激光诱导击穿光谱定量分析锂矿石中锂元素

锂元素具有优良的物理和化学性能,因而在军事、电池、特种合金、受控热核反应等领域具有重要作用。现有的锂矿石分析主要是基于酸分解的原子吸收光谱、电感耦合等离子体质谱或原子发射光谱等离线方法。激光诱导击穿光谱(LIBS)是一种无需样品制备、适用于低原子序数元素(包括锂)的原子发射光谱方法。采用LIBS技术,实验采集了11种锂矿石成分分析标准物质的等离子体发射光谱,分别在610.35和670.78 nm附近观测到了Li的特征峰,但由于谱线的重叠,无法应用单变量线性回归进行建模。在全谱积分强度标准化基础上,分别使用偏最小二乘回归(PLSR)和基于主成份分析的支持向量回归(PCA+SVR)对锂矿石标准物质中的锂含量进行建模。校准模型的相关参数通过留一组交叉验证均方根误差(RMSECV)来确定。结果表明,相较于PCA+SVR校准模型,PLSR的决定系数(R2)更大,校准均方根误差(RMSEC)更小,但预测均方根误差(RMSEP)远大于RMSEC,存在过拟合现象。另一方面,PCA+SVR计算得到的RMSEP和平均相对误差(MRE)相对于PLSR更小,因此认为PCA+SVR模型拥有更好适应度。从而证明,LIBS技术可以实现锂矿石中Li含量的分析,有望应用于位于传送带上锂矿石的原位在线定量分析。     

动态表面增强拉曼光谱在敌瘟磷快速定量分析中的应用

动态表面增强拉曼光谱是在干态与湿态表面增强拉曼光谱(SERS)检测的基础上发展而来的,不仅具有极好的信号增强,还具有良好的重复性与稳定性。提出了一种基于动态SERS与多元分析方法的敌瘟磷快速定量分析方法。实验中,首先测量100,50,10,5,1,0.5和0.1 mg·L-1敌瘟磷动态SERS谱图,并使用多项式校正方法去除光谱基线漂移。然后,处理后的全范围(600~1 800 cm-1)与特征范围(674~713,890~1 195,1 341~1 399和1 549~1 612 cm-1)光谱分别利用支持向量机回归(SVR)构建定量模型,实现对敌瘟磷的定量分析。同时,实验还评估了主成分分析(PCA)对定量分析结果的影响。实验结果表明特征范围光谱所建立的模型预测误差较小,而数据经过PCA处理后预测误差得到进一步下降。最优回归模型是由特征范围光谱经PCA处理后所构建的模型(RMSECV=0.065 7 mg·L-1),模型能够准确地预测敌瘟磷溶液浓度。为了测试实际检测中的效果,该方法被用来对苹果表面的敌瘟磷残留进行检测,并通过气相色谱法进行验证。结果表明该方法对于同一样本多次检测值波动较小,且检测均值与气相色谱检测值相差较小,相对误差最大仅为5.13%。此外,动态SERS检测可在2 min内完成,且后续数据处理也可在数秒内完成,同时整个过程的试剂消耗仅在2 μL左右。因此,所提出的方法在敌瘟磷快速准确检测具有极大优势。     

一种基于近红外光谱技术的柴油在线软测量方法研究

为解决柴油凝点难以实时在线检测的问题,提出一种应用近红外(NIR)光谱分析技术的软测量方法。首先,利用光谱分析仪对柴油样品在750～1 550 nm光谱区的信息进行采集,并用多项式卷积对NIR光谱数据进行光谱平滑、基线校正和标准归一化;再由主元分析(PCA)提取NIR光谱数据集特征,降低输入维数,提高了各维特征的敏感性;最后, 通过SVR算法建立凝点的软测量模型。150个柴油样品作为实验材料,其中100个作为校正(训练)样本,其余作为测试样本。经过PCA分析之后,401维的原始NIR吸收光谱数据集被降到了6维。为了验证检测方法的效率,用四种不同的软测量模型(BP,SVR,PCA+BP和PCA+SVR)对测试样品进行估计。实验结果表明：(1)用PCA进行特征提取的软测量模型普遍优于直接作用在光谱波长域的模型;(2)SVR模型的测量效果明显优于BP网络模型,其测试误差只有后者的一半;(3)所提软测量方法的检测值与用冷凝法测量的标准化学值之间的均方误差小于4.2。研究说明了本方法可用于对柴油产品凝点的快速测量。     

