基于激光诱导击穿光谱技术的咖啡豆中咖啡因含量快速检测方法

应用激光诱导击穿光谱(LIBS)技术研究了快速检测咖啡豆中咖啡因含量的可行性。将咖啡豆磨粉压成片状作为采集LIBS光谱数据的样本,应用原子吸收分光光度计测量每个样本中咖啡因的含量。应用基线校正,小波变换和归一化等数据预处理方法;针对基于全部变量的偏最小二乘(PLS)模型会出现过拟合,分别应用回归系数和主成分分析(PCA)选择特征变量,并建立了基于特征变量的PLS和BP神经网络模型。结果表明：基于回归系数所选特征变量的PLS模型中,建模集相关系数R_c=0.96,预测集R_p=0.91;基于PCA提取特征变量的PLS模型中,R_c=0.94,R_p=0.90;基于PCA所选特征变量的BP神经网络模型中,R_c=0.96,R_p=0.96。两种方法所提取特征变量均对应C,H,O,N,Na,Mn,Mg,Ca和Fe,且基于上述两种方法所选特征变量的PLS模型均对预测集样本有较好的预测结果,说明上述元素与咖啡因含量存在联系,应用回归系数和PCA选择的特征变量是有效的,但是咖啡豆内C,H,O,N,Na,Mn,Mg,Ca,Fe与咖啡因含量的确切关系需要进一步研究。基于PCA所选特征变量的BP神经网络模型有更优的预测结果,说明所选特征变量适用于不同的建模方法。研究表明LIBS技术结合化学计量学方法可以实现咖啡豆中咖啡因含量的快速检测。     

基于多尺度SNV-CWT特征的黑土有机质、水分、总铁及pH值估测

田间土壤属性复杂且随时间变化,快速精准地获得多种土壤理化指标数据对指导精细农业操作具有重要意义。为避免土壤水分带来的干扰,基于光谱技术的土壤成分含量预测需在土壤样本干燥的情况下进行光谱测量,然而土壤水分同样是指导农业生产的重要指标。为同时预测黑土区土壤有机质（SOM）、水分（SMC）、总铁（Fe）和pH值,提出测量湿土土壤样本的可见-近红外光谱,并采用标准正态变量变换（SNV）-连续小波变换（CWT）法分解光谱反射率,逐样本进行SNV后,以Mexh为小波基函数进行10个尺度（21,22,…,210）的分解,并与常用光谱处理方法进行对比,包括高斯滤波（GS）、一阶导数（FD）、连续统去除（CR）,数学变换等7种方法。将74个样本数据划分为两组,其中50个作为建模集,24个作为验证集。经SNV-CWT变换后,每个尺度的小波系数与每个目标变量间置信度小于0.05的波段作为随机森林（RF）预测模型的输入变量,以各尺度验证模型精度为标准确定每个预测目标的最佳分解尺度;通过计算最佳尺度小波系数与土壤成分间的皮尔森相关系数（PCC）,基于模型的相关系数（MBC）和灰色关联度（GRD）,判断各属性的特征波段,且分别以三种相关系数作为指标,以过滤式筛选法建立不同属性的RF估测模型。结果表明：与7种常用的处理方法相比,SNV-CWT分解后四种土壤成分的预测精度均有提高,SOM,SMC,Fe和pH对应的最佳分解尺度分别为7,8,1和10。在以多维特征作为输入变量的情况下,SOM与SMC的验证模型决定系数（R2）即可达到0.90和0.93。三种分析方法中以MBC计算的相关系数为波段筛选指标建立的模型精度最佳,其中SOM与SMC的R2均为0.94,且Fe（R2=0.67,Mse=0.01%,RPD=1.76）与pH（R2=0.80,Mse=0.1,RPD=2.24）的模型精度具有大幅度提高,可应用于多种土壤理化指标数据的提取与监测。     

