生成式对抗网络的土壤有机质高光谱估测模型

已有的土壤有机质含量估测模型大多以光谱特征波段、线性和非线性模型为基础,较少考虑通过拓展样本数据建模集来提高模型的估测能力。为进一步提高土壤有机质高光谱反演模型估测精度,提出利用生成式对抗网络(GAN)合成伪高光谱数据和有机质含量的动态估测模型。选取湖南省长沙市及周边区域的水稻田为研究对象,采集土样和实测高光谱数据(350~2 500 nm),室内化学测定有机质含量。以高光谱数据和有机质含量为基础,利用生成式对抗网络生成等量新数据, 结合原始数据建模集组成增强建模集。在GAN正式训练中,每轮训练完成后,设置4个观测点(对应增强建模集中含50,100,150和239个生成样本),动态构建交叉验证岭回归(RCV)、偏最小二乘回归(PLSR)和BP神经网络(BPNN)土壤有机质含量估测模型(分别简称GAN-RCV,GAN-PLSR和GAN-BPNN),并在相同测试集上实施模型评估。实验结果表明：(1)原始数据建模集上拟合的估测模型中,交叉验证岭回归表现最佳,决定系数(R2)和均方根误差(RMSE)分别为0.831 1和0.189 6;(2)GAN的150轮正式训练中,增强建模集上动态构建的GAN-RCV,GAN-PLSR和GAN-BPNN模型性能显著提高,具体表现为：GAN-RCV的R2取得最大值0.890 9(RMSE 0.153 7)、最小值0.850 5 (RMSE 0.18)与平均值0.868 7(RMSE 0.168 6),最大R2比建模集上拟合的RCV提高了7.2%(RMSE降低了18.9%),GAN-PLSR获得R2最大值0.855 4(RMSE 0.176 9)、最小值0.727 0 (RMSE 0.243 2)与平均值0.780 1 (RMSE 0.217 7),最大R2比建模集上拟合的PLSR提高了20.6%(RMSE降低了29.5%),GAN-BPNN表现最佳,R2取得最大值0.905 2(RMSE 0.143 3)、最小值0.801 7(RMSE 0.207 3)与平均值0.868 1(RMSE 0.168 6),最大R2比建模集上拟合的BPNN提高了30.8%(RMSE降低了44.5%);(3)随着增强建模集中生成样本数量增加,模型精度提升效果呈先升后降趋势,4个观测点中第3个观测点的模型性能提升最显著。充分的实验表明：基于GAN动态构建的有机质含量估测模型显著改善了模型预测性能。依据测试集上的评估结果,可择优使用最佳模型进行后续土壤有机质含量估测。     

铁皮石斛品质影响因素快速无损检测及光谱特性分析

随着人民生活水平的提高,中草药的保健功能越来越得到大家的重视,铁皮石斛是我国名贵中药材,素有“救命仙草”之称。尝试用叶绿素、糖度和pH值作为铁皮石斛的品质指标,选择安徽霍山、浙江雁荡山和云南3个不同产地的铁皮石斛作为研究对象,提取不同铁皮石斛的光谱数据和理化参数,然后进行各品质指标的反演,最终建立品质指标与光谱之间的相关模型,并对模型的有效性进行分析。实验中的研究对象是铁皮石斛的茎,用ASD光谱仪得到三种铁皮石斛茎的光谱数据,再把同一批样本研磨碎,放入离心管中加入甲醇溶液密封,并用锡箔纸包装处理制成相应的溶液,采用分光光度计、糖度计和pH计测量叶绿素含量、糖度和pH值,每个样本分别选取离心试管中的上层,中层,下层溶液检测糖度,测量3次并取平均值,以此结果作为对照组。原始光谱数据通过小波变换去除噪声和降维,将得到的能量系数（包括波段与尺度）,与铁皮石斛对照组的理化参数进行相关性分析,选取决定系数中较高的能量系数作为小波特征,用最小化二乘法对小波特征拟合。用全部实验样本作为测试集,随机选取70%作为验证集,对于浙江雁荡山、安徽霍山和云南三种不同品种铁皮石斛：叶绿素含量反演模型的决定系数（R2）分别为0.819,0.820和0.865,均方根误差（RMSE）分别为为0.035,0.013和0.017;糖度反演模型的决定系数（R2）分别为0.756,0.764和0.823,均方根误差（RMSE）分别为0.025,0.030和0.0368;pH值的反演模型决定系数（R2）分别为0.819,0.820和0.865,均方根误差（RMSE）分别为0.0345,0.013和0.017。从中可以发现,三种不同铁皮石斛的品质反演模型和决定系数（R2）均大于0.80,均方根误差（RMSE）小于0.10。实验证明了铁皮石斛中叶绿素、糖度和pH值的光谱特性对其进行品质评估的可行性。     

