拉曼光谱和MLS-SVR的食用油脂肪酸含量预测研究

为实现食用植物油中饱和脂肪酸、油酸、亚油酸含量的快速预测,对一批纯食用油以及不同比例两两混合油共91个样品进行了拉曼光谱检测,在800～2 000 cm-1范围内,通过基于寻峰算法的自动确定支点的基线拟合方法,对获得的光谱数据进行预处理,提取八个特征峰作为拉曼光谱的特征值。以这些特征值为输入,以样品油中实际饱和脂肪酸、油酸、亚油酸含量为输出,运用偏最小二乘回归(PLS)和多输出最小二乘支持向量回归机(MLS-SVR)方法,分别建立了可以同时预测三种脂肪酸含量的数学模型,结果表明MLS-SVR方法具有较好的效果。将MLS-SVR模型的预测结果与气相色谱法结果相比较,可得到三种脂肪酸的预测均方根误差分别为0.496 7%,0.840 0%和1.019 9%,相关系数分别为0.813 3,0.999 2和0.998 1;对未知样品三种脂肪酸的预测均方根误差不超过5%。表明,拉曼光谱和MLS-SVR相结合的食用油脂肪酸含量预测方法,具有快速、简便、无损、准确等优点,为食用油脂肪酸含量分析提供了一种可行的方法。     

基于IABC-SVR算法的拉曼光谱定量分析山羊血清蛋白含量

提出了一种基于拉曼光谱和改进人工蜂群算法优化支持向量机回归（IABC-SVR）算法快速定量检测山羊血清蛋白含量的方法。传统人工蜂群算法在数据区域规模较大时,收敛速度逐渐减慢, 出现效率低、精准度下降、局部最优解概率高等问题。所提出的算法解决了这些问题,使算法在进化前期避免陷入局部最优解,在进化中后期能够保持解的全局搜索能力。常规测定血清蛋白总量的方法通常采用凯氏定氮法、双缩脲法等,但存在时效慢、污染样本等缺点。采用拉曼光谱法进行检测,具有快速、无损的优点。以山羊血清为分析对象,按一定体积比配置35组待测样本,用拉曼光谱仪采集拉曼光谱,光谱采集范围为300~1 300 cm-1,采用基线矫正去除荧光背景,使用Savitzky-Golay光谱平滑法对原始光谱进行平滑处理,归一化处理光谱数据,并对拉曼光谱特征峰进行归属。实验结果表明,拉曼光谱能够表征血清中主要化学集团的信息,且由于官能团浓度差异,光谱特征峰强度随浓度变化明显,因此基于特征峰信息可以测定血清蛋白总量。实验中,以购买的山羊血清蛋白含量为基准,通过配置样本的体积比得到各组待测血清样本的蛋白含量,配置的单个液体样本体积为3 mL,随机选取8组实验样本作为模型测试集,剩余27组作为模型训练集。以经过处理的光谱特征峰强度和对应的血清蛋白含量分别作为模型的输入值及输出值,建立IABC-SVR,ABC-SVR和BP三种算法的定量模型,对测试集血清蛋白总量进行预测。最后通过均方差(MSE),相关系数（r）与建模时间分别进行对比,结果表明通过IABC-SVR建立的山羊血清蛋白定量矫正模型效果最佳,模型的相关系数为0.990 27,均方误差为0.244 3,建模时间为1.9 s,预测值方差均小于0.001 g·mL-1,预测准确率为99.8%。实验结果表明,应用激光拉曼光谱技术结合IABC-SVR算法,对快速定量检测山羊血清蛋白含量,具有较高的准确率和稳定性。     