基于非负矩阵分解和广义判别分析的掌纹识别

非负矩阵分解(NMF)具有非负性和局部性的特点,是一种新型的特征提取方法.由于NMF是非监督学习算法,运用NMF提取掌纹特征时没有考虑训练样本的类别信息,因而分类效果不够理想.为了在提取掌纹特征的同时融人类别信息,提出运用非负矩阵分解和广义判别分析(GDA)相结合的方法进行掌纹识别.为了降低计算的复杂性,在特征提取之前,应用小波变换对掌纹图像进行三级分解,提取低频子图像.在低频子图像上应用NMF+GDA提取掌纹特征,计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库进行测试.结果表明,与主元分析(PCA)、独立元分析(ICA)和NMF相比,算法的等误率(EER)最低为0.16%,特征提取和匹配总时间为0.812 s,满足实时系统的要求.     

脐橙表皮两种混合农药残留的表面增强拉曼光谱定量检测

针对水果生产中的农药残留问题,利用表面增强拉曼光谱技术(SERS),把害虫防治使用较多的有机磷农药亚胺硫磷与毒死蜱作为研究对象,探索性研究了将金胶用作增强基底检测以脐橙为载体的混合农药残留快速检测。采集混合农药样品的SERS光谱,通过对比农药的特征峰可以对混合农药进行定性分析。同时利用化学计量学方法,建立混合农药的定量数学模型,并通过对比不同的预处理方法和建模波段对混合农药样品拉曼光谱的处理结果,选择出最优预处理方法与算法的组合。在拉曼光谱范围200～2 300 cm-1内,利用PLS算法处理经一阶微分预处理后的光谱数据,建立的脐橙表皮混合农药残留回归模型效果较好,预测相关系数(R_p)为0.912,预测均方根误差(RMSEP)为3.601 mg·L-1。经过波段筛选后并对光谱处理结果对比,发现光谱在200～620,830～1 040及1 250～2 300 cm-1范围内,利用PLS算法处理经一阶微分预处理后的光谱数据,建立的回归模型效果较好,R_p为0.909,RMSEP为3.338 mg·L-1。研究表明使用SERS技术,可以对脐橙表皮上残留的混合农药进行定性与定量的分析。     

基于LLE-SVR的鸡蛋新鲜度可见/近红外光谱无损检测方法

鸡蛋新鲜度是反映鸡蛋内部品质的一个重要指标。为了能够实现鸡蛋新鲜度的快速无损检测,利用微型光纤光谱仪采集鸡蛋550～950 nm的透射率光谱曲线,与鸡蛋的哈夫单位值进行了定量分析。通过不同的预处理方式分别结合偏最小二乘回归(partial least squares regression, PLSR)与支持向量回归(support vector regression, SVR)建立模型,比较了不同模型的预测结果,发现一阶微分结合SVR能够实现较好地预测,且利用SVR建模要优于PLSR。为了提高运算效率,减少无用信息对建模的不良影响,分别利用线性降维主成分分析法(principal component analysis, PCA)与非线性降维局部线性嵌入(locally linear embedding, LLE)对一阶微分后的光谱数据降维,比较两种降维方法的预测效果,得出了LLE降维要优于PCA降维,其训练集和预测集的相关系数与均方根误差分别为92.2%,7.21和91.1%,8.80,训练集交叉验证的均方根误差相比减少了0.79。实验结果表明,利用局部线性嵌入结合支持向量回归进行非线性建模,能够提高鸡蛋新鲜度的预测能力,表明该方法对鸡蛋新鲜度的可见/近红外光谱检测可行。     

银纳米立方三维SERS基底制备及用于多种溶剂中农药的快速检测

使用种子生长法制备得到银纳米立方,扫描电镜的表征结果表明制备得到的银纳米立方尺寸为(61.5±4.4) nm,相对标准偏差为7.2%。利用表面替换技术将其表面的CTAC替换为更有利于SERS检测的柠檬酸根。然后基于具有超润滑特性的SLIPS衬底,构建出以银立方作为组装单元的具有三维热点的SERS基底。利用该三维SERS基底分别检测了水中的三环唑和乙醇中的福美双,检测限分别可达到52.8和41.6 nmol·L-1。实验结果表明银立方三维热点SERS基底具有较高的灵敏度,能够应用于多种溶剂中农药的快速检测,对于实际场景下农药残留的快速检测具有重要的意义。     

