和入射方位角，所述探测角度包括探测高度角和探测方位角。各个角度的位置关系如图2所示。
本发明实施例依据太阳高度角和偏振光分布，选择适当的采集光路和采集角度获得较好的偏振反射差异，提高检测精度。
其中，确定模块303按照公式
Figure BDA0001911630980000131
计算太阳高度角。
其中，h为太阳高度角，(
Figure BDA0001911630980000133
δ)为经纬度，t为时间。
其中，确定模块303按照公式DoLP＝p0+p1ξ+p2ξ2+p3ξ3+p4ξ4+p5ξ5确定最大先偏振度对应的相位角；其中，相位角为入射角和探测角之间的夹角，p0、p1、p2、p3、p4和p5为拟合的标定参数，ξ为相位角；
确定模块303按照公式cosξ＝cosθicosθr+sinθi sinθr cosφ确定探测角度；其中，θi为入射高度角，φ为探测方位角，θr为探测高度角。
或者，按照公式
Figure BDA0001911630980000132
直接确定探测角度。
其中，可以在室内利用BRDF装置模拟户外光照条件，采用以下任一种方法获取拟合的标定参数p0、p1、p2、p3、p4和p5。
方法1、选择某一固定光源入射方向(太阳高度角)，实验测量不同相位角(光源入射方向和相机中轴线夹角)45，60，75，90，120，150时，改变镜头前偏振片的偏振方向(0，90，45，135)计算获得不同相位角对应的DOLP参量，将对应的线偏振度参量和相位角列表拟合五次多项式中的5个方程参量即标定参数。
线偏振度DoLP根据四个偏振方向(0，90，45，135)的光强值计算得到。
线偏振度DoLP与入射角和方位角的对应关系如下公式：
Figure BDA0001911630980000141
其中，θi为入射高度角，φ为探测方位角，n为折射率。
其中，可以按照上述公式(1)由入射高度角求出探测方位角。
其中，线偏振度与相位角ξ(即入射角和探测角之间的夹角)间的关系，通过实验数据拟合分析发现有如下五次多项式拟合对应关系
DoLP＝p0+p1ξ+p2ξ2+p3ξ3+p4ξ4+p5ξ5 (2)
其中，
其中，相位角ξ可以由入射角和接收角计算得到，也可通过实验直接测定。
cosξ＝cosθicosθr+sinθisinθrcosφ (3)
其中，θr为探测高度角，φ为探测方位角。
方法2、选5批不同含水量红枣叶(每个批次红枣叶5个样品)，摆放在5列个相隔0.3米的不同位置(等同于不同相位角)实际测量距离换算相位角，测量偏振度得到拟合方程相关对应标定参数。
在本发明实施例中，还包括：
建立模块304，用于获取不同含水率的光谱信息；
根据不同含水率的红枣的室外光谱信息建立户外反演光谱模型。
其中，可以采用称重法测量红枣的含水率。
建立模块304具体用于：
获取不同含水率的光谱信息；以所述不同含水率的红枣的室外光谱信息作为输入量，以所述含水率作为输出目标值，训练所述户外反演光谱模型。
户外背景反演光谱库法：户外高光谱图像中标记红枣采集回来做室内光谱，将不同距离和表面纹理作为背景谱的两大特征，户外红枣采集回来反演距离和纹理背景谱，具体参见图5户外近地面遥感室外标记红枣光谱(a)，做室内对应红枣光谱比对得到环境背景谱(b)，依据不同纹理特征红枣背景谱，反演得到其他户外红枣光谱(c)，与室内光谱对应光谱相关性如(d)，将相同距离标记户外红枣光谱，与对应标记红枣比对建立距离方位背景谱，分别建立有不同距离和纹理特征标记的户外红枣背景反演光谱库。其次建立不同时期红枣背景谱，红枣户外完熟期红枣背景谱如图5所示，脆熟期背景谱如图6所示。
数值仿真预判模型传递法：将上述不同距离和纹理特征户外红枣背景反演光谱库，依次导入室内对应红枣水分值(建模方法可选PLS,PCR等)，建立户外反演光谱模型，选择10个红枣样品验证进行水分预测评价，比对依据室内红枣光谱预测的水分值差异。将差异均值作为修正参量，对户外反演红枣水分值进行修正，然后将户外反演光谱和室内光谱及对应水分值一同录入，重新校正建立模型，依据模型评价参数，对相应水分差值再做均值调节，进行基于室内光谱模型到户外反演模型传递。依据此方法可以将户外反演模型预测结果达到较高精度。建立户外近地面遥感红枣水分模型，进行户外红枣多尺度大面积水分监测。
