刚竹毒蛾胁迫下毛竹叶绿素与叶光谱特征的关系及其变化

叶绿素是反映绿色植被健康状态的重要生理参数,虫害胁迫下叶绿素与叶光谱的变化机制较为复杂,深入剖析二者关系对于虫害检测有重要意义。以福建省南平市顺昌县为试验区,测定不同受害情景下毛竹叶叶绿素含量(SPAD)与叶光谱,采用Pearson相关法筛选叶光谱特征指标,建立叶SPAD的多元线性回归、岭回归、随机森林与XGBoost估测模型。通过比较光谱特征指标筛选结果及模型估测效果,分析刚竹毒蛾胁迫下毛竹叶绿素与叶光谱特征的关系及其变化。结果表明：（1）随着虫害程度上升,毛竹叶SPAD呈下降趋势;（2）较之于未受害状态,刚竹毒蛾胁迫下毛竹叶光谱特征发生明显变化,“绿峰”和“红谷”趋于消失,“红边”斜率减小,近红外波长反射率降低;（3）基于全样本拟合叶SPAD的最优光谱特征指标为VOG₂,R₅₁₅/R₅₇₀,CI_red,PRI与NDVI₇₀₅,最佳估测模型为多元线性回归模型（R2=0.753 7,RMSE=3.015 0）;（4）基于不同受害程度样本拟合毛竹叶SPAD,最优光谱特征指标分别为健康：CI_red,VOG₂,ARVI,R₅₁₅/R₅₇₀,DVI;轻度：RENDVI,RERVI,REDVI;中度：RENDVI,RERVI,REDVI;重度：VOG₂,CI_red,NDVI₇₀₅,PRI;小年：PRI,NDVI₇₀₅,VOG₁,CI_red。最佳估测模型为多元线性回归模型,模型精度分别为健康（R2=0.882 3;RMSE=1.638 8）;轻度（R2=0.180 2;RMSE=3.335 4）;中度（R2=0.360 4;RMSE=3.886 7）;重度（R2=0.467 7;RMSE=2.601 8）;小年（R2=0.732 4;RMSE=2.375 4）。由此发现,随着虫害等级上升,毛竹叶光谱特征指标也随之改变,关系模型估测精度呈现先急剧下降后缓慢抬升的态势,模型对健康与小年叶SPAD估测效果较好,对轻—中—重度危害叶SPAD估测效果较差;当毛竹叶SPAD与叶光谱特征的关系趋向紊乱时,预示可能有刚竹毒蛾危害发生。     

高光谱数据的刚竹毒蛾虫害程度检测

刚竹毒蛾虫害检测对毛竹的生长和竹业的发展起着至关重要的作用。根据高光谱冠层光谱信息与刚竹毒蛾虫害程度之间的关系,提取冠层光谱中与虫害紧密相关的特征波长、指数以及光谱参数等,利用Fisher判别分析法建立刚竹毒蛾虫害程度检测模型。分别以原始光谱的400～508,586～693和724～900 nm处的波长、包络线去除光谱的400～756 nm之间的特征波长、9种冠层光谱植被指数和7种冠层特征光谱参数作为Fisher判别函数自变量,构建判别函数。收集300组毛竹叶片虫害样本数据,随机划分为210组建模集与90组验证集,根据检测精度、Kappa系数以及判定系数R2作为检验标准,对建立的判别函数进行效果评价与对比。结果表明,以原始光谱、去包络线光谱、冠层指数、光谱参数为自变量建立的Fisher判别函数的检验精度分别为：84.4%,81.1%,79.7%,78.7%;Kappa系数分别为：0.79,0.74,0.74,0.76;R2分别为：0.89,0.88,0.88和0.85。由此可知,Fisher判别分析模型建立的函数具备很好的刚竹毒蛾虫害程度检测能力,而且基于冠层原始光谱建立的判别函数检测效果最佳。根据高光谱数据的冠层原始光谱建立的判别函数对福建省顺昌县大干镇武坊村的洋门和土垅村的上湖竹林进行刚竹毒蛾虫害程度检测。检测结果为：上湖两个样区的竹林以健康为主。洋门两个样区虫害程度以中度和重度为主。因此基于无人机高光谱遥感对于刚竹毒蛾虫害的大面积检测具有可行性,该方法可为虫害检测的探究提供参考,为基于冠层遥感虫害检测贡献理论支撑。     