山茶油中油酸和亚油酸近红外光谱分析模型

将近红外光谱分析技术结合化学计量学方法用于山茶油混合油品中油酸和亚油酸含量的快速检测。配制了76种山茶油混合油样本用于近红外光谱的采集,将不同的光谱预处理方法用于光谱有效信息的提取;将蒙特卡罗无信息变量消除(MCUVE)和变量组合集群分析(VCPA)方法用于建模变量的选择;将偏最小二乘回归(PLSR)用于脂肪酸含量定量分析模型的构建。结果表明:经NWD1~(st)-MSC预处理后,两种脂肪酸的近红外光谱的较正均得到最好的结果;采用基于VCPA的变量优选方法极大地改善了模型精度,实现了建模变量数量的有效压缩。对于油酸模型,建模变量数量由1501减少为7,交叉验证均方根误差和校正相关系数分别为1.107和0.984,预测均方根误差和测试集的预测相关系数分别为1.178和0.981;对于亚油酸模型,建模变量数量由1501减少为8,交叉验证均方根误差和校正相关系数分别为0.089和0.987,预测均方根误差和测试集的预测相关系数分别为0.105和0.982。近红外光谱分析技术结合NWD1~(st)-MSC-VCPA-PLSR的方法为山茶油混合油品中脂肪酸含量的测定提供了一种快速简单的分析方法。     

基于拉曼光谱高斯分峰拟合的硫化锑含量检测方法

针对硫化锑含量采用化学分析方法检测存在操作复杂、检测时间长的问题,提出了一种基于拉曼光谱高斯分峰拟合的硫化锑含量快速检测方法。采用拉曼光谱系统测定锑矿样品的拉曼谱图,对原始拉曼谱图进行平滑去噪、背景扣除、谱段选择及归一化等预处理。基于高斯曲线的高斯峰、峰面积、半高宽和峰位置等信息,建立单个高斯峰的数学模型,提出高斯分峰拟合算法对光谱进行拟合,采用状态转移算法对高斯峰模型进行优化求解,得到表征光谱信息的特征参量,结合偏最小二乘回归方法,确定特征参量和硫化锑含量之间的关系,从而建立模型,实现对硫化锑含量的预测。实验中通过训练样本建立校正模型,对测试样本进行预测,同时从训练样本中随机挑选出检验样本,利用已建立的模型,对其硫化锑含量进行预测,以检验模型的正确性和外推性。实验结果表明：与预处理后全光谱建模相比,采用高斯分峰拟合后建立的预测模型的预测效果更好,证明了模型的正确性和良好外推性。因此,拉曼光谱结合高斯分峰拟合算法应用于锑矿中硫化锑含量的检测是可行的,且测量过程更简单,适用于矿物成分的快速分析。     

食用植物油中反式脂肪酸含量的激光拉曼光谱检测

油脂中的反式脂肪酸(TFA)有害人们的身体健康,有必要对其含量进行监测。共收集各类食用植物油样本79个,涉及9个品种和27个品牌,分配到校正集和预测集的样本数分别为53个和26个。采用QE65000拉曼光谱仪采集79个样本的拉曼光谱,利用自适应迭代惩罚最小二乘法去除样本拉曼光谱的荧光背景;在此基础上,采用多种归一化方法对样本拉曼光谱进行处理,并对拉曼光谱的建模波数范围进行初选;再利用竞争性自适应重加权采样(CARS)方法筛选与食用植物油TFA含量相关的光谱变量,并应用偏最小二乘(PLS)回归将食用植物油TFA的特征变量光谱强度与气相色谱测定的TFA真实含量进行关联,建立食用植物油中TFA含量的定量预测模型。研究结果表明,多种归一化方法中,有4种归一化方法均能提高PLS定量预测模型的性能,其中Area normalization方法的效果最优;经建模波数范围初选,波数范围由686~2 301 cm-1缩减为737~1 787 cm-1,确定较优的建模波数范围为737~1 787 cm-1;经CARS方法筛选,共有31个光谱变量被选择,其选择的光谱变量主要分布在1 265,1 303,1 442及1 658 cm-1拉曼振动峰附近,且974 cm-1拉曼振动峰两侧均有光谱变量被选择;此外,CARS方法的PLS建模结果优于常用的无信息变量消除及连续投影算法。由此可知,激光拉曼光谱技术结合化学计量学方法检测食用植物油中的TFA含量是可行的。归一化方法、建模波数范围初选及竞争性自适应重加权采样(CARS)方法能有效提高TFA定量预测模型的预测精度和稳定性,优化后的TFA定量预测模型的校正集及预测集的相关系数和均方根误差分别为0.949,0.953和0.188%,0.191%。与未优化的预测模型相比,预测均方根误差由0.361%下降为0.191%,下降幅度为47.1%;建模所用的变量数由683个下降为31个,仅占原变量数的4.54%。     