在本发明实施例中，遥感指数包括以下至少之一：归一化水指数(NDWI，Normalized Difference Water Index)、归一化红外指数(NDII，Normalized DifferenceInfrared Index)、归一化植被指数(NDVI，Normalized Difference Vegetation Index)、归一化植被水指数(NVWI，Normalized Vegetation Water Index)。
其中，NDWI对树叶冠层水分含量的变化非常敏感，在857nm和1241nm具有相似的反射率，但是又不同于液态水的吸收特性。
其中，可以按照公式
Figure BDA0001911630980000161
计算NDVI指数。
本发明中选择红枣和枣叶片特征波段计算NDVI指数b68,b122分别指高光谱68波段和122波段。
其中，可以按照公式
Figure BDA0001911630980000162
计算NVWI。
其中，ρ857为波长为857nm的反射率，ρ1241为波长为1241nm的反射率。
其中，NDII对树叶冠层的水分含量变化非常敏感，NDII的值越大表示水分含量越多。可以按照公式
Figure BDA0001911630980000163
计算NDII。
其中，ρ819为波长为819nm的反射率，ρ1649为波长为1649nm的反射率。
其中，可以采用加偏振片的高光谱相机(即成像光谱仪)在高光谱采集高光谱图像，具体的，可以将偏振片的偏振角旋转到某一个角度(可以是任意角度，如0度、30度、45度、60度、90度、135度等)，采集高光谱图像；然后将偏振片的偏振角旋转到另一个角度，采集高光谱图像；以此类推。其中，可以在高光谱相机的探头部分加装偏振片。
高光谱图像的光谱范围视高光谱相机的光谱范围而定，例如，高光谱相机的光谱范围为900～1700纳米(nm)。
在本发明另一个实施例中，建立模块304还用于：根据实际含水率修正所述户外反演光谱模型，所述实际含水率为通过所述红枣的室内光谱信息得到的含水率。
其中，建立模块304具体用于采用以下方式实现根据实际含水率修正所述户外反演光谱模型：
获取N个红枣的室内光谱信息和室外光谱信息；其中，N为大于1的整数；
对于每一个红枣，比较根据所述户外反演光谱模型和室外光谱信息得到的含水率，以及根据室内光谱信息得到的实际含水率，得到含水率差值；
根据N个红枣的含水率差值的均值修正所述户外反演光谱模型。
其中，建立模块304具体用于采用以下方式实现根据N个红枣的含水率差值的均值修正所述户外反演光谱模型包括：
以所述户外反演光谱模型得到的含水率和所述均值之差作为输出目标值，重新训练所述户外反演光谱模型。
本发明另一个实施例提出了一种近地面遥感红枣含水率检测装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任一种近地面遥感红枣含水率检测方法。
本发明另一个实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种近地面遥感红枣含水率检测方法的步骤。
计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
虽然本发明实施例所揭露的实施方式如上，但所述的内容仅为便于理解本发明实施例而采用的实施方式，并非用以限定本发明实施例。任何本发明实施例所属领域内的技术人员，在不脱离本发明实施例所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明实施例的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (8)

