蚜虫胁迫下棉叶光谱特征及其遥感估测

在棉蚜危害棉花的主要生育期测试蚜害后不同严重度叶片的理化参数和光谱,分析并比较了不同时期、不同品种蚜害棉叶理化参数和光谱反射率特征,确定了蚜害棉叶光谱敏感波段,建立了蚜害棉叶严重度估测模型。结果表明:蚜害棉叶的理化参数和光谱特征明显,蚜害棉叶平均厚度,含水量,温度和叶片CHL.b均增加,叶片而平均CHL.a,CHL.a+b和Cars含量减少。不同时期、不同品种蚜害棉叶光谱反射率在可见光均表现先升后降的特征,但不同品种蚜害棉叶在近红外波段反射率不同。434～727和648nm可分别作为蚜害棉叶的光谱敏感波段和最佳波段。基于敏感波段建立的蚜害棉叶遥感估测模型均达到显著相关,其中以(R1589-R648)/(R1589+R648)为自变量建立的估算模型精度最高,相对误差最小(0.128),可作为蚜害棉叶严重度最佳识别模型。该研究为遥感大面积监测棉花蚜虫提供了理论依据及参考。     

高光谱成像与图像结合进行油菜角果蚜虫侵染的定位识别

油菜蚜虫可造成油菜籽的严重减产,及早进行油菜蚜虫判别以及其侵染定位识别有助于精准喷药。采用可见-近红外高光谱成像技术结合图像分析对185个蚜虫侵染以及138个健康油菜角果进行判别,并进行蚜虫的定位分析。首先采用主成分分析法(PCA)对两类样本的平均光谱进行聚类分析,并基于X-loading得出737nm波段可作为判断蚜虫的重要波段,采用Boxplot进行两类样本间单波段处的统计分析,同时得出基于737nm波段判断蚜虫侵染油菜角果的线性公式为y=2.917 6-3.345 7x(x为样本在737nm处的光谱值,y为样本的分类预测值)。采用此公式对实验样本进行判别分析,可以发现角果蚜虫识别率为99.0%。同时基于737nm处的油菜角果单波段灰度图进行蚜虫的定位识别,可以得到蚜虫的识别率为81.1%。结果表明,采用737nm处的单波段光谱信息以及图像信息可进行油菜角果蚜虫侵染的定位识别,为进一步开发便携仪检测仪以及精准喷药提供理论和方法依据。     

基于比值导数法的棉花蚜害无人机成像光谱监测模型研究

蚜虫是棉花的主要害虫之一,我国棉花产量每年因蚜虫危害造成的损失高达5%～10%。田块尺度的棉花蚜害空间分布监测可以辅助精准定量施药,减少环境污染。利用无人机搭载成像光谱仪获取的“图谱合一”的遥感数据因其具有分辨率高、时效性高、成本低等优势,可为作物病虫害监测提供了重要数据源。比值导数法模型简洁,运行效率高,结果精确,可以有效的应用于遥感反射率光谱解混处理,提取对目标信息较为敏感的波段,为构建虫害监测模型提供了有效的手段。因此本研究选择棉花典型生产区新疆库尔勒地区为实验区,开展以下工作: （1）以低空无人机搭载成像光谱仪获取棉花蕾期冠层成像光谱影像,结合地面调查数据,获取76个样点光谱数据及蚜害严重度(包含健康植株16个,蚜害严重度1～4级每级选取15个);(2)分析不同蚜害严重度棉花冠层光谱的特征,并利用比值导数法筛选出对蚜害胁迫敏感的光谱波段,分别为514,566和698 nm波段; (3)构建基于三个敏感波段的光谱反射率、比值导数光谱值的一元线性回归和偏最小二乘法的蚜害严重度估测模型。结果表明：(1)蚜害对棉花冠层的光谱反射率有显著影响。棉株受蚜害胁迫越严重,其在可见光区域的反射率越高,近红外波段反射率越低,发生红边区域“蓝移”;（2）比值导数法可有效提取蚜害棉花冠层光谱敏感波段,所筛选的514,566和698 nm三个波段与相关系数法所筛选的敏感波段一致;(3)利用敏感波段比值导数光谱值所构建的蚜害严重度估测模型精度优于敏感波段光谱反射率所构建的模型, 其中698 nm波段构建的模型精度最佳（R2=0.597, RMSE=0.91）; (4)三个敏感波段的比值导数光谱值所构建的偏最小二乘多元回归模型精度优于单个波段比值导数光谱值所构建的模型（R2=0.612, RMSE=0.89）;(5)基于比值导数法的棉花蚜害无人机成像光谱监测模型可以获取田块尺度的不同严重度蚜害空间分布图,对于精准定量施药有重要的指示意义。     

