应用GA-DOSC算法消除果皮影响近红外漫反射光谱分析苹果硬度的研究

通过偏最小二乘法(PLS)分别建立去皮前后苹果硬度的近红外回归模型.采用光谱附加散射校正(MSC)、微分处理(Derivative)、直接正交信号校正(DOSC)等预处理方法和基于遗传算法(GA)的有效波段选择方法来消除果皮对模型精度的影响.结果表明,苹果果皮对近红外光谱分析模型的预测能力有很大影响,但仅通过常规的光谱预处理方法(MSC、Derivative)很难有效消除.文章提出的遗传算法结合直接正交信号校正(GA-DOSC)方法能有效消除果皮的影响,不但使所建模型的波长点和最佳主因子数分别由1480和5降到36和1;其相关系数r由0.753提高到0.805,更重要的是模型的预测相对误差RSDp从16.71%显著下降到12.89%,并接近采用苹果果肉建模的预测性能(12.36%),达到了对苹果硬度的近红外无损检测要求.     

不同土壤类型的有机质含量的可见-近红外光谱检测模型传递方法研究

利用可见-近红外光谱分析技术可以准确快速的获取土壤养分含量,但不同类型土壤间养分含量校正模型的普适性是亟待解决的关键问题。为提高有机质含量光谱校正模型在多类型土壤之间的普适性和农田在线检测有机质含量速度,利用美国M107B区66个样品建立基于可见-近红外光谱的土壤有机质含量的粒子群-最小二乘支持向量机（PSO-LSSVM）校正模型,预测M107B区的23个验证集样品的决定系数R2=0.859,相对分析误差RPD=2.660;将M107B区89个土壤样品作为校正集建模后对N116B区20个验证集样品的有机质含量预测,预测R2=0.562,预测RPD=0.952,模型的预测R2和预测RPD分别降低34.6%和64.2%,表明M107B区土壤有机质含量的可见-近红外光谱校正模型直接用于N116B区时,预测精度显著降低;将N116B区部分土壤样品加入到M107B区样品集后重新建模,并预测N116B区20个验证集样品的有机质含量,当加入的N116B区土壤样品数量达到35以上,预测R2>0.80,预测RPD>2.0;加入到校正集的N116B区土壤样品数量从0增加到50,模型预测R2从0.562增加到0.811,预测RPD从0.952增加到2.274,精度逐渐提高。结果表明,在M107B区校正模型中加入N116B区部分土壤样品建模,能够有效提高M107B区土壤校正模型对N116B区土壤有机质含量的预测精度;加入的N116B区土壤样品数量达到50以上,模型预测性能趋于稳定,预测精度达到实用要求,成功将M107B区土壤有机质含量校正模型传递给N116B区土壤;优先选择与M107B区土壤样品的有机质含量或光谱曲线差异较大的N116B区土壤样品参与建模,可有效避免模型传递时模型性能出现突变。提出的方法能够有效提高M107B区土壤的有机质校正模型对N116B区土壤的预测精度,为基于可见-近红外光谱的农田土壤有机质含量实时检测提供一种新的经济可行的模型传递方法,为提高多类型土壤的有机质含量检测模型的普适性提供一种有效的解决方案。     

近红外漫反射光谱法测定整粒小麦单株蛋白质含量

应用近红外漫反射光谱技术(波长为1 100～2 498 nm,分辨率为2 nm),以整粒小麦为材料建立适合于小麦单株分析的蛋白质含量分析系统。首先选取籽粒蛋白质含量具有梯度差异的小麦样品,然后对样品扫描得到原始光谱信息,通过散射校正及数学处理来消除原始光谱噪声,最后分别采用多元线性回归、主成分分析法和偏最小二乘法法建立回归方程。结果表明,优化各项参数后,光谱经过标准乘性散射校正和一阶导数处理后,回归分析采用修正的偏最小二乘法(MPLS)得到的定标模型效果最佳。最终得到的预测方程定标相关系数(RSQ)、交叉验证标准误差(SECV)、交叉验证相关系数(1-VR)分别为0.94,0.42,0.87。数学模型经过验证样品集检验,预测相关系数达到0.88。该模型达到了快速、无损分析单株小麦的要求,非常适合于品质育种的早代选择。     