基于表面增强拉曼光谱技术和GWO-SVR算法快速实现水中总氮总磷含量检测

提出了一种将表面增强拉曼光谱技术（SERS）和基于灰狼优化（GWO）算法的支持向量回归（SVR）相结合快速定量检测水中总氮(TN)、总磷(TP)含量的定量分析方法。传统的TN、TP检测方法不但过程繁杂,实验环境要求高,而且耗时较长,不能实现快速检测。而SERS技术操作简单,耗时短,将其与GWO-SVR算法相结合可以实现快速精确检测。以实验室配制的银溶胶作为拉曼光谱增强基底,不同浓度梯度TN、TP溶液为研究对象,分别配制TN、TP样本溶液26组和23组,其中TN溶液选取8组作为测试集,TP溶液选取7组作为测试集,剩余样本溶液作为训练集。根据待测溶液与银溶胶不同体积配比确定最佳实验方案,将TN、TP分别与银溶胶进行1∶1,1∶2,1∶3,2∶1和3∶1的体积比混合,结果表明当待测溶液与银溶胶以2∶1比例混合时增强效果最佳。采集光谱信息并对特征峰进行归属,然后采用暗电流扣除、背景扣除（基线校正）和平滑处理对原始光谱数据进行预处理。经光谱分析结果可知,由于不同浓度溶液官能团浓度差异,光谱特征峰强度随溶液浓度变化而变化。以训练集样本溶液光谱特征峰强度和溶液浓度值作为回归预测模型的输入值和输出值,建立GWO-SVR定量分析模型。通过测试集样本溶液的相关系数(r)和均方误差(MSE)对模型的预测能力进行分析,并将GWO-SVR模型和其他两种模型进行对比。结果表明,GWO-SVR模型对TN溶液预测的相关系数为0.999 5,均方误差为0.005 8,高于人工蜂群算法优化支持向量回归（ABC-SVR）和粒子群算法优化神经网络（PSO-BP）的0.993 8,0.052 7和0.998 3,0.022 7。对TP溶液预测的相关系数为0.998 5,均方误差为0.037 6,也均高于另外两种模型。而且与ABC-SVR和PSO-BP模型相比,GWO-SVR定量分析输入参数更少,收敛速度更快,更容易找到全局最优解。因此,该方法可以实现对水中TN、TP含量的快速准确检测,为水质检测提供了新方法。     

基于拉曼光谱的海水COD检测方法的研究

海水的化学需氧量大小直接决定海水水质的污染程度,传统的紫外-可见光波段检测时荧光干扰较大,近红外光波段检测时,水分子红外吸收峰影响较严重。提出一种基于拉曼光谱的海水化学需氧量检测方法,以不同浓度的模拟海水样本为被测对象,确定特征拉曼位移为981.6 cm-1,对拉曼光谱预处理后,通过偏最小二乘法对拉曼光谱的相对强度与碱性高锰酸钾法检测得到的海水化学需氧量进行回归建模。实验结果显示,训练集和预测集相关系数达到0.99,验证集决定系数可达到0.990 9,预测均方根误差为0.79 mg/L。     

食用油和煎炸油空芯光纤拉曼检测系统研究

基于食用油质量检测背景,使用内表面镀银空芯光纤作为传感腔,设计和搭建了食用油和煎炸油拉曼光谱检测系统。对系统的拉曼散射光强进行了理论建模,通过理论仿真与实验数据讨论了空芯光纤长度的优化。使用系统对常见食用油和小吃摊油进行了拉曼光谱采集与分析,引入了衡量油脂不饱和度的参数I3005/I2897。对某品牌大豆油的不饱和度参数采集实验发现,该油样不饱和度参数随煎炸时长增加明显降低。提供了一种灵敏高效的检测系统,可实现食用油和煎炸油结构分析及油脂不饱和度评估,拉曼光谱特征峰清晰尖锐,为样品的结构分析提供了有效手段,可应用于食品安全检测领域。     

拉曼光谱结合PSO-LSSVM算法检测三组分食用调和油含量

提出了一种将拉曼光谱和基于粒子群的最小二乘支持向量机(PSO-LSSVM)算法相结合快速定量检测三组分食用调和油含量的方法。以三组分的食用调和油为研究对象,对拉曼光谱分四步进行了预处理,进而准确提取拉曼光谱的特征峰强度。以训练集样本的特征峰强度和调和油样品的百分比含量作为回归预测模型的输入值和输出值,建立LSSVM和PSO-LSSVM数学模型,通过测试集样本的相关系数和均方误差对模型的预测能力进行分析。非线性建模的最小二乘支持向量机(LSSVM)算法的核函数参数σ和正则化参数γ对模型的学习和泛化能力影响很大,导致模型的预测精度和泛化能力过度依赖于参数--在优化步长过小时耗时较长,过大时又无法得到全局最优值。提出的PSO-LSSVM算法,利用粒子群全局优化能力和收敛速度快的特点对LSSVM的模型参数σ和γ进行优化,从而克服LSSVM算法中耗时与盲目性的问题。分析结果表明,PSO-LSSVM算法对三组分食用调和油中大豆油、花生油和葵花仁油定量预测模型的测试集相关系数分别为0.967 7,0.997 2,0.995 3;均方误差分别为0.054 9,0.009 2,0.047 1。与LSSVM算法相比,PSO-LSSVM模型的预测精度更高。因此,该方法可以快速、准确地检测三组分食用调和油的含量。     

应用拉曼光谱分析变压器油中溶解乙酸含量

乙酸是变压器油纸绝缘老化所生成酸类物质的主要成分;分析变压器油中溶解乙酸含量对准确评估运行变压器的老化状态具有重要意义。拉曼光谱技术是基于拉曼效应的一种分子分析技术,能很好地用于物质的非接触式原位检测。论文开展了变压器油中溶解乙酸含量拉曼光谱检测方法研究： 利用Gaussian 09W软件分析了乙酸分子的拉曼振动特性,对实测乙酸拉曼谱峰的振动模式进行了指认;基于实验室搭建的激光拉曼光谱液体检测平台,对不同乙酸含量的变压器油样进行了原位检测;选定891 cm-1作为变压器油中溶解乙酸分子的拉曼特征峰,基于乙酸891 cm-1与变压器油932 cm-1特征峰面积比值和最小二乘法建立了乙酸的定量分析方法,检测限可达0.08 mg·mL-1。实验结果表明： 激光拉曼光谱可应用于油中溶解乙酸含量原位检测并具有良好的检测稳定性和重复性,为变压器油中溶解乙酸含量的快速、无损检测提供了一种新方法。     

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。     

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。     

基于荧光光谱技术的菜籽油氧化状态智能评价

菜籽油在加工及贮藏过程中，易受氧气、温度、光照等因素的影响，产生氧化酸败现象。为准确判断油脂氧化程度，实现不同氧化模式下菜籽油品质的快速判别，采用三维同步荧光光谱技术结合平行因子分析法及BP神经网络法建立菜籽油氧化状态的智能评价模型。以冷榨菜籽油为原料，将样品分别置于常温、Schaal烘箱、高温模式中氧化处理，期间采集菜籽油的三维同步荧光光谱数据及理化指标，当理化指标超出国标限定范围时，停止采集数据。结果表明，菜籽油中荧光物质在不同氧化模式中的演变规律呈显著差异，氧化温度对菜籽油荧光光谱有明显影响。常温氧化350 d与第1 d相比，菜籽油的特征荧光峰位置无变化，仅在激发波长Ex为620和660 nm附近荧光峰强度发生微弱变化；Schaal烘箱氧化26 d后，在激发波长Ex为620和660 nm附近荧光峰强度显著减弱，且在激发波长Ex为350～450 nm之间有新的荧光峰生成；高温氧化48 h后，Ex为620和660 nm处荧光峰消失，在Ex为400～550 nm处产生显著荧光峰，相对Schaal烘箱氧化，荧光波长发生一定程度红移，这是由于高温氧化过程中油脂氧化生成的物质稳定性较差引起的。利用平行因子分析法对三维同步荧光光谱数据进行分解获取有效的二维荧光光谱数据，当组分数为6，Δλ=60 nm时激发波长的载荷值最大，不同样品间差异最显著。选定Δλ=60 nm波段的二维荧光光谱数据用于智能评价，作为BP神经网络模型的输入值，以极性组分作为模型输出值，分别对菜籽油三种氧化模式数据建模训练。实验结果表明，三种氧化模式对应的训练集、验证集、测试集模型相关系数r均能达到0.9以上，其中常温氧化模式中验证集及测试集模型的相关系数r为1，输出值与目标值较接近，模型的预测效果较好；综合三种氧化模式数据建模，对应训练集、验证集、测试集模型的相关系数分别为0.999，0.913和0.988，均方误差均较小，说明该模型能准确判断菜籽油的不同氧化状态。因此，三维同步荧光光谱技术结合平行因子分析法、BP神经网络法建立快速检测模型能实现菜籽油不同氧化状态的判别，为菜籽油的氧化程度的评价提供新方法，同时为其他食用油的品质评价提供参考。     