基于叶绿素荧光光谱分析的稻瘟病害预测模型

为了实现稻瘟病的快速、准确和无损检测,力求构建稻瘟病害预测模型。根据水稻叶片相对病害面积将稻瘟病划分为3个等级,通过激光诱导法采集不同病害等级的活体水稻叶片叶绿素荧光光谱。选取502～830 nm波段激光诱导叶绿素荧光光谱(LICF)作为研究对象,利用Savitzky-Golay平滑法(SG)和一阶导数变换(FDT)对光谱信息进行预处理,通过主成分分析(PCA)方法获取经SG-FDT预处理后光谱的特征向量,根据累积贡献率和方差选取前3个主成分进行分析。将试验样本分为建模样本和检验样本,以稻瘟病害等级为预测指标,利用建模样本的133片叶片的光谱和病害信息分别结合判别分析(DA)、多类逻辑回归分析(MLRA)和多层感知器(MLP)建立稻瘟病的预测模型,利用检验样本的89片叶片的光谱和病害信息对所建模型进行预测检验,完成对PCA-DA、PCA-MLRA和PCA-MLP的对比寻优。结果表明,PCA-DA,PCA-MLRA和PCA-MLP模型均能完成对稻瘟病害的预测,但PCA-MLP模型的平均预测准确率能够达到91.7%,相比PCA-DA和PCA-MLRA模型,在稻瘟病害3个等级上均具有较好的分类和预测能力。     

田间原位光谱的鲜烟叶成熟度判别模型的研究

在田间原位对烟叶成熟度进行判别,能够有效减少由于对成熟度判断错误而导致的烟叶损失率升高、质量下降的问题,而传统的人眼结合叶龄的田间成熟度判别方法缺少客观性,因此提出采用光谱特征参数结合支持向量机的方法对田间原位烟叶成熟度进行判别。以专家评定并在田间原位进行测量的五个成熟度等级共351个烟叶反射光谱作为试验样品,五个成熟度等级分别为M1,M2,M3,M4,M5。通过对反射光谱的分析发现,不同成熟度烟叶的光谱在可见光波段能够得到区分,而在近红外波段区分不明显,因此在可见光波段进行分析建模。分别采用可见光范围内的连续光谱(350～780 nm)、特征波段(496～719 nm)、光谱特征参数(绿峰幅值、绿峰位置、红边幅值、蓝边幅值、红边面积、蓝边面积、红边位置、蓝边位置)作为输入变量,采用支持向量机方法(supportvector machine,SVM)建立烟叶成熟度判别模型。结果表明,应用可见光光谱特征参数作为输入变量所建立的模型的正确识别率达到98.85%,而应用可见光连续谱、可见光特征波段作为输入变量的正确识别率分别为90.80%和93.10%。因此使用可见光光谱特征参数建立支持向量机的鲜烟叶成熟度判别模型对田间原位烟叶成熟度进行判别是可行的。     