刚竹毒蛾危害下的毛竹叶片光谱特征波长研究

旨在获取刚竹毒蛾危害下的毛竹叶片光谱特征波长,以助于该虫害的有效、准确识别。将于福建省顺昌县实测的105条高光谱数据随机划分为实验组(71条)和验证组(34条)。基于实验组数据,利用单因素方差分析获取健康、轻度危害、中度危害、重度危害等虫害等级间具有极显著差异的波长;结合常用遥感卫星的波段设置对上述波长进行筛选,采用欧式距离、相关系数及光谱角匹配等3种方法判定其虫害判别能力,获取特征波长,并引入验证组样本对其予以验证。结果表明：(1)受害叶片的光谱反射率明显低于健康叶片,虫害等级越高,其反射率越低;(2)受害叶片的光谱特征变化较大,随着虫害等级的上升,其光谱曲线中的“绿峰”及“红谷”趋于消失,“红边”斜率逐渐减小;(3)确定原始光谱703.43~898.56 nm及一阶微分光谱497.68~540.72,554.53~585.25和596.24~618.23 nm为刚竹毒蛾危害下的毛竹叶片光谱特征波长,其对该虫害具有较强的判别能力。该研究从叶片尺度剖析了寄主对刚竹毒蛾的响应机理,是“地-天”耦合的理论基础,可为虫害遥感监测技术体系的建立提供重要依据。     

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Fisher判别分析与随机森林的马尾松毛虫害检测

虫害检测算法的构建是耦合“地-天”特征的过程,是实现其遥感监测的重要保障。以福建省三明市、将乐县、沙县、南平市延平区等4个县(区、市)为试验区,收集182组马尾松毛虫害样本数据,随机划分为训练集与验证集,设置5次重复试验及1次指标筛除试验。结合马尾松毛虫危害下的寄主表征,获取松林叶面积指数LAI、叶面积指数标准误SEL、归一化差值植被指数NDVI、缨帽变换湿度轴WET及影像绿光波段B₂、红光波段B₃、近红外波段B₄等7个地面与遥感特征指标,建立其危害等级的Fisher判别分析与随机森林模型,从检测精度、Kappa系数、ROC曲线等角度综合比较两种算法的检测效果,并给予配对t检验。结果表明：7个指标均具备虫害响应能力,SEL和NDVI相对较弱;Fisher判别分析6次试验的虫害平均检测精度为73.26%,Kappa系数为0.631 9,而RF法则分别为79.30%,0.715 1,显著优于前者(p＜0.05);RF法对无危害、轻度危害、中度危害3个虫害等级的检测精度、Kappa系数、AUC均显著高于Fisher判别分析(p＜0.05),对于重度危害等级,Fisher判别分析则占优。总体而言,RF法对马尾松毛虫害的检测效果优于Fisher判别分析,但Fisher判别分析对重度危害等级有更高准确性且模型明确、易于推广,可综合应用两种算法开展虫害监测工作。该成果为马尾松毛虫害及其他森林病虫害的有效检测提供技术参考,奠定其遥感监测的基础。     