一种针对作物生育期光谱迁移的修正植被指数

针对基于固定特征波长的植被指数不能适用于多个生育期叶绿素含量的诊断这一问题,研究优化提出一种基于双波长计算光谱覆盖面积的叶绿素诊断植被指数,用于稳健地诊断多生育期的营养。以拔节期、孕穗期和扬花期的冬小麦为研究对象,采集其325～1 075 nm范围的冠层反射光谱,测定采样样本的叶绿素含量。采用小波去噪和多元散射校正算法对光谱数据进行预处理。通过相关性分析,确定生育期特征波长的迁移范围,进而提出了基于光谱覆盖面积的冬小麦叶绿素含量光谱诊断参数(modified normalized area over reflectance curve, MNAOC）。以信噪比（SNR）和平滑度指标（S）进行综合评价,小波去噪函数的最佳参数为(“sqtwolog”,“mln”,“3”,“db5”)。相关性分析结果表明,生育期特征波段的迁移范围为（700 nm,723 nm）。在分析MNAOC指数对叶绿素含量诊断分辨率的基础上,以0.5 mg·L-1的分辨率建立一元线性回归模型的结果为：拔节期R2_c=0.840 1,R2_v=0.823 7;孕穗期R2_c=0.865 5,R2_v=0.817 4;扬花期R2_c=0.833 8,R2_v=0.807 6。与ratio vegetation index（RVI）等5种双波长植被指数对比表明,由于700和723 nm计算的光谱面积包含了由于生育期导致的光谱动态迁移特征,使得MNAOC指数在模型精度上和多个生育期的普适性上,都优于其他双波长代数运算植被指数,为大田环境冬小麦生育期叶绿素含量诊断提供支持。     

优化光谱指数建立水稻叶片SPAD的高光谱反演模型

利用高光谱反射率光谱的特征波段构建光谱指数,建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量（SPAD）的高光谱反演模型,分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据,利用小波分析法对原始光谱反射率曲线进行降噪处理,并对基于积分运算的光谱指数NAOC进行简化,获得了基于双波段简化运算的优化光谱指数。利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、1/R和R构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数,获得了以积分限（a,b）为横、纵坐标的相关系数二维矩阵,并绘制相关性等势图,得到相关系数最高的3个波段组合：R（641,790）（0.872 6）,R（653,767）（0.871 7）和R（644,774）（0.871 6）,计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值,按照2∶1的比例划分为建模集和验证集,建立了三种水稻叶片SPAD反演模型：偏最小二乘回归（PLSR）、支持向量机（SVM）和BP神经网络模型。结果显示：利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79,归一化均方根误差NRMSE则小于5.4%。其中BP神经网络相对于其他两种模型具有较高的拟合度,预测精度也相对较高,建模集R2=0.842 6,NRMSE=5.152 7%;验证集R2=0.857,NRMSE=4.829 9%。总体来看,基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的;对比分析3种模型反演结果发现,BP神经网络对水稻叶片SPAD的反演效果较好。该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。     

小波变换和连续投影算法在火龙果总酸无损检测中的应用

应用可见/近红外光谱技术、小波变换(WT)和连续投影算法(SPA),对火龙果总酸含量(TA)进行精确、快速的无损检测,为火龙果内部品质无损检测提供科学依据。利用Maya2000光纤光谱仪采集380～1 099 nm范围的火龙果漫反射光谱数据,通过WT消噪、SPA优选波长和偏最小二乘回归(PLSR)分析方法,建立了火龙果总酸的定量预测模型。试验结果表明：经过WT消噪联合SPA优选波长压缩光谱变量后建立的WT-SPA-PLSR模型,预测精度都高于全谱PLSR模型。由全部样本的原始光谱变量作为输入变量建立PLSR模型的预测相关系数(R_p)为0.851 394, 预测均方根误差(RMSEP)为0.086 848;全部样本的原始光谱数据使用dbN(N=2,3,…,10)小波进行分解消噪,其中消噪效果最优的是db4小波2层分解(db4-2),WT-PLSR模型的R_p为0.915 635,RMSEP为0.066 752,小波变换消噪后的光谱预测模型精度明显提高;原始光谱经过db10-3小波消噪联合SPA算法,从570个光谱变量中优选出530,545,604,626,648,676,685,695,730,897,972,1 016 nm共12个变量作为输入变量,建立WT-SPA-PLSR预测模型,模型的R_P为0.882 83, RMSEP为0.077 39。SPA算法适合火龙果TA模型的光谱变量选择,能够有效提取与总酸相关度高的波长变量,增加了预测模型的精度和稳定性。研究结果表明小波变换技术联合连续投影算法的漫反射近红外光谱无损检测火龙果总酸含量具有可行性。     