基于表面增强拉曼光谱的左氧氟沙星检测研究

目前用于检测药物分子的光谱方法主要有荧光光谱法、紫外光谱、红外光谱法等。使用拉曼光谱法检测药物分子的相关信息比较少,表面增强拉曼光谱(SERS)技术具有无损检测、快速灵敏和不受溶剂水的影响等优点。本文开展了基于锌掺杂TiO_2纳米粒子(Zn-TiO_2NPs)作为SERS活性基底的左氧氟沙星(LVFX)药物分子的检测研究。研究结果表明,使用SERS技术对左氧氟沙星进行定性定量分析其检测限可以达到1×10-7 mol·L-1,其定量范围为1×10-31×10-7 mol·L-1。     

多源光谱特征组合的COD光学检测方法研究

水样的化学需氧量大小直接决定水质的污染程度,传统的检测方法都是源于氧化还原反应,对水样会造成二次污染。为此,提出一种基于多源光谱特征组合的水质化学需氧量光学检测方法,以不同地点实际水样为被测对象,分别采集其紫外和近红外光谱曲线,进行预处理后,通过非负矩阵分解算法进行光谱数据的特征提取、数据特征归一化,然后将组合特征输入训练集样本,通过粒子群最小二乘支持向量机算法对验证集水样的化学需氧量进行定量预测。讨论了非负矩阵分解算法中基光谱数目对预测模型的影响。实验结果显示,紫外光谱的最佳基光谱数目为5,近红外光谱的最佳基光谱数目为2;预测模型的验证集平方相关系数为0.999 8,预测均方根误差为3.26 mg·L-1;分别与不同特征提取方法(主成分分析, 独立成分分析)、不同光谱法(紫外光谱法, 近红外光谱法)以及不同的组合方式(数据直接组合, 先组合数据再提取特征)加以比较,表明非负矩阵分解算法更适合光谱数据的特征提取,粒子群最小二乘支持向量机算法作为实际水样的定量模型校正方法可以得到良好的预测精度。     

农药残留检测中表面增强拉曼光谱的研究进展

农药直接污染环境和食物,最终被人体吸收。其残留物具有高毒性,对人体健康造成严重影响。色谱法、气液色谱串联质谱法等在农药残留检测中应用较为广泛,但存在预处理步骤复杂、费时耗力等缺点。表面增强拉曼光谱（SERS）技术因具备灵敏度高、特异性好、提供全面指纹信息且对样品无损等优点被视为一种新型农残检测方法,可通过简单提取实现液体或固体样品中痕量农药残留的高效检测。在这篇综述中,主要从SERS的增强基底制备、检测方法以及光谱智能解析三个方面对农药残留SERS检测技术及方法的研究进展进行综述,以期为农药残留检测方法提供新的参考。首先,针对SERS增强基底制备,单一的贵金属溶胶纳米颗粒因其“热点”随机、不可控等因素导致稳定性和灵敏性较差,已不能满足痕量农药残留检测。为提高SERS基底的吸附能力使待测物在其表面富集且信号不发生显著变化,对单一贵金属溶胶纳米颗粒进行组装,或加入化学物质、惰性材料等进行修饰制备均一性高的SERS复合基底,保证SERS信号有良好的重现性和灵敏性。其次,为了实现特异性和高灵敏检测,SERS检测方法不再只以单纯的金、银纳米颗粒作为增强基底,而是逐渐趋向于优化样本前处理技术、化学修饰法制备特异性SERS探针、基底物理结构突破以及动态SERS（D-SERS）检测等方向发展。在获得物质的拉曼光谱后,有效拉曼特征区通常在较短的波数范围内,而光谱数据高达上千维,冗余较多,导致后续分析复杂度增加。SERS光谱智能分析则采用化学计量学方法对原始光谱进行预处理、特征提取和模型构建,实现数据降维和主要信息提取,进而实现农残的定性与定量。综上,SERS作为一种快速检测农药残留的方法具有很好的发展前景,可为今后的分析检测领域提供新的借鉴。     

基于CARS-CNN的高光谱柑橘叶片含水率可视化研究

柑橘叶片水分亏缺是影响柑橘生长发育的重要因素之一,为研究水分胁迫对柑橘含水率的影响,利用高光谱快速无损检测柑橘叶片含水率,并应用伪彩色处理实现含水率可视化。收集100片柑橘叶片,使用烘干法得到鲜叶和烘干叶片一共500个不同梯度含水率的数据样本,将样本按7∶3的比例划分为训练集（350个样本）和测试集（150个样本）,使用决定系数(R2)和均方根误差(RMSE)来评估模型预测的好坏。采用卷积神经网络（CNN）对高光谱数据进行预测,CNN模型使用一维卷积核,一共三层卷积池化层,使用RELU激活函数激活,输出层采用linear激活函数回归预测,使用nadam算法对模型进行优化更新,迭代次数为1 000次;将原始光谱数据和SG,MSC和SNV三种预处理后的光谱数据,与全波段、CARS筛选的特征波段、PCA提取的特征波段组合,导入CNN模型,确定最佳模型为原始光谱数据的CARS-CNN,训练集的R2_c和RMSEC分别为0.967 9和0.016 3,测试集的R2_v和RMSEV分别为0.947 0和0.021 4;原始光谱数据的全波段CNN模型效果其次,训练集的R2_c和RMSEC分别为0.934 3和0.024 9,测试集的R2_v和RMSEV分别为0.915 9和0.028 6。对比了不同预处理方式和特征波长选择的支持向量机回归模型(SVR)、偏最小二乘法回归模型（PLSR）、随机森林模型(RF)组合的最佳结果,将最佳组合模型（原始光谱数据+CARS+PLSR,SNV+PCA+RF,SNV+PCA+SVR）与原始光谱数据的CARS-CNN对比,结果表明,依然是原始光谱数据的CARS-CNN模型预测效果最佳。相较于其他的模型,CARS-CNN模型经过CARS筛选特征波段和卷积核进一步提取特征后,预测精度远高于SVR,PLSR和RF模型。选择训练好的CARS-CNN模型,将高光谱图片导入到模型中,计算每个像素点的含水率,得到伪彩色图像,能够可视化叶片的含水率分布情况。研究结果为柑橘叶片水分含量提供了更快速、更直观、更全面的评估,为研究柑橘叶片水分胁迫提供了依据,为智能灌溉决策的优化提供了参考。     

近红外光谱分析技术在辛硫磷农药残留检测中的应用

采用近红外光谱分析法直接用于痕量农药辛硫磷的定量检测。通过引入一种样品预处理方法,将待测样品与硅胶混合,硅胶作为吸附剂,用来富集待测农药化合物,然后直接采集其漫反射光谱。用偏最小二乘(PLS)回归方法建立模型、留一交互验证法来对模型进行评价。通过两批次实验,浓度梯度为0.5 mg·L-1的21个样品的交互验证相关系数为0.958,RMSECV为 0.872 mg·L-1;浓度梯度为0.25 mg·L-1的41个样品的交互验证相关系数为0.924,RMSECV为1.15 mg·L-1。随着浓度梯度的降低,模型的预测能力有所下降,但模型的相关系数仍然较高。结果表明利用硅胶作为待测样品吸附剂的预处理方法,可以有效降低近红外光谱分析技术的检测限,在农药残留等低含量样品检测中有实际应用价值。     

土壤碳酸钙中红外光声光谱特征及其应用

测定并分析了碳酸钙(CaCO3)的中红外光声光谱及光谱特征,利用中红外光声光谱并结合主成分回归(PCR)、偏最小二乘回归(PLSR)和人工神经网络(GRNN)三种分析方法建立回归模型,分析了土壤CaCO3的含量。结果表明CaCO3具有丰富的中红外吸收,最强吸收峰波数在1 450cm-1,且干扰少,可以作为土壤CaCO3的特征吸收峰;三种回归建模方法所建模型线性都很好,PLSR和GRNN最好,相关系数(R2)均大于0.9,PCR次之,为0.847;验证样本预测能力PLSR和PCR最佳,R2大于0.9;GRNN次之,为0.882。偏最小二乘回归在校正和预测过程中的结果都非常好,RPD值均大于3.0,具有较强的适用性。     

养殖水体中孔雀石绿的SERS光谱识别

表面增强拉曼光谱(SERS)是一种重要的高灵敏度分析技术。 基于SERS的技术特点,建立了真实体系下孔雀石绿定性检测方法。 提出了一种光谱自动识别算法,有机整合了稳健的傅里叶变换基线校正,基于主成分分析的特征提取与人工神经网络分类器。 该方法结合基线的低频特征,通过迭代傅里叶变换实现基线校正;通过样本空间中类间与类内的欧氏距离判别自动获取拉曼光谱信号主成分的最优组合,实现光谱数据的降维与特征提取;最后构建三层反向传播神经网络分类器进行样本分类。 实验结果表明,基线去除可排除基线变化对检测结果的影响;光谱主成分的优化组合可减小基线校正残余及复杂体系中被测物以外的物质拉曼峰对检测结果的干扰,同时实现了分类器最小化。 该方法用于养殖用海水中孔雀石绿的现场检测,最低检出浓度0.1 μg·L-1。 该方法具有可拓展性,可以直接应用于其他溶胶/凝胶体系中SERS光谱的定性分析。     

顾及粗糙度的土壤有机碳成像高光谱估测模型

可见近红外非成像光谱分析技术已被广泛用于土壤有机碳（SOC）含量估测,然而该技术的使用受土壤粗糙度的影响,对样本的前处理要求较高,导致模型的实用性受限。针对这一问题,以美国爱荷华州农田土壤为研究对象,使用成像及非成像光谱仪获取土壤样本研磨前后的可见近红外反射光谱,采用去包络线（CR）、吸光度变换（AB）、S-G平滑（SG）、标准正态变换（SNV）、多元散射校正（MSC）5种光谱预处理手段,利用偏最小二乘回归（PLSR）和支持向量回归（SVR）算法构建并对比土壤SOC光谱估算模型,探究利用成像光谱数据估测高粗糙度样本SOC含量的可行性。实验结果表明,使用成像光谱数据能够实现高粗糙度样本的SOC含量估算,而使用非成像光谱数据则无法估算高粗糙度样本的SOC含量;基于成像光谱数据建立的高粗糙度SOC最优PLSR估算模型R2能够达到0.739以及最优SVR估算模型R2为0.712,而基于非成像光谱数据建立的高粗糙度SOC最优PLSR和SVR估算模型R2仅仅分别为0.344和0.311。基于AB,SG,SNV和MSC这4种预处理手段之后的成像光谱数据建立的土壤样本研磨前的PLSR模型性能优于样本研磨之后建立的PLSR模型,而SVR模型性能正好相反。而对于非成像光谱数据来说,土壤样本研磨后建立PLSR和SVR模型精度总是强于样本研磨前建立的模型精度。对于这两种光谱数据和两个估算模型而言,不同的光谱预处理方法提高模型估算精度的能力不同。土壤样本研磨前后,基于成像光谱数据建立的PLSR和SVR模型性能均优于非成像光谱数据所构建的模型。成像光谱技术能够增强高粗糙度土壤样本可见近红外光谱与SOC的相关性,从而提高模型估算精度;能够克服土壤粗糙度的影响;为野外大尺度估测SOC含量提供了新的手段。     

近红外光谱的河蟹新鲜度快速检测研究

河蟹的新鲜度是大多数消费者在购买时所考虑的最重要的因素,挥发性盐基氮(TVB-N)是当前国际通用的评价肉类新鲜度的指标,但其检测工序繁琐、耗费时间长,无法满足当前市场对河蟹新鲜度评价的迫切需求。因此,建立一种快速检测河蟹新鲜度的方法是当前急需解决的一大难题。将购于水产市场的河蟹,采用聚乙烯充氧袋快速运至实验室,样本数共126只。在洁净的工作台上处理后,将螃蟹分为42个实验样品,每个样品3只鲜活螃蟹;42个实验样品放在低温4℃的恒温生化培养箱中贮藏,每天从培养箱中按时取出6个螃蟹样品进行光谱数据采集及新鲜度指标TVB-N的测定,历时7 d。采用近红外光谱(NIRS)对贮藏在不同时间下的河蟹新鲜度进行评价,使用挥发性盐基氮(TVB-N)作为评价河蟹新鲜度的指标,首先通过比较经五折交叉验证(5-fold CrossValidation)算法、 kennard-stone(KS)算法、光谱-理化值共生距离(SPXY)算法三种样本划分方法处理后所建模型的预测效果确定最优样本划分方法,最终采用五折交叉验证(5-fold CrossValidation)算法对样本进行划分。其中的32个样品被划分为训练集进行模型构建,其余的10个样品被划分为测试集用于模型检验。然后在经过五折交叉验证法对样本进行划分的基础上,分别采用小波变换(WT)、 Savitzky-Golay平滑、一阶导数法(Db1)、二阶导数法(Db2)这4种单一算法以及小波变换(WT)与Savitzky-Golay平滑相结合的算法进行预处理,通过比较预处理后所建模型的预测效果,确定了小波变换(WT)预处理为最优光谱预处理方法,从而消除了光谱中的无用信息并提高了信噪比。再次,在WT预处理的基础上,分别采用主成分分析(PCA)法和连续投影(SPA)算法提取光谱特征波段,通过建模比较确定主成分分析(PCA)法为最优波长选择方法,以所选的16个特征波长作为模型的输入,不仅提高了模型的运行速度还可以提高模型的稳定性。最后,在经过PCA特征提取后,分别采用偏最小二乘回归(PLSR)算法和多元线性回归(MLR)算法构建TVB-N定量预测模型,通过比较两种模型的预测效果,确定了偏最小二乘回归(PLSR)模型为最优建模方法,最终确定的最优模型为基于WT-PCA-PLSR建立的模型,模型预测决定系数R^2为0.89,预测均方根误差RMSEP为3.00。综上所述,所建立的预测模型具有较高的精度,可以实现对河蟹新鲜度的快速检测,具有较好的市场应用前景。     

Different classification algorithms and serum surface enhanced Raman spectroscopy for noninvasive discrimination of gastric diseases

In this study, surface enhanced Raman spectroscopy (SERS) was used to investigate the spectral characteristics of blood serum for the purpose of diagnosing stomach diseases. SERS spectral data was collected from patients with atrophic gastritis, both pre‐operation and post‐operation gastric cancer, and from healthy individuals. Visual differences in the SERS spectra were observed between the four groups which indicate corresponding biomolecule concentration changes in blood. To further investigate the diagnostic ability of human serum, the spectral data was analyzed with three chemometric processes. These three methods extracted features and classified from the spectral data. Principal component analysis (PCA) was first performed to reduce the dimensionality of the original spectral data. Then, the classification methods support vector machine (SVM), linear discriminant analysis (LDA) and classification and regression tree (CART) were used for the evaluation of diagnostic ability. Accuracies of 96.5%, 88.8% and 87.1% were obtained for PCA‐SVM, PCA‐LDA and PCA‐CART, respectively. Copyright © 2016 John Wiley & Sons, Ltd.     

改进特征波段选取和混合集成建模的东北粳稻叶绿素含量估算

利用光谱信息快速、无损和准确的检测水稻冠层叶片叶绿素含量,对水稻的长势评估、精准施肥、科学管理都具有非常重要的现实意义。以东北粳稻为研究对象,以小区试验为基础,获取关键生长期的水稻冠层高光谱数据。首先采用标准正态变量校正法（SNV）对光谱数据进行预处理,针对处理后光谱数据,以随机蛙跳（RF）算法为基础,结合相关系数分析法（CC）和续投影算法（SPA）,提出一种融合两种初选波段的改进型随机蛙跳算法（fpb-RF）筛选叶绿素含量的特征波段,并分别与标准RF,CC 和SPA方法进行对比。以提取的特征波段作为输入,结合线性模型和非线性模型各自优势,提出一种高斯过程回归（GPR）补偿偏最小二乘（PLSR）的叶绿素含量混合预测模型（GPR-P）：利用PLSR法对水稻叶绿素含量初步预测,得到叶绿素含量的线性趋势,然后利用具有较好非线性逼近能力的GPR对PLSR模型偏差进行预测,两者叠加得到最终预测值。为了验证所提方法优越性,以不同方法提取的特征波段作为输入,分别建立PLSR、最小二乘支持向量机（LSSVM）、BP神经网络预测模型。结果表明：相同预测模型条件下,改进fpb-RF算法提取特征波段作为输入可较好的降低模型复杂性、提高模型预测性能,各模型测试集的决定系数（R2_P）和训练集的决定系数（R2_C）均高于0.704 7。另外,在各算法提取特征波段进行建模时,GPR-P模型的R2_C和R2_P均高于0.755 3,其中,采用fpb-RF方法提取的特征波段作为输入建立的GPR-P模型预测精度最高,R2_C和R2_P分别为 0.781 5和0.779 6,RMSEC和RMSEP分别为0.904 1和0.928 3 mg·L-1,可为东北粳稻叶绿素含量的检测与评估提供有价值的参考和借鉴作用。