特征分层结合改进粒子群算法的近红外光谱特征选择方法研究

在近红外光谱数据定量建模中,数据的高冗余和高噪严重影响了建模的稳健性和精确性,因此提出了一种特征分层结合改进粒子群算法(PSO)的特征光谱选择方法。首先通过互信息度量特征的重要性得分,并按特征的重要性降序排序,有效避免了因采用降维方法得到主成分而引起的丢失重要信息的问题。其次,引入了跳跃度概念,并构造了一种特征分层的方法,重要性程度相似的特征并入同一个特征子集,将降序排列的特征集分割为不同的特征子集,避免了筛选特征过程中因人为设定特征重要性得分阈值而导致的不确定性。最后,采用收敛速度快、控制参数少的粒子群算法作为最优特征子集的优化方法,同时对粒子群算法做了两方面改进：引入混沌模型增加种群的多样性,提高了PSO的全局搜索能力,避免陷入局部最优;将特征数目引入到适应度函数中,在迭代前期通过惩罚因子调节特征数目对适应度函数的影响,提高了算法的适应能力。将分层后的数据以特征子集为单位,依次累加并作为改进粒子群算法的输入,从而选择出高辨别力的特征子集。以烟碱指标为例进行了特征选择过程的描述,实验采用尼高力公司的Antaris Ⅱ近红外光谱仪进行近红外光谱数据的采集,光谱扫描范围为4 000~10 000 cm-1。首先,利用互信息理论计算全光谱1 557个特征对待测指标定量建模的重要性得分,得分取30次实验的均值。其次,将所有特征按照重要性得分降序排序,计算所有特征的跳跃度,依据跳跃度寻找特征分层的临界点,将特征划分到不同的特征层中,构建了包含8个特征子集的特征集合S={S′₁, S′₂, S′₃, S′₄, S′₅, S′₆, S′₇, S′₈}。然后,依次将特征子集S′₁,{S′₁, S′₂},{S′₁, S′₂, S′₃},…,{S′₁, S′₂, S′₃, S′₄, S′₅, S′₆, S′₇, S′₈}作为初始粒子群的候选集,以R/(1+RMSEP)作为特征子集优劣的评价标准,各自重复实验50次,比值最大的特征子集即为最优特征子集。为验证该算法的有效性,选取了具有代表性烟叶近红外光谱数据作为训练集和测试集,建立了烟碱、总糖两个指标的PLS定量模型,并分别与全光谱、分层后的特征光谱、粒子群算法选出的特征光谱进行了比较。仿真结果表明,本算法所选特征烟碱、总糖的建模相关系数r分别为0.988 5和0.982 2,交互验证均方差RMSECV分别为0.098 4和0.889 3,预测均方根误差RMSEP分别为0.100 7和0.901 6,模型准确率均明显高于其他三种方法。从所选特征数来看,该算法所选特征数最少,有效剔除了原特征集中的弱相关和噪声、冗余信息,所建模型的主因子数最少,降低了模型的复杂性,模型更加稳健,适应性更广。     

基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究

为探究遥感监测水稻冠层叶片氮素含量的较优高光谱反演模型,以水稻小区试验为基础,获取了不同生长期水稻冠层高光谱数据。在综合比较一阶导数变换(1-Der)、标准正态变量变换(SNV)和SG滤波法等处理方法基础上,提出一种将SNV与一阶导数变换的SG滤波法相结合的光谱处理方法(SNV-FDSGF),并将处理后的数据经无信息变量消除法(UVE)与竞争自适应重加权采样法（CARS）选出不同生长期的敏感波段。将各生长期的敏感波段两两随机组合,并构建与水稻叶片含氮量相关性较高的差值光谱植被指数(DSI)、比值光谱植被指数(RSI)、归一化光谱植被指数(NDSI)。其中分蘖、拔节和抽穗3个时期的最优植被指数和决定系数R2分别为：DSI(R₈₅₇, R₆₂₃), 0.704; DSI(R₆₇₀, R₅₇₈), 0.786; DSI(R₉₉₅, R₅₀₈), 0.754。以各生长期内的较优的三种植被指数作为输入分别构建自适应差分优化的极限学习机(SaDE-ELM)、径向基神经网络(RBF-NN)以及粒子群优化的BP神经网络(PSO-BPNN)反演模型。结果表明：SaDE-ELM建模效果最好,在模型稳定性和预测能力上比RBF-NN和PSO-BPNN都有了明显提高,各生长期反演模型的训练集和验证集决定系数R2均在0.810以上,RMSE均在0.400以下,可为东北水粳稻冠层叶片含氮量的检测与评估提供科学和技术依据。     