基于拉曼光谱的储层沥青热演化特征及其判别

为了明确储层沥青热演化程度与激光拉曼光谱的关系,利用拉曼光谱无损分析和流体包裹体方法,对黔西南白层地区储层沥青拉曼光谱进行了定量化描述,首先获取了储层沥青其伴生流体包裹体均一温度,然后获得了储层沥青拉曼光谱图,并对比标准沥青成熟度分布图,确定了储层沥青热演化程度及其特征.结果表明:黔西南白层地区存在晚三叠世(230 M...     

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。     

方位和品质对南疆果品空间特性光谱影响及反演方法研究

高光谱无损检测技术在果品定量无损检测中应用广泛,以冬枣、红提、香梨三种果品空间特性光谱为研究目标,探索空间特性光谱的影响因素和反演方法,为提高户外果品无损检测精度提供了一种新思路。分别提取三种果品的光谱库并计算空间特性光谱,依次使用马氏距离、浓度残差等预处理方法以及竞争性自适应权重取样算法选取特征波长,将处理后的三种果品空间特性光谱分别与品质（糖度、水分）和方位（探测角、方位角、相位角）建模,建模结果如下：三种果品（按照冬枣、红提、香梨的顺序）与糖分模型的相关系数r分别为：0.853 3,0.822 7和0.913 3;水分模型的相关系数r分别为：0.741 3,0.784 7和0.891 3;探测角模型相关系数r分别为：0.985 6,0.992 7和0.974 7;方位角模型相关系数r分别为：0.941 8,0.910 5和0.936 9;相位角模型相关系数r分别为：0.960 9,0.957 0和0.956 3。可以看出,不同果品方位模型相关性都明显高于品质模型相关性,因此方位因素是影响空间特性光谱的主要原因。使用Roujean模型和Walthall模型分别对不同方位的空间特性光谱进行反演,反演结果如下：使用Roujean模型反演三种果品（按照冬枣、红提、香梨的顺序）空间特性光谱时R2分别为0.934 4,0.928 1和0.830 6;r分别为0.990 2,0.983 9和0.969 1;RMSEP分别为0.030 9,0.048 7和0.062 7;平均模型误差分别为7.27%,11.02%和8.61%。使用Walthall模型描述不同果品空间特性光谱时R2分别为0.943 3,0.859 7和0.839 0;r分别为0.991 8,0.971 8和0.970 2;RMSEP分别为0.036 6,0.066 1和0.068 7;平均模型误差分别为6.19%,15.40%和7.84%。可以看出,Roujean模型可以很好的描述冬枣和红提的空间特性光谱,也可以较好的描述香梨空间特性光谱;Walthall模型可以很好的描述冬枣空间特性光谱,也可以较好的描述红提和香梨空间特性光谱。综上所述,在今后试验中可以使用Roujean模型反演红提和香梨的空间特性光谱,使用Walthall模型反演冬枣的空间特性光谱,进而提高户外果品户外果品无损检测精度。     

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。