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。     

基于IERT的非线性全光谱复杂水体定量分析算法研究

水是一种有限的资源,对农业、工业乃至人类的生存都是必不可少的,良好的水环境是可持续发展的重要保障。对水质信息的科学监测,是实现水资源优化配置与高效利用的基础。联合国环境署（UNEP）与世界卫生组织（WHO）指出,应当加强发展中国家的水质监测网络,包括数据质量的保证和分析能力的提高。光谱法作为一种新兴的水质分析方法,相比传统的化学水质监测方法,具有“响应速度快、多参数同步、绿色无污染”的特点。传统单波长、多波长的线性模型依赖于水体对特定波长的吸收特征,不适用于多组分混合溶液且普适性较差。因此,提出了一种基于IERT的非线性全光谱定量分析算法,建立适用于多组分混合溶液浓度预测模型,达到利用全光谱信息来预测浓度信息的目的。利用实验室配置的COD,BOD₅和TOC多组分混合溶液与NO₃-N、浊度、色度多组分混合溶液作为实验样本,使用光谱仪采集样本的光谱曲线,通过全光谱数据进行浓度预测实验,结果显示,对于COD,BOD₅和TOC多组分混合溶液,本算法对于三种组分的决定系数（R2）分别为0.999 3,0.991 4和0.999 3,均方根误差（RMSE）分别为0.024 4,0.057 7和0.000 4;对于NO₃-N、浊度、色度多组分混合溶液,决定系数（R2）分别为0.983 4,0.868 4和0.981 0,均方根误差（RMSE）分别为0.100 5,0.326 4和0.120 2。通过对比本算法与偏最小二乘（PLS）、支持向量机回归（SVR）、决策树（DT）、极端随机树（ERT）对于同一组数据的实验结果,表明：在两组多组分混合溶液的实验中,本算法对于其中各组分的决定系数（R2）均为最优,相比于其他对比算法均方根误差（RMSE）均有大幅减少。本算法可利用光谱信息对多组分混合溶液进行定量分析,在计算时间相当的情况下,可有效的提高浓度预测精度,减少定量分析的均方根误差,可为光谱法水质监测提供一种新的有效途径。     

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。     

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。     

CSRe储存环等时性模式转变能洛伦兹因子曲线的测量与校正

综述了兰州冷却储存环CSRe上转变能洛伦兹因子的测量与校正的最新进展,详细阐述了基于等时性质谱仪实验数据测量储存环的转变能洛伦兹因子的方法,以及利用CSRe二极、四极、六极磁铁校正转变能洛伦兹因子曲线的结果。实验结果表明,二极磁铁和四极磁铁可以平移转变能洛伦兹因子曲线,六极磁铁可以旋转转变能洛伦兹因子曲线。通过校正CSRe的转变能洛伦兹因子曲线,将CSRe对目标离子的质量分辨能力R=m/△m=3.15（9）×104（FWHM）（回旋周期相对误差σT/T=7.3（2）×10-6）提高到1.72（4）×105（FWHM）（σT/T=1.34（3）×10-6）。     