1.一种近地面遥感红枣含水率检测方法，包括：
获取红枣的室外光谱信息，包括：室外偏振特征和室外遥感指数；
根据预先建立的户外反演光谱模型和红枣的室外光谱信息确定红枣的含水率；
其中，预先建立户外反演光谱模型包括：
获取不同含水率的红枣的室外光谱信息；
根据不同含水率的红枣的室外光谱信息建立户外反演光谱模型；
根据实际含水率修正所述户外反演光谱模型，所述实际含水率为通过所述红枣的室内光谱信息得到的含水率；
其中，所述获取红枣的室外光谱信息包括：
根据当地时间和经纬度计算太阳高度角和偏振光分布；
根据偏振光分布确定最大线偏振度；
根据最大线偏振度确定获取室外高光谱图像的探测角度；
以所述探测角度获取所述红枣的室外高光谱图像；
根据所述室外高光谱图像确定所述室外光谱信息。
2.根据权利要求1所述的近地面遥感红枣含水率检测方法，其特征在于，所述根据不同含水率的红枣的室外光谱信息建立户外反演光谱模型包括：
以所述不同含水率的红枣的室外光谱信息作为输入量，以所述含水率作为输出目标值，训练所述户外反演光谱模型。
3.根据权利要求2所述的近地面遥感红枣含水率检测方法，其特征在于，所述根据实际含水率修正所述户外反演光谱模型包括：
获取N个红枣的室内光谱信息和室外光谱信息；其中，N为大于1的整数；
对于每一个红枣，比较根据所述户外反演光谱模型和室外光谱信息得到的含水率，以及根据室内光谱信息得到的实际含水率，得到含水率差值；
根据N个红枣的含水率差值的均值修正所述户外反演光谱模型。
4.根据权利要求3所述的近地面遥感红枣含水率检测方法，其特征在于，所述根据N个红枣的含水率差值的均值修正所述户外反演光谱模型包括：
以所述户外反演光谱模型得到的含水率和所述均值之差作为输出目标值，重新训练所述户外反演光谱模型。
5.根据权利要求1~4任一项所述的近地面遥感红枣含水率检测方法，其特征在于，所述遥感指数包括以下至少之一：
归一化水指数NDWI、归一化红外指数NDII、归一化植被指数NDVI、归一化植被水指数NVWI。
6.一种近地面遥感红枣含水率检测装置，包括：
获取模块，用于获取红枣的室外光谱信息，包括：室外偏振特征和室外遥感指数；
含水率确定模块，用于根据预先建立的户外反演光谱模型和红枣的室外光谱信息确定红枣的含水率；
其中，所述预先建立的户外反演光谱模型为通过获取不同含水率的红枣的室外光谱信息；根据不同含水率的红枣的室外光谱信息建立并根据实际含水率修正的户外反演光谱模型；所述实际含水率为通过所述红枣的室内光谱信息得到的含水率；
其中，所述获取红枣的室外光谱信息包括：
根据当地时间和经纬度计算太阳高度角和偏振光分布；
根据偏振光分布确定最大线偏振度；
根据最大线偏振度确定获取室外高光谱图像的探测角度；
以所述探测角度获取所述红枣的室外高光谱图像；
根据所述室外高光谱图像确定所述室外光谱信息。
7.一种近地面遥感红枣含水率检测装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令被所述处理器执行时，实现如权利要求1~5任一项所述的近地面遥感红枣含水率检测方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1~5任一项所述的近地面遥感红枣含水率检测方法的步骤。
CN201811555058.7A 2018-12-18 2018-12-18 一种近地面遥感红枣含水率检测方法和装置 Active CN109580513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811555058.7A CN109580513B (zh) 2018-12-18 2018-12-18 一种近地面遥感红枣含水率检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811555058.7A CN109580513B (zh) 2018-12-18 2018-12-18 一种近地面遥感红枣含水率检测方法和装置