基于特征波段的高光谱技术检测水体中毒死蜱浓度的实验研究

为了探究反射光谱检测水体中毒死蜱农药的可行性,使用由ASD公司的FieldSpecPro地物波谱仪构成的高光谱采集系统在室内、室外环境获取两种不同浓度区间的毒死蜱样品的光谱数据。基于偏最小二乘(PLS)和主成分分析(PCA)算法分别对毒死蜱样品光谱数据建立全波段定量模型,结果两种模型的预测能力均较高。通过相关性分析(CA)计算相关系数来选择毒死蜱样品光谱的特征波长,其中浓度区间为5~75 mg·L-1的室内、室外实验光谱的特征波长为388,1 080,1 276 nm和356,1 322,1 693 nm,浓度区间为0.1~100 mg·L-1的室内外实验样品光谱的特征波长为367,1 070,1 276,1 708 nm和383,1 081,1 250,1 663 nm。结合PLS算法建立样品特征波长光谱数据的定量模型,结果与全波段模型相比,浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波长模型的校正集决定系数R2_C分别提高至0.987 5和0.999 2,预测集决定系数R2_P分别提高至0.989 4和0.994 4,校正集均方根误差RMSEC分别降低为2.841和0.714,预测集均方根误差RMSEP分别降低为1.715和1.244;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波长PLS模型的校正集决定系数R2_C分别提高至0.998 3和0.998 8,预测集决定系数R2_P分别提高至0.998 4和0.999 0,校正集均方根误差RMSEC分别降低为1.383和1.186,预测集均方根误差RMSEP分别降低为1.510和1.229,验证集标准差与预测均方根误差的比值(RPD)有所增加,尤其是针对浓度区间为0.1~100 mg·L-1的实验,RPD值显著增加至21.7,说明基于特征波长建立的毒死蜱样品定量模型具有较高精度的预测能力,但是通过不同浓度区间范围的对比实验发现,ASD地物光谱仪对低浓度的毒死蜱溶液预测的相对误差偏大,存在客观上的检测下限。为了保证不同试验条件下的毒死蜱农药的特征波长都得到分析,增强模型使用的普适性与鲁棒性,根据特征波长选择出4个波段,即351~393,1 065~1 086,1 245~1 281和1 658~1 713 nm作为特征波段。特征波段模型的波长变量个数共38个,相比于全波段模型的432个波长变量,模型变量精简了91.2%,其中浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波段模型的R2_C分别为0.993 7和0.987 8,R2_P分别为0.979 8和0.998 2,RMSEC分别为1.690和2.516,RMSEP分别为1.987和0.659;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波段PLS模型的R2_C分别为0.9882和0.9807,R2_P分别为0.9391和0.9936,RMSEC分别为3.345和3.942,RMSEP分别为8.996和2.663,且四种实验情况下的模型RPD值均大于2.5,满足定量分析条件。因此采用高光谱采集系统对室内和室外环境中毒死蜱农药的快速检测具有一定的可行性,此研究结果对有机磷农药等面源污染物快速检测有实际的应用价值,可为农田水体有机磷农药快速检测仪器的开发提供理论基础。     

近红外光谱Elastic Net建模方法与应用

当近红外光谱信息远大于样本量时，对光谱信息进行自动变量选择进而建立光谱与样品含量的稀疏线性模型重要且具有挑战性。利用近红外光谱，将变量选择方法Elastic Net用于聚苯醚生产过程中微量成分邻甲酚的测量，建立近红外光谱与邻甲酚含量之间的定量校正模型，并将其模型预测效果与Lasso方法进行对比。在变量数目远远大于样本量的情形下，Lasso方法虽可实现变量选择，但由于对系数的过度压缩，使得模型的预测精度受到影响，而Elastic Net通过增加L2惩罚项避免了过多删失数据，可以提高模型预测精度。为了验证Elastic Net方法的模型性能指标，用复相关系数R2和调整的复相关系数R2_a来评价模型的可解释性，利用平均相对预测误差MRPE(mean relative prediction error)和预测相关系数Rp来评价模型的预测精度。Lasso方法建立的模型性能指标为：R2=0.94，R2_a=0.93，MRPE=4.51％，R_p=0.96；Elastic Net方法的性能指标为：R2=0.97，R2_a=1，MRPE=3.25％，R_p=0.98。结果表明，Elastic Net所建立模型的性能指标优于Lasso方法，可以得到可解释性较强和预测精度较高的稀疏线性模型。     

连续小波变换的土壤有机质含量高光谱估测

土壤有机质含量的高光谱估测可快速、准确监测土壤肥力,对现代化农业生产进行精准施肥提供科学依据。以新疆渭干河-库车河三角洲绿洲耕层土壤为研究对象,对采集的98个土壤样品的原始光谱反射率R分别进行传统倒数对数lg(1/R)、一阶微分R′和倒数对数一阶微分[lg(1/R)]′数学变换,以及基于小波母函数Bior1.3不同尺度分解的连续小波变换（CWT）,并与实测土壤有机质含量进行相关分析,从而筛选出各类变换下与土壤有机质含量密切相关的特征波段和小波系数（p<0.01）。分别以原始光谱反射率（R）以及不同变换处理下的特征波段反射率和敏感小波系数作为自变量,土壤有机质含量作为因变量,采用偏最小二乘回归和支持向量机回归方法构建土壤有机质含量的估测模型。结果表明：（1）各类光谱变换方法有效提升光谱与土壤有机质含量之间的敏感性,其中经CWT变换后的土壤光谱反射率与有机质含量的相关性得到显著提高,相关系数由0.39提高到0.54（p<0.01）。（2）传统的[lg(1/R)]′变换构建的支持向量机回归模型,其决定系数（R2）高于lg(1/R)和R′变换构建的模型,说明倒数对数一阶微分变换可有助于提高估测模型的精度,且支持向量机回归模型的精度和稳定性高于偏最小二乘回归模型。（3）经过CWT分解后,以原始光谱反射率在不同尺度上的敏感小波系数作为自变量建立的模型,估测精度和稳定性均有明显的提高,构建的R-CWT-23-SVMR模型的决定系数（R2）为0.84,均方根误差（RMSE）为1.48,相对分析误差（RPD）等于2.11,模型精度达到最高并拥有极好的预测能力。高光谱数据经多种变换处理后可有效去除白噪声,而连续小波变换处理比传统的数学变换方法更适合于挖掘土壤有效信息,实现光谱信号的近似特征和细节特征的有效分离,建立的反演模型可更加精准估测土壤有机质含量。     

变量优选补正算法的鲜枣可溶性固形物检测模型传递方法研究

在水果的品质检测和分级分选中,存在不同仪器所建检测模型难以共享的难题。为此,以壶瓶枣为研究对象,利用可见/近红外光谱技术探讨仪器间可溶性固形物含量（SSC）检测模型的传递方法。首先,采用美国ASD（Analytical Spectral Device）公司生产的两台仪器采集样本的光谱信息,采用最小二乘支持向量机（LS-SVM）建立原始光谱、Savitzky-Golay一阶导数处理、标准正态变量变换后的SSC检测模型,预测不同仪器采集的光谱时3种方法的预测能力均较差。预测同一台仪器的光谱时,基于原始光谱的主仪器所建模型最优,预测集的决定系数（R2_p）和均方根误差（RMSEP）分别为0.73和1.36%。在此基础上,采用Kennard/Stone算法选取标样,利用专利算法（Shenk’s）、直接标准化（DS）、斜率/偏差算法（S/B）进行模型传递。然后,根据回归系数提取主仪器（24个）和从仪器（28个）的特征波长,优选出单一变量（SV）24个、共性变量（CV）23个、融合变量（FV）29个,均涵盖了SSC的主要吸收谱带。利用优选的变量分别建立主仪器的LS-SVM检测模型,采用主仪器的预测结果（R2_p=0.78~0.80,RMSEP=1.07%~1.13%）明显好于全波段所建模型,但预测从仪器时RMSEP为6.62%~7.88%,模型失效。最后,基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正（CV-MC）、单一变量优选结合差值补正、融合变量优选结合差值补正、共性变量优选结合波长补正算法（CV-WC）进行模型传递,并与SV-Shenk’s,CV-Shenk’s,FV-Shenk’s,SV-DS,CV-DS,FV-DS,SV-S/B,CV-S/B和FV-S/B进行对比分析。结果表明,基于全波段进行模型传递时,预测结果均较差（R2_p=0.03~0.34,RMSEP=2.44%~4.67%）;基于优选变量所建模型经SV-Shenk’s,CV-Shenk’s,FV-Shenk’s传递后的结果较差,经其他算法传递后的结果（R2_p=0.47~0.73,RMSEP=1.30%~1.90%）好于全波段;基于共性变量传递后的结果好于单一变量和融合变量,CV-MC结果最佳（R2_p=0.73,RMSEP=1.30%）,CV-WC传递后的预测结果（RMSEP=1.62%）与CV-DS和CV-S/B相近。研究表明,CV-MC和CV-WC均是一种有效模型传递算法,对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。     

基于荧光多光谱融合的水质化学需氧量的检测

为了对水中的有机污染物进行绿色、快速、准确的检测,提出了一种基于荧光多光谱融合的水质化学需氧量(Chemical Oxygen Demand, COD)的检测方法。实验样本为包含近岸海水和地表水在内的实际水样53份,采用标准化学方法获取样本的化学需氧量的理化值,利用荧光分光光度计采集样本的三维荧光光谱并对光谱数据进行处理和建模。在200～300 nm(间隔5 nm)的激发波长范围内将三维光谱展开成二维的发射光谱(发射波长范围250～500 nm,间隔2 nm)。采用ACO-iPLS(蚁群-区间偏最小二乘)算法提取发射光谱特征,PSO-LSSVM(粒子群优化的最小二乘支持向量机)算法建立预测模型,分别建立了单激发波长下的荧光发射光谱数据预测模型、多激发波长下发射光谱的数据级融合(LLDF)预测模型以及多激发波长下发射光谱的特征级融合(MLDF)预测模型,通过对预测效果的对比,得出结论。实验结果表明,对于不同激发波长下荧光发射光谱数据而言,265 nm激发光作用下的发射谱数据的预测模型最优,其检验集决定系数R2_P和外部检验均方根误差RMSEP分别为0.990 1和1.198 6 mg·L-1;对于荧光多光谱数据级融合模型(简写为：LLDF-PSO-LSSVM)而言,在235,265和290 nm激发光作用下的发射光谱的LLDF模型效果最优,其检验集的R2_ｐ和RMSEP分别为0.992 2和1.055 1 mg·L-1;对于荧光多光谱特征级融合模型(MLDF-PSO-LSSVM)而言,在265,290和305 nm激发光作用下的荧光发射光谱的MLDF模型效果最优,其R2_p=0.998 2,RMSEP=0.534 2 mg·L-1。综合比较各类建模结果可知,MLDF-PSO-LSSVM的模型效果最优,说明基于荧光发射光谱数据,采用多光谱特征级融合模型检测水质COD时,检测的精度更高,预测效果更好。     

高光谱成像的土壤剖面水分含量反演及制图

传统土壤水分的获取方法仅可获得离散的土壤水分点位数据,难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱（882～1 709 nm）成像反演剖面土壤水分含量（SMC）,并实现精细制图的可行性。研究剖面位于江苏省东台市,我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测,共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值（DN）校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后,提取各采样点的平均光谱反射率。提取光谱（Raw）经吸光度[LOG₁₀(1/R)],Savitzky-Golay平滑（SG）、一阶微分（FD）、二阶微分（SD）、多元散射校正（MSC）和标准正态变量（SNV）转换后,采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）方法建立SMC预测模型,并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明,光谱反射率随SMC增加逐渐降低,不同光谱预处理方法的预测精度有所差异,除MSC方法外,同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型,并且基于LOG₁₀(1/R)光谱的LS-SVM模型对SMC预测精度最高,其建模集的决定系数（R2_c）和均方根误差（RMSE_c）分别为0.96和0.65%,预测集的决定系数（R2_p）、均方根误差（RMSE_p）和相对分析误差（RPD_p）分别为0.88,1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图,通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高（R2: 0.85～0.95, RMSE: 0.94%～1.02%）,且两者在剖面中的变化趋势基本一致,说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息,也可反映出同一位置处不同天数间的含量差异。因此,利用近红外高光谱成像结合优化的预测模型,能够实现土壤剖面SMC的定量预测及精细制图,有助于快速、有效监测田间剖面土壤水分状况。     

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。     

可见光-近红外、中红外光谱的土壤有机质组分反演

土壤有机质是土壤肥力的物质基础,其含量的高低是评价土壤肥力的重要标志。土壤有机质组分根据其溶解性可分为胡敏素(HM)、胡敏酸(HA)、富里酸(FA),不同组分的肥力特性差异显著,因此,土壤有机质组分数据可更加全面、客观的反映土壤肥力状况。传统土壤土壤有机质及组分的测定工序繁杂,效率低下且时效性差,大量研究表明高光谱技术能有效提高土壤属性的检测效率并降低测试成本,但关于可见光-近红外、中红外光谱检测土壤有机质组分的报道鲜见。为了探索中红外光谱及可见光-近红外-中红外组合光谱对土壤有机质组分检测的可行性,并对比有机质单一光谱模型与有机质不同组分的组合光谱模型的预测精度,以南疆地区农田土壤为例,在阿克苏及和田地区共采集93个土样,进行有机质、胡敏素、胡敏酸、富里酸含量及光谱数据的测定。其次,利用可见-近红外(VNIR)、中红外(MIR)及其组合光谱(VNIR-MIR)三种光谱数据集,采用偏最小二乘(PLSR)、支持向量机(SVM)、随机森林(RF)三种建模方式对土壤有机质、胡敏素、胡敏酸、富里酸含量进行组合模型分析预测。结果表明：(1)土壤有机质及各组分均与光谱反射率有较好的相关性,土壤有机质及组分在MIR谱段的特征波段数量明显多于VNIR谱段。(2)有机质最优预测模型的模式为VNIR-MIR-RF,该模型的决定系数R2为0.90;胡敏素与胡敏酸最优预测模型的模式均为VNIR-RF模型,R2均为0.92;富里酸最优预测模型的模式为MIR-RF模型,R2为0.94。(3) 基于胡敏素、胡敏酸和富里酸的有机质组合光谱模型的预测精度明显高于有机质单一光谱模型,两种模型的R2分别为0.93和0.90。实现了土壤有机质组分的高效快速反演,且基于有机质组分的组合模型提高了土壤有机质预测精度,为南疆地区大尺度土壤肥力的鉴定与精准施肥提供重要的参考价值。     

激光诱导击穿光谱鉴别硫熏浙贝母

探究了应用激光诱导击穿光谱（LIBS）结合化学计量学方法鉴别硫熏浙贝母的可行性。采集了未经硫熏、轻度硫熏和重度硫熏的浙贝母样本的LIBS光谱,使用小波变换和归一化对原始光谱进行预处理后,分别建立了基于全波段（400.41～871.65 nm）和基于特征波段（400.41～600.02 nm）的支持向量机（SVM）、极限学习机（ELM）和随机森林（RF）的鉴别模型。结果表明：基于特征波段建立的三类模型的性能均与基于全波段建立的模型保持一致或更优,说明特征波段的提取是有效的。基于特征波段建立的模型中,SVM模型性能最优,建模准确率和预测准确率分别达到了100%和95.83%。综上所述,应用LIBS技术结合特征波段提取和化学计量学方法鉴别不同程度硫熏的浙贝母是可行的,且具有快速、简便、多元素同时分析的优势,可为鉴别硫熏中药材提供依据,有助于建立中药材质量检测与分级评定系统。     

高光谱的矿区植物异常信息提取

白茎绢蒿是一种广泛分布于新疆富蕴县各个矿区的一种植物。在矿区进行矿产勘查时，由于植物等障碍信息的存在，传统的勘查方法已经难以发挥作用，急需一些新方法、新思路。遥感植物地球化学方法可以巧妙地利用植物这一天然的信息源，把植物从障碍信息转换为了有用信息。帮助人们快速、经济地获取植物屏障下的矿产有用信息。由于其具有大面积、快速、无损性等优点，受到了越来越多学者的关注，成为当下的研究热点。近些年虽然有学者综合考虑“吸收系数”和“衬度系数”这两个指标，证明了白茎绢蒿是对隐伏矿床的勘查具有较好指示性作用的植物，生在在矿床上部的植物可以较好的吸收土壤中的成矿元素，在其体内形成地球化学异常，相比于其他植物异常信息更加清晰可见。但是目前没有人研究是否可以从光谱的角度来发现白茎绢蒿体内的地球化学异常，进而为隐伏矿床的勘查提供参考。因此，本研究首次尝试从白茎绢蒿的光谱信息中寻找出与地球化学异常密切相关的特征波段或者特征值, 然后构建基于植物光谱的隐伏矿床预测模型。采取的方法是首先利用ASD FieldSpec3 型光谱仪分别对生长在矿床上部和背景区的植物进行光谱测定，然后从原始光谱、一阶导数光谱、二阶导数光谱、一阶导数的分形维数、二阶导数的分形维数五个层面对生长在这两个区域的植物光谱进行对比分析，最终优选出了10个差异显著的特征波段，分别为：R′₈₂₄，R′₈₃₄，R′_{1 533}，R′_{1 573}，R′_{1 633}，R′_{1 643}，R″_{1 284}，R″_{1 703}，一阶导数的分形维数以及二阶导数的分形维数。这些特征波段可以作为植物地区寻找隐伏矿床的植物地球化学标志。以优选出的10个特征波段作为输入参数，分别用随机森林 (RF)和偏最小二乘-支持向量机(PLS-SVM)构建了基于植物光谱数据的隐伏矿床预测模型。结果表明：(1)两种模型均可以取得较好的效果，但是相比于随机森林模型，偏最小二乘-支持向量机模型具有更好的鲁棒性，泛化能力也更强；(2)利用植物的光谱异常寻找隐伏矿床具有较大的潜力，因为相比于传统方法，更加简单、快速。课题组已经利用动力三角翼和HySpex成像高光谱传感器构建了“超低空探测平台”，可以实现对地“亚米级”的观测。但是如何有效的解决“空间尺度”和“光谱尺度”问题，如何把地面试验场建立的模型更好的应用于超低空探测平台，实现研究区大面积地、快速地植物异常信息提取将是我们下一步的研究重点。     

基于PCA-MLR和PCA-BPN的莱州湾南岸滨海平原土壤有机质高光谱预测研究

土壤有机质(SOM)含量是衡量土壤质量高低的重要指标,可以用高光谱快速测定。在以往研究中,估算模型多以特征波段与线性经验模型为基础进行构建,较少考虑波段间信息冗余和共线性,预测效果不很理想并难以进行推广。为最大化消除波段信息噪声,提高模型预测精度,选取莱州湾南岸滨海平原为研究区,系统采集了111个土壤样本和实测高光谱数据(325～1 075 nm),并测试了土壤样本的有机质含量作为因变量;通过主成分分析(PCA)将实测光谱信息降维为6个主成分,并提取水分、植被光谱特征指数(DI),以此作为自变量;最后建立多元逐步线性回归(MLR)和BP神经网络(BPN)预测模型,分析不同模型对土壤有机质预测的效果。结果表明：①经过主成分的波段信息分析判别提取出6个主成分,可以表征叶绿素残留物、盐分、腐殖酸、物化矿渣和微地貌的光谱特征。②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型,他们的R2分别为0.704和0.643。将水分和植被光谱特征指数作为自变量增加到预测模型后,MLR和BPN的预测精度分别提高了6.1%和5.2%,R2达到0.712和0.764;③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果,在土壤有机质的预测与制图中具有一定的应用潜力。