紫外-可见光谱法研究Fc(COOH)2和BSA相互作用

采用紫外-可见光谱法(UV-Vis)研究Fc(COOH)₂ (λ_max=255 nm)与BSA(λ_max=277.5) 的相互作用。实验结果表明：Fc(COOH)₂在10~190 μmol·L-1范围内吸光度与浓度呈良好的线性关系(r=0.998 4),BSA在100~1 900 mg·L-1范围内,吸光度与浓度呈良好的线性关系(r=0.999 2),BSA与Fc(COOH)₂反应后,最大吸收波长移至275 nm。当固定Fc(COOH)₂或BSA的浓度时,Fc(COOH)₂或BSA的吸光度随着BSA或Fc(COOH)₂浓度的增加而增大,说明Fc(COOH)₂与BSA存在分子间的相互作用,主要是由于Fc(COOH)₂和 BSA能形成氢键,分子链增长,吸收的能量增加,导致吸光度增大。同时考察Fc(COOH)₂和 BSA的吸光度随时间的变化,70 μmol·L-1的Fc(COOH)₂与1 900 mg·L-1的BSA反应0.1,24和96 h后,在λ_max=275 nm处的吸光度由1.062分别变为1.045和0.986;当700 mg·L-1的BSA与190 μmol·L-1的Fc(COOH)₂反应0.1,24和96 h后,在λ_max=275 nm处的吸光度由0.813分别变为0.794和0.750。     

基于变量优选和ELM算法的土壤含水量预测研究

土壤水分含量(SMC)的快速估测对干旱半干旱地区的精准农业发展具有重要的意义。以渭干河-库车河绿洲为靶区,采用小波变换(WT)对反射光谱进行1~8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权(CRAS)、连续投影算法(SPA)和CARS-SPA耦合算法进行特征波长筛选。基于全波段构建BP神经网络模型和基于特征波长构建BP神经网络、支持向量机、随机森林和极限学习机模型,并进行对比分析。结果显示: (1)随着小波分解的进行,总体上L6在去噪的同时还尽可能的保留了光谱原始特征,为最大分解层;(2)小波变换和CARS-SPA算法的结合使其在建立模型时较为彻底的去除噪声和无信息变量,同时消除变量间的共线性; (3)在所有的SMC预测模型中,相对于BP神经网络、SVM,ELM和RF具有更好的预测能力,其中L6-CARS-SPA-ELM精度最高,其RMSEC=0.015 1,R2_c=0.916 6,RMSEP=0.014 2,R2_p=0.935 4,RPD=2.323 9。这体现出ELM预测模型对非线性问题的强解析能力和模型的稳健性,为该研究区SMC的预测提供新的思路。     

基于Roujean和Ross-Li模型算法的不同户外光照南疆冬枣BRDF特性研究

不同光照下,如何消除或减小反演数据差异,提高检测精度,是目前南疆冬枣户外检测中遇到的一大难题,因此通过用高光谱相机获得的南疆冬枣二向反射分布函数（BRDF）测量值,采用最小二乘法拟合Roujean模型和Ross-Li模型的参数,最后对比Roujean模型和Ross-Li模型反演的结果,提出何种天气何段波长用何种模型反演效果最好的建议,实验结果表明：（1）多云天气,反演南疆冬枣线偏振度（Dolp）时,Ross-Li模型的R2是0.974 8,Roujean模型的R2是0.969 9;反演南疆冬枣强度分量时,Ross-Li模型的R2是0.972 3,Roujean模型的R2是0.974 9。阴天反演南疆冬枣Dolp时,Ross-Li模型的R2是0.965 1,Roujean模型的R2是0.977 8;反演南疆冬枣强度分量时,Ross-Li模型的R2是0.942 0,Roujean模型的R2是0.968 8。晴天反演南疆冬枣Dolp时,Ross-Li模型的R2是0.965 5,Roujean模型的R2是0.926 2;反演南疆冬枣强度分量时,Ross-Li模型的R2是0.928 5,Roujean模型的R2是0.833 1。整体反演的最佳方案是多云天气下的南疆冬枣Dolp用Ross-Li模型反演,强度分量用Roujean模型反演;晴天南疆冬枣Dolp和强度分量均用Ross-Li模型反演;阴天南疆冬枣Dolp和强度分量均用Roujean模型反演。（2）多波段反演的最佳方案是：多云天气下,反演南疆冬枣强度分量时,波长为1 000~1 100 nm范围,需用Ross-Li模型,波长为1 450~1 600 nm范围,需用Roujean模型,其余波段处两种模型均可;反演南疆冬枣Dolp时,在波长为1 300 nm附近,需用Ross-Li模型,其余波段处两种模型均可。阴天反演南疆冬枣强度分量时,在1 000~1 350 nm范围,需用Roujean模型,在1 600 nm附近,需用Ross-Li模型,其余波段处两种模型均可;反演南疆冬枣Dolp时,在1 000~1 350 nm范围,需用Roujean模型,在1 600 nm附近,需用Ross-Li模型。晴天反演南疆冬枣强度分量时,波长为1 000~1 350和1 600 nm附近,需用Ross-Li模型,其余波段处则无特殊要求;反演南疆冬枣Dolp时,在1 000 nm附近,需用Roujean模型,在1 600 nm附近,需用Ross-Li模型。探索出消除或减小反演数据差异的方法,为南疆冬枣户外检测提高精度奠定基础。     