Publications (2)

Publication Number Publication Date
CN109580513A CN109580513A (zh) 2019-04-05
CN109580513B true CN109580513B (zh) 2021-06-11

Family

ID=65930061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811555058.7A Active CN109580513B (zh) 2018-12-18 2018-12-18 一种近地面遥感红枣含水率检测方法和装置

Country Status (1)

Country Link
CN (1) CN109580513B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222475B (zh) * 2019-07-03 2021-09-07 中国水利水电科学研究院 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法
CN112557325A (zh) * 2020-12-08 2021-03-26 塔里木大学 一种果树果品品质近地面遥感监测装置和方法
CN113076692B (zh) * 2021-03-29 2021-09-28 中国农业科学院农业资源与农业区划研究所 一种反演叶片氮素含量的方法
CN113466142B (zh) * 2021-06-17 2023-04-21 塔里木大学 一种多尺度果品散射偏振光谱成像定量检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104198396A (zh) * 2014-07-30 2014-12-10 江苏大学 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
CN104251839A (zh) * 2014-09-04 2014-12-31 塔里木大学 南疆红枣建模用南疆红枣样品成分的光谱分离检测方法
CN105628708A (zh) * 2016-01-27 2016-06-01 塔里木大学 一种南疆红枣多参量品质快速无损检测方法
CN106092912A (zh) * 2016-05-23 2016-11-09 塔里木大学 一种枣树冠层水分含量的检测方法
CN205719968U (zh) * 2016-06-21 2016-11-23 塔里木大学 红枣水分识别装置
CN106226246A (zh) * 2016-07-26 2016-12-14 新疆农垦科学院 一种直播建园枣树植株氮素含量的监测方法
CN107860720A (zh) * 2017-12-27 2018-03-30 清华大学 一种获取红枣品质的方法和装置
CN108535199A (zh) * 2018-03-16 2018-09-14 塔里木大学 一种户外多尺度枣园高光谱偏振探测方法
CN108872140A (zh) * 2018-05-09 2018-11-23 塔里木大学 一种户外监测红枣品质的方法及装置
CN109596534A (zh) * 2018-12-19 2019-04-09 塔里木大学 一种校正空间内不同方位的光谱图像的方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104198396A (zh) * 2014-07-30 2014-12-10 江苏大学 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
CN104251839A (zh) * 2014-09-04 2014-12-31 塔里木大学 南疆红枣建模用南疆红枣样品成分的光谱分离检测方法
CN105628708A (zh) * 2016-01-27 2016-06-01 塔里木大学 一种南疆红枣多参量品质快速无损检测方法
CN106092912A (zh) * 2016-05-23 2016-11-09 塔里木大学 一种枣树冠层水分含量的检测方法
CN205719968U (zh) * 2016-06-21 2016-11-23 塔里木大学 红枣水分识别装置
CN106226246A (zh) * 2016-07-26 2016-12-14 新疆农垦科学院 一种直播建园枣树植株氮素含量的监测方法
CN107860720A (zh) * 2017-12-27 2018-03-30 清华大学 一种获取红枣品质的方法和装置
CN108535199A (zh) * 2018-03-16 2018-09-14 塔里木大学 一种户外多尺度枣园高光谱偏振探测方法
CN108872140A (zh) * 2018-05-09 2018-11-23 塔里木大学 一种户外监测红枣品质的方法及装置
CN109596534A (zh) * 2018-12-19 2019-04-09 塔里木大学 一种校正空间内不同方位的光谱图像的方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Quantitative research on spectral polarization characteristics of soil with different water content;Han Yang et al.;《Journal of Remote Sensing》;20131231;第17卷(第5期);第1077-1086页 *
Remote sensing of agricultural drought monitoring: A state of art review;Khhaled Hazaymeh et al.;《AIMS Environmental Science》;20160929;第3卷(第4期);第604-630页 *
Study on the quality of jujube in Southern Xinjiang with hyperspectral near-surface remote sensing;Luo Huaping et al.;《Proceeding of SPIE》;20181107;第10832卷;摘要，第1083220-2-1083220-6页 *
湖泊水体叶绿素偏振高光谱反演模型研究;潘邦龙 等;《光谱学与光谱分析》;20130630;第33卷(第6期);第1665-1669页 *
近红外光谱技术快速检测南疆红枣含水量的研究;罗华平 等;《2012中国农业机械学会国际学术年会论文集》;20121231;第14-25-14-28页 *

Also Published As

Publication number Publication date
CN109580513A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109580513B (zh) 一种近地面遥感红枣含水率检测方法和装置
Mishra et al. Close range hyperspectral imaging of plants: A review
Nevalainen et al. Fast and nondestructive method for leaf level chlorophyll estimation using hyperspectral LiDAR
Darvishzadeh et al. Mapping grassland leaf area index with airborne hyperspectral imagery: A comparison study of statistical approaches and inversion of radiative transfer models
Gilabert et al. An atmospheric correction method for the automatic retrieval of surface reflectances from TM images
Jonckheere et al. Review of methods for in situ leaf area index determination: Part I. Theories, sensors and hemispherical photography
Legleiter et al. Spectrally based remote sensing of river bathymetry
CN104198396B (zh) 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
Heiskanen et al. Sensitivity of narrowband vegetation indices to boreal forest LAI, reflectance seasonality and species composition
CN103196838B (zh) 一种海岸河口富营养化高光谱遥感监测方法
CN108801934A (zh) 一种土壤有机碳含量高光谱预测模型的建模方法
Cao et al. Hyperspectral inversion of nitrogen content in maize leaves based on different dimensionality reduction algorithms
CN112541921A (zh) 城市绿地植被信息数据化精准测定方法
Mišurec et al. Utilization of hyperspectral image optical indices to assess the Norway spruce forest health status
CN113252583B (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
CN109738380A (zh) 一种土壤盐渍化程度的高光谱遥感判断方法
Nevalainen et al. Nitrogen concentration estimation with hyperspectral LiDAR
CN112577906A (zh) 城市绿地土壤含水率检测方法
Liu et al. Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data
Badura et al. A novel approach for deriving LAI of salt marsh vegetation using structure from motion and multiangular spectra
Yu et al. Inversion reflectance by apple tree canopy ground and unmanned aerial vehicle integrated remote sensing data
Panigada et al. Chlorophyll concentration mapping with MIVIS data to assess crown discoloration in the Ticino Park oak forest
Igamberdiev et al. Determination of chlorophyll content of small water bodies (kettle holes) using hyperspectral airborne data
Hovi et al. Empirical validation of photon recollision probability in single crowns of tree seedlings
Strub et al. Evaluation of spectrodirectional Alfalfa canopy data acquired during DAISEX'99

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant