RGB轉多光譜水稻田模型

🌾 RGB-to-Pseudo-Multispectral Reconstruction Model

本模型以一般 RGB 影像推估 12 個可見光窄波段反射值，生成 pseudo-multispectral 影像，作為多光譜資料的替代性來源。輸出屬近似重建，非真正高光譜影像還原；資料來源為水稻影像並經遮罩處理，故模型適用範圍以 水稻田場景為主，不建議直接外推至其他作物或非農地場域。

📐 模型設計概念

• 採 監督式深度回歸架構，非對抗式 GAN 模型
• Encoder–Decoder + 多層殘差特徵融合
• 以 RGB (3 bands) → 12 bands 映射方式推估反射趨勢
• 著重於光譜分布與能量結構之重建，而非物理量測替代

可理解為：由三通道可見影像近似推回十二窄波段資訊

🗂 輸出資料格式

• Output Tensor：[12, H, W]
• 為 pseudo-multispectral 資料，可計算植生指數、特徵統計
• 結果為推估值，受光照、鏡頭響應、域差異影響
• 訓練資料採 ENVI 格式並含完整波長標註

```text wavelength = {487.56, 489.64, 501.94, 513.75, 527.11, 539.70, 564.89, 577.97, 590.59, 602.14, 614.99, 624.77} fwhm = {12.91, 9.19, 11.24, 10.50, 8.45, 6.78, 7.15, 7.15, 8.82, 9.19, 10.87, 14.21} default bands (RGB view) = {9, 6, 3}

(左圖：生成類多光譜影像；右圖：以HP280拍攝之快照式多光譜影像)

附圖（示意）：

📊 模型量化評估與表現分析

模型訓練採 PSNR (Peak Signal-to-Noise Ratio) 作為主要評估指標，以衡量重建影像與真值之亮度誤差，同時輔以 RMSE、UIQI 以及 Spectral-PSNR 佐證光譜層級一致性與結構還原品質。整體訓練過程中，PSNR 隨 epoch 穩定提升，RMSE 持續下降，UIQI 在後期快速上升並逐漸收斂，顯示模型能逐步學習 RGB 與 12 波段之間的映射關係，重建性能具備穩定性與可預期性。

| 評估指標 (Metric) | 訓練趨勢 (Trend) | 最終表現 (Final Performance) | |-------------------|----------------|-------------------------------| | PSNR | 持續上升並收斂 | 約 28–29 dB | | Spectral-PSNR | 光譜一致度良好 | 約 33–34 dB | | RMSE | 緩步下降 | 約 0.04 | | UIQI | 結構相似度明顯提升 | 約 0.9 |

綜合上述結果，模型能 有效逼近 12 波段反射分布，輸出影像呈現合理光譜差異，具備可供下游植生分析使用之品質，可應用於 水稻病蟲害早期偵測、水分監控、時序生長監測等場景。然而，由於本研究資料來源集中於特定場域，若擬跨田區或跨季節部署，仍建議 搭配少量實際量測樣本進行校正或重新微調模型，以降低域轉移影響，提升泛化能力。