优化光谱指数的露天煤矿区土壤重金属含量估算

光谱学提供了对土壤中许多元素进行定量分析和快速无损检测的方法。可见光和近红外反射光谱（Vis-NIR）为研究土壤重金属污染提供了一个有用的工具。于新疆准东露天煤矿区采集51个0～10 cm深度的土壤样品，在实验室中分别测定样品的有机质（SOM）含量、重金属砷（As）含量与高光谱；使用基于JAVA语言自主开发的两波段组合软件V1.0（No: 2018R11S177501）计算不同高光谱数据变换形式（原始反射率（R），倒数（1/R），对数（lgR）和平方根（）下Vis-NIR区域（400~2 400 nm）所有两波段组合得到的优化光谱指数（NPDI）与As的相关性，在最优光谱指数（|r|≥0.73和p=0.001）中通过变量重要性准则（VIP）进一步筛选VIP≥1的指数作为模型自变量，基于地理加权回归（GWR）模型估算As含量并使用四个交叉验证度量标准：相对分析误差（RPD），决定系数（R2），均方根误差（RMSE）和最小信息准则（ACI）评价模型精度，从而探讨优化光谱指数方法应用于高光谱检测露天煤矿区土壤重金属砷含量的可行性。结果表明：(1）研究区As含量离散度较高，所有样品中SOM含量均小于2％，且As含量与SOM含量在0.01的显著性水平上无显著相关性（|r|=0.113）。（2）As含量与单波段光谱反射率的相关性很低（|r|≤0.228），而通过R，1/R，lgR，计算的NPDIs与As含量的相关性在近红外（NIR，780~1 100 nm）和短波红外（SWIR，1 100~1 935 nm）光谱中发现最高的相关系数和最低的p值（|r|≥0.73和p=0.001），在长波近红外（LW-NIR）区域基于R形成的NPDIs与As含量相关性最高（|r|=0.74）。（3）VIP方法分别筛选NPDI_{R（1 417/1 246）}，NPDI_{1/R（799/953，825/947）}、NPDI_{sqrt-R（1 023/1 257，1 008/1 249，1 021/1 250，1 020/1 247）}和NPDI_{lgR（801/953，811/953，817/951，825/947，828/945）}为GWR模型自变量。(4）从4个预测模型的表现可以看出，Model-a（R）与其他三个模型（Model-b（1/R），Model-c（）和Model-d（lgR））相比，它具有最高的验证系数（R2=0.831，RMSE=4.912 μg·g-1，RPD=2.321）和最低的最小信息准则值（AIC=179.96）。优化光谱指数NPDI_{R(1 417/1 246)}有助于快速准确地估算As含量，为进一步获取地表土壤重金属污染分布信息提供理论支持和应用参考，促进露天煤矿区环境污染快速有效调查和生态可持续发展。     

高光谱早稻生理指标可跨期预测性的初步研究

叶绿素含量和叶片氮含量是作物生长状况的重要指标,对其实时精准的监测有助于田间生产管理以及作物品质产量的提高。当前,高光谱技术和经验回归方法被广泛应用于构建作物生化参数预测模型。但是,有关同一生命活动周期内,作物跨期预测叶片生化参数的研究还存在空白。以超级早稻为研究对象,分别获取了蘖盛期、孕穗期、齐穗期、灌浆期和成熟期5个时期120组叶片高光谱数据、叶绿素以及叶片氮含量（LNC）,采用python 3.6编程,scikit-learn(0.22.1)用来构建模型和验证评估,通过网格搜索(GridSearch)和五折交叉验证(5-flod cross validation)在训练集中确定偏最小二乘回归(PLSR)、随机森林（RF）、支持向量回归（SVR）3种不同算法的最佳模型参数,结合数据的跨期处理,分别建立针对不同生育期的水稻叶片氮含量跨期预测模型和叶绿素跨期预测模型。此外,评估跨期预测模型与传统非跨期预测模型,独立数据对模型进行检验。结果表明,(1) 基于高光谱的早稻叶绿素、氮素的非跨期预测模型中,PLSR模型预测效果最佳,分别为叶绿素（R2=0.84, RMSE=1.85）、氮素（R2=0.85, RMSE=0.11）。(2) 基于SVR的早稻叶绿素跨期预测模型预测效果最佳,分别为跨分蘖期（R2=0.54）、跨孕穗期（R2=0.36）、跨齐穗期（R2=0.30）、跨灌浆期（R2=0.55）、跨成熟期（R2=0.74）。该结果为利用高光谱数据构建超级稻叶绿素含量预测模型提供新的理论参考,为水稻叶绿素含量的动态监测提供了模型依据。(3)早稻叶片氮含量跨期预测模型的拟合度很差,叶片氮含量预测具有不可跨期性。与非跨期预测模型相比,跨期预测模型虽然精度有所下降,但能有效克服经验模型普适性差的缺陷,有利于在同一生命活动周期内,实现作物不同生育期的生理指标预测,对实际生产管理具有重要意义。研究发现,作物生理指标存在可跨期预测性,这一概念为作物表型、作物内部品质以及产量的预测研究提供了新的思路。     

基于LLE-BPNN的小麦岛海水硝酸盐含量分析

水中过量的硝酸盐会造成部分水生生物难以存活、引发人类尤其是婴儿患病等危害, 因此硝酸盐浓度成为水质检测中的一项重要指标。传统的硝酸盐浓度测量方法操作复杂、反应缓慢,近年许多研究人员开始通过紫外可见（UV-Vis）光谱技术结合人工神经网络（ANN）的方法对水中硝酸盐的含量进行测量。提出了一种将流形学习（manifold learning）方法中的局部线性嵌入（LLE）与反向传播神经网络（BPNN）相结合的建模方法,用以得到硝酸盐光谱曲线与浓度间的关系,实现对青岛市崂山区小麦岛海水中硝酸盐浓度快速准确的定量分析。实验选取了过滤后的小麦岛海水配置59组不同浓度的加标溶液,采用实验室自主研制的光谱分析仪采集这些样本的光谱测量值,通过标准正态变换（SNV）方法对测得硝酸盐溶液的光谱数据进行校正处理,有效降低了由仪器本身或环境带来的噪声影响;选取预处理后的光谱数据的前1 500维处理后进行对比实验,以解决使用BPNN对全部2 048维数据建模时内存不足的问题,再通过网格搜索结合十折交叉验证的方法优化LLE中的邻近点数k和嵌入维数d,得到最优参数值k=15,d=3,实现对实验数据的降维处理;通过BPNN将降维后的训练集光谱信息与其对应的浓度信息进行建模,实现对预测集硝酸盐浓度定量分析,引入决定系数（R2）和预测均方根误差（RMSEP）评价建模效果,与直接使用BPNN建模预测的结果比较,改进方法的R2由0.926 3提升至0.992 8,RMSEP由0.442 5下降到0.280 4,建模预测程序的运行时间由327 s缩短至0.5 s。采用这59组数据的全部2 048维进行LLE-BPNN建模时,得到R2=0.995 7,RMSEP=0.136 5,在用时相近的前提下,相比仅使用前1 500维时的建模精度更好。分析结果表明,LLE-BPNN的方法可实现对海水中硝酸盐浓度的快速预测,使预测精度得到显著提升,同时能大幅降低预测时间。     

明胶水凝胶固化方法的水体中铜元素LIBS检测研究

水污染已是当今世界最严重的环境问题之一,如何提高水体重金属污染检测灵敏度、降低检测限、减少样品预处理程序、实现原位分析等已成为科研工作关注的热点。基于明胶水凝胶固化方法开展了CuSO₄溶液中Cu元素的激光诱导击穿光谱(LIBS)检测研究。采用Nd∶YAG激光器（输出波长1 064 nm,脉宽8 ns）作为激光光源,将明胶与CuSO₄溶液混合并通过加热、搅拌、老化等操作将CuSO₄溶液制成凝胶状固体,选取Cu Ⅰ 324.7 nm和Cu Ⅰ 327.4 nm作为分析谱线,通过研究铜等离子体光谱强度随明胶与CuSO₄溶液质量比例的变化关系,获得了明胶CuSO₄溶液质量比例为2.5%的最佳实验条件,与直采CuSO₄溶液相比Cu Ⅰ 324.7 nm和Cu Ⅰ 327.4 nm的光谱强度分别增加了2.26和2.11倍,信背比分别增强了190.74和318.77倍。在明胶与CuSO₄质量分数比为2.5%的最佳实验条件下,制备了Cu2+浓度分别为8,12,16,24,48和64 mg·L-1的CuSO₄标准溶液的明胶凝胶样品,分别采用100,80和60 mJ激光能量对制备的6种浓度的CuSO₄标准溶液的明胶凝胶样品进行LIBS检测分析,建立了分析线Cu Ⅰ 324.7 nm和Cu Ⅰ 327.4 nm的定标曲线。在激光能量100,80和60 mJ下,Cu Ⅰ 324.7 nm的线性拟合系数R2分别为0.999,0.989,0.984,检测限分别为0.30,0.66和6.37 mg·L-1;Cu Ⅰ 327.4 nm的线性拟合系数R2分别为0.997,0.973和0.956,检测限分别为0.45,0.88和10.20 mg·L-1。研究结果表明：明胶水凝胶固化方法能够增强CuSO₄溶液中铜元素LIBS光谱强度,有效提高了LIBS在水体重金属检测中的灵敏度,减低了检测限。分析线Cu Ⅰ 324.7 nm线性拟合系数和检测限均优于Cu Ⅰ 327.4 nm,检测限和线性拟合系数随激光能量的增加改善程度增强,在激光能量100 mJ时,Cu Ⅰ 324.7 nm的定标曲线的线性拟合系数R2为0.999,检测限为0.30 mg·L-1,达到了富集方法的检测水平。明胶水凝胶固化方法样品制备程序简单,未引入污染元素,为LIBS技术应用于水体重金属污染检测提供了一种新方法。     