基于多源数据的新疆棉田螨害大范围监测研究

针对新疆棉田传统螨害监测方法耗时低效的问题,提出了一种基于冠层高光谱、近地多光谱、环境数据与地面调查相结合的多源数据棉田螨害大范围监测方法。首先,分别采集地面尺度的棉花冠层350~2 500 nm高光谱遥感数据和不同时期低空尺度的棉田无人机多光谱遥感影像数据,通过分析高光谱的原始光谱和一阶微分光谱特征,提取出了4个螨害敏感波段,分别为：绿光波段553 nm附近、红光波段680 nm附近、红边波段680~750 nm、近红外波段760~1 350 nm,这几个波段同时包含在无人机搭载的多光谱传感器波段范围内,验证了低空尺度下无人机遥感螨害监测的可行性。其次,初选23种植被指数和13种田间环境数据,结合地面调查的螨害发生情况做相关性分析。其中,SAVI、OSAVI、TVI、NDGI、平均湿度、温湿系数和10 cm土壤平均温度均与螨害发生达到极显著相关水平（sig≤0.01）;RDVI、RVI、MSR、最高温度、平均温度、积温、10 cm土壤最高温度和10 cm土壤平均湿度均与螨害发生达到显著相关水平（sig≤0.05）。选取sig值在0.05以下的15种特征值,分别建立基于单一环境数据、单一植被指数、环境数据与植被指数相结合的3种支持向量机（SVM）棉田螨害发生监测模型。最后,根据评价效果最优的监测模型,绘制不同时期的螨害遥感监测空间分布图,通过统计分布图中螨害和健康像元数计算出螨害面积占比,将螨害占比与同时期田间环境数据进行相关性分析,筛选出显著特征值,再通过多元逐步回归分析法确定出与螨害面积值关系最密切的环境因子,建立棉田螨害面积预测模型。结果表明：基于单一环境数据的棉田螨害发生监测模型准确率为62.22%,基于单一植被指数的棉田螨害发生监测模型准确率为75.56%,基于环境数据与植被指数相结合的棉田螨害发生监测模型效果最优,准确率为80%。螨害面积预测模型的决定系数R2=0.848,模型拟合度较好。本研究基于多源数据建立的棉田螨害发生监测模型和螨害面积预测模型,可以为新疆地区棉田螨害的大范围监测和趋势预警提供参考。     

云计算的蚕豆虫害可见-近红外光谱分类

利用蚕豆叶片可见-近红外反射光谱结合导数光谱对健康、少量、大量虫害三种等级的实验样本进行光谱特征分析,并选择虫害检测最优波段。采用Hadoop,Spark和VMWare虚拟机搭建云计算平台,使用MLlib机器学习库实现人工神经网络(ANN)和支持向量机(SVM)分类算法,并对三种等级蚕豆叶片全波段和最优波段光谱进行分类建模与预测。结果表明ANN虫害光谱分类模型准确率优于SVM虫害光谱分类模型,并且在云平台上运行效率更高,同时全光谱波段的预测准确性高于最优波段。通过扩展光谱数据集,云计算技术在光谱数据挖掘中的计算效率有显著提升。云计算分类检测可以为作物生物胁迫光谱识别提供新的技术和方法。     

基于紫外‐可见透射光谱技术和极限学习机的早期鸡胚雌雄识别

为了对鸡种蛋胚胎进行雌雄识别,探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性,搭建了鸡种蛋透射光谱检测系统,采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱,光谱范围为360~1 000 nm。构建极限学习机（ELM）鸡胚雌雄识别模型,通过比较不同放置方式和孵化天数下模型的识别准确率,发现竖向放置且孵化第7 d的识别效果最好;将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、可见光（380~780 nm）、近红外（780~1 000 nm）、紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析,预测集准确率分别为82.86%,77.14%,75.71%,84.29%和81.43%,筛选出360~780 nm的紫外-可见光波段为有效波段;在紫外-可见光（360~780 nm）波段,采用多元散射校正（MSC）去噪,并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维,建立不经筛选特征波长、CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。其中不经筛选特征波长的ELM模型识别效果最好,但输入变量最多,隐含层神经元为680且激活函数为sig时,预测集准确率为84.29%。SPA筛选特征波长的ELM模型识别效果次之,输入变量有9个,隐含层神经元为840且激活函数为hardlim时,预测集准确率为81.43%。CARS筛选特征波长的ELM模型识别效果最差,输入变量有27个,隐含层神经元为100且激活函数为sig时,预测集准确率为78.57%;用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值,不经筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,SPA筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,CARS筛选特征波长建立的GA-ELM模型,预测集准确率为81.43%。紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同,表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息,SPA使用的变量数仅占紫外-可见光波段的2.14%,因此,雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型,预测集准确率为87.14%,其中,雌性识别率为88.57%,雄性识别率为85.71%,单个样本平均判别时间0.080 ms。结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。     

小米米粉碱消值的高光谱快速预测

小米米粉的主要成分是淀粉,其食味品质决定小米米粉的市场价值。糊化特性是小米米粉的重要物理特性,而碱消值是能够直接反应其糊化特性的主要特征指标。通过小米米粉碱消值的差异,可以间接反映直链淀粉含量,当碱消值降低时,相反,糊化温度和直链淀粉含量却很高,而小米米粉口感粘糯性越差。采用高光谱技术结合化学计量学方法,建立快速检测小米米粉碱消值预测模型,旨在探索一种快速、无损、低成本预测小米米粉碱消值的方法。实验采集小米米粉高光谱数据,在被测样品感兴趣区域(ROI)按像素点逐一选择,提取高光谱数据矩阵,并进行均值运算,得到每个样品在各个光谱波段的平均光谱值。利用粘度测定仪(RVA)测定小米米粉碱消值指标。光谱数据采用全波段、竞争性自适应重加权采样法(CARS)及随机蛙跳(RF)法选择特征波段处理,建立偏最小二乘回归(PLSR)模型;全波段建立预测模型R_p值最高为0.77,说明能够利用小米米粉高光谱反射率反演小米米粉的碱消值,而采用其他两种计算方法所得R_p值分别为0.72和0.7,与前者较为接近,也反映了采用CARS和RF建立的回归模型具有可行性。为提高预测精度,采用Savitzky-Golay(S-G)法、多元散射校正(MSC)和S-G+MSC对数据预处理。可以看出采用MSC预处理光谱数据建立PLSR模型性能较好(R_p=0.83)。对MSC预处理后的数据再次CARS和RF法选择特征波段,建立PLSR模型,与未进行预处理的回归模型相比,R_p值变化不大,这也说明CARS和RF具有一定的稳定性,可以作为小米米粉高光谱反射率预测碱消值的参考方法。结果表明：为实现对小米米粉碱消值的快速、无损检测,通过运用高光谱技术能够利用小米米粉高光谱反射率预测碱消值,进而为小米米粉品质评级、加工及碱消值传感器的开发提供参考依据和数据支撑。     

可见近红外高光谱成像对灵武长枣定量损伤等级判别

利用可见近红外（Vis-NIR）高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。采用定量损伤装置得到损伤Ⅰ,Ⅱ,Ⅲ,Ⅳ和Ⅴ级的灵武长枣,借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。提取感兴趣区域（region of interest,ROI）并计算样本平均光谱值。利用光谱-理化值共生距离算法（SPXY）将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。灵武长枣原始光谱建立偏最小二乘判别分析（PLS-DA）分类模型,得到校正集和预测集准确率分别为72.70%和86.67%;灵武长枣原始光谱数据采用移动平均（MA）、卷积平滑（SG）、多元散射校正（MSC）、正交信号修正（OSC）、基线校准（baseline）和去趋势（de-trending）等方法进行光谱预处理并建立PLS-DA分类判别模型。通过分析比较,得到MSC-PLS-DA为最优分类判别模型,校正集准确率为76.19%,预测集准确率为86.67%,其中校正集比原始光谱建模准确率提高了3.49%,预测集准确率较原始光谱建模结果未提高;为了提高建模效果,对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法（SPA）、无信息变量消除（UVE）、竞争性自适应加权抽样（CARS）和区间变量迭代空间收缩法（iVISSA）等算法提取特征波长,建立PLS-DA分类判别模型,结果表明,MSC-CARS-PLS-DA为最优模型组合,校正集准确率为77.14%,预测集准确率为89.52%,建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。结果表明,Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。     

基于荧光光谱信息的绿色植物探测研究

针对农作物病、虫、草害化学防治时对靶变量施药以减少农药使用量、提高农药利用率的需求,本文研究了基于荧光光谱信息和主动光源方法在不同环境下探测绿色植物的方法。通过白色、蓝色和红色LED主动光源照射样本,采集了白天室内自然光照、白天太阳直射、白天无太阳直射和夜晚黑暗环境四种场景下的绿色植物和非绿色植物样本光谱。首先基于多波段光谱信息建立簇类独立软模式法（SIMCA）和线性判别分析（LDA）模型,验证利用主动光源照射下绿色植物荧光光谱探测绿色植物的可行性。试验结果表明,白色、蓝色和红色三种LED光源照射下SIMCA模型对预测集样本的识别率均达到92%以上,拒绝率均为100%;三种光源照射下LDA分类模型均能准确识别出预测集所有样本,检测效果优于SIMCA模型,且三种LED光源的效果无显著差异。为开发低成本绿色植物探测传感器,建立了绿色植物与非绿色植物样本分类目标函数,通过粒子群算法（PSO）优选单一连续光谱波段原始光谱并建立了绿色植物和非绿色植物样本的阈值分类模型。结果表明,白色、蓝色和红色LED光源照射下优选的原始光谱波段分别为731.1, 730.76和731.1 nm,对应阈值分类模型分类预测集样本的F1-score分别为76.71%,80.52%和78.48%,蓝色LED光源的效果最好。该研究优选的主动光源类型和连续检测波段可为开发基于单波段的低成本绿色植物探测传感器提供理论依据。     

基于叶绿素荧光光谱指数的温室黄瓜病害预测

温室蔬菜病害的发生及大面积流行严重影响设施农业的生产管理, 大大降低设施农业的经济效益。为了实现温室蔬菜病害的无损准确预测, 以黄瓜霜霉病害为例, 利用激光诱导叶绿素荧光构建光谱特征指数, 建立了温室蔬菜病害的预测模型。在试验中采用对比分析的方法, 通过对作物健康叶片接种病菌孢子, 分别采集健康、接种2 d、接种6 d和出现明显病症共4组试验样本的光谱曲线, 定性分析了荧光强度随叶片样本感染病菌孢子的变化规律;利用光谱曲线不同波段峰谷值创建了叶绿素荧光光谱指数k₁=F₆₈₅/F₅₁₂和k₂=F₇₃₄/F₅₁₂, 根据数值的变化范围, 设定k₁和k₂分别为20和10时可以作为判断样本出现明显病症与未出现明显病症的特征值, 其判断的准确率分别达到96%和94%;利用构建的光谱指数与样本健康状况的分类结果, 选择光谱指数F₆₈₅/F₅₁₂,F₆₈₅-F₇₃₄,F₇₁₅/F₆₁₂可以定性判断样本健康状况, 并选择光谱指数F₆₈₅/F₅₁₂,F₇₃₄/F₅₁₂,F₆₈₅-F₇₃₄,F₇₁₅/F₆₁₂作为建立定量分析模型的输入量, 以预测集分类准确率作为评价标准, 对比判别分析、BP神经网络、支持向量机三种数据建模方法, 结果表明支持向量机作为霜霉病害预测的建模方法, 其预测能力达到91.38%。利用激光诱导叶绿素荧光构建光谱指数方法, 研究植物病害的预测问题, 具有很好的分类和鉴别效果。     

压力作用下石英砂岩的热红外光谱变化与敏感响应波段

在实验室对石英砂岩进行单轴压缩加载,利用红外光谱辐射计(观测波段8～14μm)对加载过程中试样的红外光谱辐射变化特征进行观测,研究岩石红外辐射对应力响应的敏感波段。实验结果显示,当岩石被加载时,红外光谱随之发生变化,但不同波段变化特征不同,在8.0～11.5μm范围(尤其在8.6～9.1μm)石英砂岩的红外光谱辐射强度随载荷增加而增加,二者间近似呈两次曲线关系,且光谱辐射强度的"信噪比"较高;在其它波段光谱辐射强度与载荷的相关性差且"信噪比"较低。由此表明,8.0～11.5μm是石英砂岩红外辐射对应力响应的敏感波段,也是岩石应力与灾变红外遥感监测的优势波段,而最佳监测波段是8.6～9.1μm。     