多元散射校正预处理波段对近红外光谱定标模型的影响

利用近红外光谱对非均匀样品进行分析时,所得样品光谱中包含由光散射导致的干扰信息,通常需要借助多元散射校正算法(multiple scattering correction, MSC)对光谱进行预处理。由于不同波段光谱中所包含的散射信息、噪声水平、基线漂移程度等存在差异,利用MSC方法对光谱进行预处理时,基于不同波段的光谱数据会得到不同的校正结果,进而影响所得定标模型的可靠性。以60个全麦粉样品为研究对象,确定定标区间后,对包含定标区间的不同波段的原始光谱分别进行MSC处理,并利用固定区间内的光谱数据结合偏最小二乘回归(partial least square regression, PLSR)方法建立分析样品中蛋白质含量的定标模型,研究了MSC光谱预处理波段对定标模型的影响,并对MSC光谱预处理波段进行了优化,使定标模型的相关系数由0.96提高到0.98,交互验证均方根误差(root mean squares error of cross validation, RMSECV)由0.37%降低到0.32%。结果表明：利用MSC方法对样品光谱预处理时,光谱预处理波段会影响多元散射校正对光谱中非化学吸收信息的校正能力,确定合适的预处理波段是获得可靠分析结果的一个前提条件。     

赣南脐橙果园土壤全氮和有机质近红外漫反射光谱检测

选取赣南脐橙果园土壤作为研究对象,探讨在4 000～7 500 cm-1范围内的光谱分析土壤全氮和有机质的可行性。采集的近红外光谱采用多元散射校正、一阶微分、二阶微分、七点平滑等多种预处理对比分析,分别建立了有机质和全氮含量偏最小二乘模型。实验得出全氮预测模型在4 000～7 500 cm-1范围内采用七点平滑(SG)进行预处理模型较为理想,校正集相关系数(r_c)为0.802,校正均方根误差(RMSEC)为2.754,预测集相关系数(r_p)为0.715,预测均方根误差(RMSEP)为3.077;有机质预测模型在4 000～7 500 cm-1范围内采用标准正态变量变换(SNV)预处理模型较为理想,r_c为0.848,RMSEC为0.128,r_p为0.790,RMSEP为0.152。研究表明近红外漫反射光谱可快速用于赣南脐橙果园的土壤中全氮和有机质含量的快速检测。     

波长优选对土壤有机质含量可见光/近红外光谱模型的优化

可见光/近红外光谱模型是土壤属性预测的有效工具。波长优选在光谱建模过程中起着重要作用。文中首先利用从安徽省涡阳县采集的130个砂姜黑土土壤样本获得可见光/近红外光谱,然后利用平滑与多重散射校正联合的光谱预处理方式消除光谱中的无关变量和冗余信息以提高模型预测结果的相关性,再利用SPXY方法挑选建模集样本,分别利用连续投影算法和遗传算法进行波长优选,最后利用留一法进行交互验证建立有机质含量的主成分回归模型。研究结果显示：连续投影算法和遗传算法都可以有效地减少参与建模的波长数并提高模型的准确度,尤其是遗传算法能够更好地提高土壤有机质含量预测精度,其相关系数、预测均方根误差和相对分析误差分别达到0.9316,0.2142和2.3195。通过合适的特征波长选取,不仅计算量可以大大减少,预测精度也会有效提高。     

矿区农田土壤砷污染的可见-近红外反射光谱分析研究

利用在实验室获取的矿区农田土壤可见-近红外反射光谱与土壤As污染浓度、Fe和有机质含量数据构建了As和Fe浓度及有机质含量的PCR与PLSR预测模型;为提高模型的稳定性和预测能力,对原始光谱数据进行了预处理即,一和二阶微分(F/SD)、基线校正(B)、变量标准规一化(SNV)、多次散射校正(MSC)和连续统去除(CR)。研究表明：变量标准规一化(SNV)、多次散射校正(MSC)和连续统去除(CR)分别对As, Fe和OM的PCR模型的预测能力有明显的改善(各PCR模型的因子数、相对RMSEP和R2分别5,0.304 0,0.368 5;3,0.144 3,0.476 2和3,0.171 2,0.408 4)。预测As和Fe浓度及有机质含量的最优PCR模型使用了一些共同的波段：450, 1 000, 1 400, 1 900, 2 050, 2 200, 2 250, 2 400和2 470 nm。因此,可以通过遥感技术来检测土壤污染物浓度及其他物质含量,从而为土壤环境质量的遥感监测提供参考。     