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。     

稀土配合物分子印迹荧光探针的制备及检测孔雀石绿的残留

孔雀石绿是一种人工合成的三苯甲烷类化合物。孔雀石绿的常规检测方法前期处理复杂、耗时长、需要使用大型仪器等缺点导致不能及时的对其进行检测。所以研究出一种能够高效、便捷、快速的检测孔雀石绿残留的方法具有十分重要的意义。分子印迹聚合物（MIPs）是一种多孔隙材料,具有特定的识别位点,可以对特定的目标分子进行识别和吸附。稀土配合物在618 nm处发射荧光,孔雀石绿的最大吸收波长是618 nm,二者重合产生荧光猝灭效应,由此研究出了一种稀土配合物分子印迹荧光探针来检测水产品中的孔雀石绿的方法。利用分子印迹技术固定稀土配合物并吸附水产品中的孔雀石绿,通过在618 nm处检测其荧光猝灭程度来计算水产品中孔雀石绿的具体含量。采用沉淀聚合法,以隐性孔雀石绿为模板,甲基丙烯酸为功能单体,二甲基丙烯酸乙二醇酯为交联剂,改性二氧化硅为核,稀土荧光配合物Eu(MAA)₃Phen为荧光物质,在模板∶单体∶交联剂=1∶4∶10,稀土配合物为15 mg,乙腈60 mL的条件下,制备了一种孔雀石绿分子印迹聚合物,通过对其进行TEM和FTIR的扫描分析验证了已经成功合成稀土配合物分子印迹,检测荧光寿命时发现在未加入孔雀石绿前荧光寿命为1 094.11 μs,而加入孔雀石绿后的荧光寿命为587.49 μs,荧光寿命的减少说明孔雀石绿对MIPs的猝灭属于荧光共振能量转移FRET。在验证MIPs的选择性和吸附性能以后,对孔雀石绿进行检测。结果表明,优化条件下聚合物对孔雀石绿的线性范围为0～20 μmol·L-1,荧光猝灭系数F₀/F与孔雀石绿浓度呈现良好的线性关系,线性方程为F₀/F=1.008c+0.344(0.1～1 μmol·L-1,R2=0.991),F₀/F=0.587c+0.570(1～20 μmol·L-1,R2=0.999),检出限为0.037 μmol·L-1(3σ/S,n=9),将其作为荧光探针成功应用于鱼肉中孔雀石绿的检测,加标回收率在95.61%～102.51%范围。说明研究出的稀土配合物分子印迹荧光探针可以便捷、快速、准确地检测出孔雀石绿的残留量。     

D介子衰变中的奇异轴矢介子(英文)

目前,奇异轴矢介子的性质并没有被很好地理解,而这类介子是可以在D介子衰变中得到更多的研究。将窄宽近似下的等式关系和强衰变中CP守恒应用到四体衰变D0 → K+K-π+π-中的D0 → K±K₁?（1270）（→ρK or K*π）的实验数据中,可以发现实验数据与理论存在矛盾,然而,当考虑更多K₁（1270）的衰变过程后,可以发现,B（D0 → K-K₁+（1270）（→ K*0π+））的实验数据很可能被高估了一个量级。考虑共振态K₁（1400）的贡献,利用因子化方法计算相应的衰变过程的分支比,可以发现,B（D0 → K-K₁+（1400）（→ K*0π+））的分支比与使用等式关系得到的B（D0 → K-K₁+（1270）（→ K*0π+））的分支比在量级上是相同的。另外,对于含有奇异轴矢介子的D介子衰变实验数据的合理性,实验可以通过测量K₁（1270）→ ρK和K*π分支比的比值来检验,或者通过验证D介子衰变中的等式关系来检验。     

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。