高光谱成像技术的库尔勒梨早期损伤可视化检测研究

利用高光谱成像技术对库尔勒梨早期损伤进行快速识别检测。以60个库尔勒梨为研究对象,采集380～1 030 nm波段范围内完好样本和损伤后1～7天样本的480幅高光谱图像。提取图像中感兴趣区域(ROI)的平均光谱信息,利用小波变换(WT)对光谱数据进行去噪平滑,将去噪后的全部样本按2∶1的比例分成建模集(320个)和预测集(160个)。利用二阶导数从全谱信息中提取出19个特征波长,分别基于全谱和提取出的特征波长对建模集和预测集进行支持向量机(SVM)建模分析。结果表明,基于全谱和特征波长的判别分析模型中,两者预测集的识别率都达到93.75%,表明提取的特征波长包含了光谱数据中的关键信息。然后,基于特征波长运用波段比运算挑选最佳波段比,根据波段比F值的分布确定光谱图像分割的最佳波长684和798 nm。对最佳波段比(684/798 nm)下的图像,利用选择性搜索(SS)对高光谱图像中样本的完好和损伤区域进行分割,从分割结果来看,1～7天损伤样本的受损区域能够被准确检测出来。研究结果表明：基于高光谱成像技术对库尔勒梨进行损伤鉴别是可行的,该研究所获得的特征波长和波段比为研发在线实时的库尔勒梨损伤检测系统提供支撑。     

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。     

海洋气溶胶多光谱偏振特性研究

为提高海洋气溶胶的反演精度,定量研究了气溶胶在可见近红外波段的多光谱偏振辐射特性。首先建立了合理的海洋气溶胶及海面模型,基于逐次散射法准确模拟了光在气溶胶中及大气—海洋交界面处的矢量辐射传输过程,接着从光谱角度定量分析了典型波段处的反射率和偏振反射率,在此基础上提出了海洋气溶胶偏振辐射的光谱分布模型,并用卫星数据对模型进行验证,最后研究了气溶胶光学厚度、观测角度、海水叶绿素a浓度和海面风速对气溶胶多光谱偏振辐射的影响。研究表明,在可见近红外波段不考虑大气吸收和耀斑效应时,气溶胶偏振辐射的光谱变化符合幂函数模型;在不同波段处,海洋气溶胶的偏振辐射受海水叶绿素a浓度和海面风速的影响不同;海洋气溶胶的多光谱偏振辐射信息有效体现了气溶胶的自身特性,且与反射率相比,偏振反射率随各因素的变化存在更明显的谱段差异性。因此,可以运用气溶胶的多光谱偏振信息反演海洋气溶胶参数,多光谱探测的加入对提高气溶胶反演精度具有重要意义。     

热红外光谱的石榴子石亚类识别方法

高光谱技术快速、无损、精确探测矿物,能够清楚的反映矿物化学成分的改变。石榴子石在热红外波段具有诊断性的三峰式特征。反射峰波长与化学成分关系密切,所以可以依据石榴子石在热红外波段的光谱特征开展其亚类分类研究。钙铬榴石和锰铝榴石反射峰位置易于与其他亚类区分,而铁铝榴石和镁铝榴石、钙铁榴石和钙铝榴石的反射峰位置有较大重叠区域,无法直接判别,因此亟需一种基于热红外光谱的快速、准确识别石榴子石亚类的分类方法。基于热红外光谱库中85个不同类型的石榴子石样本数据获取其3个反射峰位置及波长差值信息,利用非线性BP神经网络、聚类分析以及多元线性判别分析3种方法开展石榴子石亚类识别实验,并运用精确率、召回率和F1值进行分类精度评价。结果显示：BP神经网络算法分类的精确率、召回率和F1值均能达到100%,铁铝榴石和镁铝榴石、钙铁榴石和钙铝榴石得到很好地区分;聚类分析和多元线性判别分析分类的精确率、召回率和F1值分别为86.1%、80%和79.2%,84.2%、80%和79.5%,这两种方法对反射峰重叠的铁铝榴石和镁铝榴石、钙铁榴石和钙铝榴石分类效果不好,因此BP神经网络更适合石榴子石亚类识别。本研究利用BP神经网络强大的非线性自动映射能力,找到了石榴子石热红外谱段反射峰位置与亚类类型之间复杂的映射关系,证明了BP神经网络方法与热红外光谱特征结合使用的可行性与优越性,为石榴子石亚类识别提供了快速有效的技术支撑,同时为其他矿物的快速有效识别提供了良好的技术启示。     

基于LIBS和遗传算法的畜禽粪便中钙含量研究

为实现畜禽粪便高效、安全资源化利用,快速、准确定量表征分析畜禽粪便中钙(Ca)元素含量具有重要意义。以我国畜禽养殖比较集中地区的代表性畜禽粪便样本为对象,探讨了LIBS快速、定量分析其Ca元素含量模型构建和通过GA筛选变量优化模型的可行性。采集光谱的仪器参数设置如下：采集点数、激光能量、压制样压力、光斑大小和延迟时间分别为80个,15%,20 T,400 μm和1 μs。建模结果表明：采用基于Ca元素特征波长所建三种线性模型精度较低;基于全谱的PLS所建模型中,R2_v和RPD分别为0.85和2.13;选用化学计量学方法-遗传算法进行变量筛选可显著减少建模变量信息,提高建模效率,经GA优选所得12个变量所建PLS模型中R2_v和RPD为0.90和3.04,具有较高精度和实际应用价值。研究表明,将激光诱导击穿光谱技术和遗传算法相结合可定量分析畜禽粪便中Ca元素含量。     

高光谱数据对损伤长枣的检测判别

灵武长枣作为宁夏优势特色枣果,具有重要的经济社会价值和科学研究意义。利用可见近红外(Vis/NIR)高光谱成像系统采集60颗完整长枣光谱图像,然后利用损伤装置对60颗完整长枣进行损伤实验,最终得到60颗损伤（内部瘀伤）长枣,高光谱成像系统采集损伤后五个时间段（损伤后2,4,8,12和24 h）长枣的光谱图像。对采集的长枣光谱图像用ENVI软件提取感兴趣（ROI）区域,并计算完整长枣和每个时间段长枣的平均光谱值。原始光谱利用Savitzky-Golay平滑的一阶导数（SG-1）和二阶导数（SG-2）、标准正态变换（SNV）和去趋势（Detrending）、以及SNV-SG-1、SNV-SG-2、Detrending-SG-1、Detrending-SG-2算法进行预处理,原始光谱和预处理光谱建立偏最小二乘判别分析（PLS-DA）分类模型。选择最优的预处理光谱数据,利用连续投影算法（SPA）、间隔随机蛙跳（IRF）、无信息消除变量（UVE）、变量组合集群分析法（VCPA）、区间变量迭代空间收缩法（IVISSA）和IRF-SPA、UVE-SPA、IVISSA-SPA等算法进行特征变量选择,对选择的特征变量建立PLS-DA、线性判别分析（LDA）和支持向量机（SVM）分类判别模型。结果表明,在原始光谱建立的PLS-DA模型中,模型校正集和预测集准确率分别为82.96%和90%。光谱经过预处理后得到SNV-SG-2-PLS-DA为最优分类判别模型,模型校正集和预测集准确率分别为91.11%和96.67%。在特征变量建立的分类模型中,SNV-SG-2-UVE-PLS-DA模型校正集和预测集准确率分别为86.3%和94.44%;SNV-SG-2-SPA-LDA模型校正集和预测集准确率分别为86.3%和83.33%;SNV-SG-2-UVE-SVM模型校正集和预测集准确率分别为77.78%和71.11%。对于分类模型来说线性分类模型（PLS-DA、LDA）分类结果优于非线性分类模型（SVM）分类结果,在线性分类模型结果中PLS-DA优于LDA分类结果,PLS-DA可以更好的提供分类效果。研究表明,利用高光谱结合偏最小二乘判别分析分类模型,可以有效的实现灵武长枣损伤后随时间变化的快速检测,为灵武长枣在线检测提供理论依据。