基于可见/近红外光谱技术的林地土壤氮含量测定

提出一种利用可见/近红外光谱技术进行杉木林土壤全氮测定的方法.利用不同方法实现了土壤光谱的预处理,并以偏最小二乘回归算法(PLS)建立土壤氮含量估测模型对其进行比较分析,发现小波除噪结合多远散射校正能最有效地消除原始光谱的噪声与背景信息,此时PLS模型校正集与预测集R2分别为0.891与0.885.为优化模型,对预处理后的光谱数据采用主成分分析法(PCA)降维,以最小二乘支撑向量机回归算法(LS-SVR)建立了土壤氮含量估测模型,其校正集与预测集R2分别提高至0.921与0.917,具有比PLS算法更高的精度.结果表明:以可见/近红外光谱技术进行林地土壤氮含量快速监测是可行的,其中小波去噪结合多元散射校正系光谱预处理的优选方法,而LS-SVR则是建模的优选方法.     

多元散射校正技术用于近红外定标波长组合的优选研究

在近红外光谱定量分析技术中,多元散射校正(MSC)算法可以有效地剔除由于样品颗粒度、装填密度、湿度等物理因素所导致的散射影响,有效地提高了光谱的信噪比。相关光谱法反映了样品待测成分光谱信息和浓度信息之间的线性相关性,在定标波长优选过程中发挥了重要作用。然而采用单一波长通道一元线性回归计算得到的相关光谱极易受到散射的影响,掩盖了待测成分的特征线性信息,将多元散射校正技术用于相关光谱的信息提取和噪声压制,克服了上述的困难, 并通过人参样品的定标实验验证,得到了良好的效果和满意的定标结果。     

近红外光谱快速检测丙氨酸氨基转移酶

在探讨近红外光谱快速检测丙氨酸氨基转移酶的可行性过程中,首先对不同厚度(0.5,1,2和4mm)血液样品的近红外透射光谱进行了分析。发现全血样品0.5 mm厚时的近红外透射光谱更适合于进行光谱分析。进而采集了176个全血样品0.5 mm厚时的近红外光谱。对采集的光谱进行多元散射校正、二阶微分法光谱预处理后,采用逐步多元线性回归和偏最小二乘回归方法建立定量分析模型,预测了全血丙氨酸氨基转移酶的含量。结果表明:利用近红外光谱法测定丙氨酸氨基转移酶时,采用偏最小二乘回归方法建立的定标模型预测效果最好,定标相关系数、定标标准差和预测标准差的值分别为:0.98,2.42和7.22。     

近红外光谱技术实时测定土壤中总氮及磷含量的初步研究

及时、准确探测土壤中的氮、磷含量,有利于精准施肥决策,提高肥料利用率。研究表明近红外技术能够探测土壤的物理和养分状况。针对不同土地利用类型,在北京大兴地区采集85份土壤样品,测定土壤氮、磷养分及其近红外漫反射光谱,并利用傅里叶变换光谱技术和偏最小二乘回归法建立了土壤总氮(N)和总磷(P)的近红外光谱校正模型。所建模型的交叉检验决定系数(R2_CV)分别为0.862 6(N),0.668 5(P)。用未参与建模的10个样品对模型进行外部检验,总N、总P的预测相关系数(r)分别为0.969 8,0.830 7,预测标准误差(RMSEP)分别为0.009 5%(N),0.008 6%(P),RPD值(检验集样品化学测定值标准差/预测标准误差)分别为3.78(N),1.69(P)。结果表明,采用适当的光谱分析方法可以实现用近红外技术对土壤总N的精确探测及对土壤总P的粗略估测。     

基于无人机多光谱图像的土壤水分检测方法研究

以表层土壤为对象,探究土壤的多光谱反射率与土壤水分含量相关性,进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。选取中国农业大学通州实验站为研究区域,实地采集试验田的土壤样本100组,按照一定梯度配制土壤含水量,配成的土壤含水率为10%~50%之间,土壤含量的真实值采用土壤烘干法进行测定。多光谱相机灵巧便捷,可搭载在无人机上对土壤进行监测。将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上,选择阳光充足的采集环境,实时采集土壤样本的多光谱图像,建立土壤多光谱信息与水分含量之间的模型。利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息,以多光谱相机自带的标准白板反射率为100%,计算出土壤样本在蓝、绿、红、红边、近红外五个波段的光谱反射率。采用BP神经网络算法、支持向量机算法、偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。以80组土壤样本数据作为训练集,建立基于多光谱图像的土壤水分含量预测模型。采用莱文贝格-马夸特算法对BPNN进行改进,提高了其训练速度,当网络结构为5-10-1时,训练效果最好,本文选择该网络结构;SVM采取高斯核函数,当参数为0.56时,模型效果最好。本研究采用归一化均方根误差(NRMSE)和决策系数(R 2)对三种土壤水分含量的预测模型进行定量对比。以20组土壤样本数据作为测试集,结果可知,基于BP神经网络土壤水分含量预测模型的NRMSE为0.268,R 2为0.872;基于支持向量机的土壤水分含量预测模型的NRMSE为0.298,R 2为0.821;基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316,R 2为0.789。对三种模型分析可知,基于BPNN的土壤水分含量预测模型效果均较好。结果可知,土壤的光谱反射率与含水率间存在较密切的相关性,将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测,对监测土壤墒情提供技术支持和理论支撑。     

土壤有机质近红外预测FIR模型传递算法研究

针对近红外光谱检测中存在的模型传递问题,即在某一测试环境或仪器上建立的定性定量预测模型不适用于其他检测环境或仪器所采集的数据,该研究以土壤有机质为研究对象,采用FIR算法开展了此方面的研究工作。首先,在山西境内不同地方采集了59个壤土土壤样本,选用ASD公司的FieldSpec3光谱检测仪,分两批次对土壤样本进行了近红外光谱检测。第一批测试土样称为“源机样本”为50个,第二批测试土样称为“目标机样本”为9个;然后,随机选取“源机样本”中的41个样本作为校正样本,其余9个样本作为预测样本,采用偏最小二乘(PLS)定量预测方法建立了土壤有机质的定量预测模型,预测样本的预测相关系数为0.961,预测样本标准差(RMSEP)为0.600%,预测样本标准偏差(SEP)为0.597%,说明采用该方法可以很好地预测“源机样本”。当采用上述模型对9个“目标机样本”进行预测时,发现其预测相关系数为负值,表明采用该模型直接对“目标机样本”进行预测是不可行的。最后,采用FIR模型传递算法对“目标机样本”进行了处理,当窗口大小为p=516时预测效果提高,预测相关系数为0.706,RMSEP为0.662%,SEP为0.430%,说明FIR可以实现不同测试条件下获得谱图的传递,实现模型的共享。     

基于修正系数法的抗水分干扰土壤有机质近红外预测模型研究

土壤有机质（SOM）是植物生长必需的营养物质,也是土壤属性检测的重要参数。快速、高效地获取土壤有机质信息对精细农业的发展具有重要意义。近红外光谱技术具有快捷、低成本等优势,被广泛应用到土壤有机质的测量中,然而土壤水分在近红外光谱(780～2 500 nm)中具有很强的吸收特性,对土壤有机质的检测形成了一定的干扰。分析了50个土样在不同含水率（约17%,15%,10%,5%和干土）下的近红外吸光度谱图特性,利用水分敏感波段2 210, 1 415和1 929 nm构建了水分修正系数（MDI）,并在此基础上对不同含水率土样进行了重构,以消除水分对土壤有机质预测模型的影响。结果如下：（1）经MDI校正重构后的吸光度谱图与对应的干土土样吸光度谱图相近,能较好地反映其干土土样的吸光度谱图特性。（2）采用偏最小二乘（PLS）法建立了干土土样的有机质定量预测模型,并对重构后的不同含水率土样进行了预测,其统计参数分别为：预测相关系数（R_P）0.90,预测标准误差（SEP）0.802和预测均方根误差（RMSEP）1.09;与原始未经MDI校正的预测结果相比,相关系数上升了0.032,预测标准误差降低了0.113,预测均方根误差降低了0.25。结果表明,本研究提出的水分校正算法可以降低水分对土壤有机质预测的干扰,提高利用干土土样有机质定量预测模型预测不同含水率土样的精度,可为基于近红外光谱技术的土壤有机质实时测定技术的推广提供理论依据。     

基于不同模型的土壤有机质含量高光谱反演比较分析

以新疆奇台县为研究区域,选取该县40个土壤样本,采用多元线性逐步回归法和人工神经网络法两种方法分别建立了土壤有机质含量的反演模型,并对模型进行了检验。结果发现：不同模型的精度值各异,其拟合效果从高到低依次为人工神经网络(ANNs)集成模型＞单个人工神经网络(ANNs)模型＞多元逐步回归(MLSR)模型。人工神经网络的线性和非线性逼近能力较强,而其集成模型作为提高反演模型精度的重要手段,相关系数高达0.938,均方根误差和总均方根误差最小,分别仅为2.13和1.404,对土壤有机质含量的预测能力与实测光谱非常接近,分析结果达到了较实用的预测精度,为最优拟合模型。     

土壤主要养分近红外光谱分析及其测量系统

土壤是农业生产的基础,采用近红外光谱技术实现对土壤养分的快速分析,研制分立波长型近红外土壤养分测量系统,指导农业生产过程,有助于改变现有农业生产的粗放经营状态.首先,使用FOSSXDS近红外光谱分析仪对85份东北土壤样品采集光谱,采用相关系数谱及连续投影法等化学计量学算法分析土壤的近红外光谱,并优选出总氮和有机质的特征...     

土壤水分对近红外光谱实时检测土壤全氮的影响研究

利用近红外光谱技术实时预测土壤全氮含量是精细农业的研究热点之一,但是由于土壤水分在近红外波段的吸收系数较高,影响了土壤全氮含量的实时预测精度。使用布鲁克MATRIX_I傅里叶近红外光谱分析仪对不同土壤水分的土壤样本进行了近红外光谱扫描,定性和定量的分析了土壤水分对近红外光谱的影响,并提出了一种消除土壤水分对土壤全氮含量预测影响的方法。近红外光谱扫描结果显示在同一全氮含量水平下,随着土壤水分含量的增加,光谱吸光度呈逐渐上升的趋势,且变化趋势为非线性。通过对1 450和1 940 nm两个水分吸收波段的差分处理,设计了水分吸收指数MAI（moisture absorbance index）,再对土壤按照水分含量梯度进行分类,提出了相应的修正系数。修正后的6个土壤全氮特征波段处(940,1 050,1 100,1 200,1 300和1 550 nm)的土壤吸光度值作为建模自变量,使用BP神经网络建立了土壤全氮预测模型,模型的R_C,R_V,RMSEC,RMSEP和RPD分别达到了0.86,0.81,0.06,0.05和2.75;与原始吸光度所建模型相比较模型精度得到了显著提高。实验结果表明本方法可以有效地消除土壤水分对近红外光谱检测土壤全氮含量预测的影响,为土壤全氮含量实时预测提供了理论和技术支持。     

基于小波变换与偏最小二乘耦合模型估测北方潮土有机质含量

基于北京市通州、顺义两区52个潮土样品高光谱数据,利用离散小波多尺度分析技术对其进行处理分析。首先将光谱按六种尺度进行分解,然后将各尺度分解数据与土壤有机质含量进行相关性分析,并筛选敏感波段,最后利用偏最小二乘法构建土壤有机质含量估测模型。结果表明：土壤光谱反射率经小波变换后,在参与建模的特征波段中,近红外波段居多,即近红外波段估测有机质含量的贡献高于可见光波段;低频信息对有机质含量的估测能力优于高频信息;高频信息对土壤有机质含量的估测精度随光谱分辨率降低而降低;与常用光谱变换算法相比,小波变换分析法在一定程度上提高了土壤光谱对有机质含量的估测能力,其低频信息与高频信息构建的最优模型预测精度均较高,低频信息的R2=0.722,RMSE=0.221,高频信息的R2=0.670,RMSE=0.255。     

基于高光谱的土壤有机质含量估算研究

高光谱遥感技术以其光谱分辨率高、波段连续性强、数据丰富的特点,因而在土壤养分研究中得到广泛应用.通过土壤钉机质的高光谱遥感分析,可以充分了解土壤养分的状况及动态变化,为指导农业生产及保护农业生态环境提供科学依据.本文基于江西省余江县和泰和县采集的34个红壤土样350～2 500 nm波段的光谱曲线,研究了土壤光谱与土壤有机质含量之间的关系.先对土壤反射率光谱进行两种变换:一阶微分(R')、倒数的对数log(1/R),然后在提取特征吸收波段的基础上,运用多元逐步线性回归法和偏最小二乘回归法建立相应的估算模型,并对模型进行检验.结果表明,偏最小二乘回归法优于多元逐步线性回归法,其建立的高光谱估算模型具有快速估算土壤中有机质含量的潜力.