土壤水分去除算法的田间原位光谱反演棉田有机质

田间原位可见-近红外光谱(VIS-NIR)能够有效的提高土壤属性的检测效率,但由于原位土壤中水分因素的影响,土壤属性的预测精度很难达到预期。如何有效去除土壤中的水分对土壤其他属性光谱预测的影响,是利用田间原位光谱高精度预测土壤属性所面临的难题,也是土壤光谱技术由室内转向田间的突破口。该问题的有效解决,可减除土壤样品的采集与室内预处理等过程,实现土壤属性的田间原位光谱测定。以新疆南部地区阿拉尔垦区十二团棉田为研究区,采用网格采样法共采集了116个0～20 cm深度的表层土壤样品,剔除1个异常值样品,得到115个有用样品,利用SR-3500型便携式地物光谱仪采集了231个样点的田间原位光谱数据,土样经风干、研磨和过筛等处理后测定其室内光谱和有机质含量。利用Kennard-Stone算法将115个土样分为69个转换子集及46个预测集,采用外部参数正交化法(EPO)、光谱直接转换法(DS)及光谱间接转换法(PDS)三种去除水分算法结合原位光谱反射率(R)、反射率一阶微分(R′)、反射率对数(LOG(R))以及反射率倒数(1/R)四种数学变换方式,运用随机森林(RF)模型进行不同组合模型的构建及精度评价。结果表明：(1)土壤有机质含量越高,土壤光谱反射率越低。土壤田间原位光谱反射率低于土壤室内光谱反射率;(2)室内光谱反射率与土壤有机质含量之间的相关性大于田间原位光谱,室内光谱经一阶微分变换后与土壤有机质含量之间的相关性显著提升。(3)土壤室内光谱反射率模型预测精度(R2=0.86, RPD=2.08, RMSE=1.55 g·kg-1, MAPE= 0.14)高于田间原位光谱反射率模型(R2=0.71, RPD=1.49, RMSE=2.17 g·kg-1, MAPE=0.20)。在去除水分算法模型中,以EPO一阶微分模型去除水分效果最好,决定系数R2由0.71提高到0.83,RPD由1.49提高到2.04,RMSE由2.17 g·kg-1降低至1.58 g·kg-1,MAPE由0.20降低至0.14。本研究实现了去除土壤水分因素的影响,提高了田间原位光谱预测土壤有机质的精度,为南疆棉田大尺度土壤有机质的预测及土壤肥力的评价提供了重要的参考。     

LiNbO3和LiTaO3晶体Er3+/Yb3+掺杂水热外延层室温吸收光谱分析

本文引入与浓度和厚度有关的k_NL待定参数, 在J-O理论基础上, 对Er³⁺/Yb³⁺掺杂的LiNbO₃和LiTaO₃单晶衬底上 的多晶水热外延样品进行了基于吸收光谱的拟合计算. LiNbO₃:Ω₂=2.34× 10^-20 cm², Ω₄=0.77× 10^-20 cm², Ω₆=0.31×10^-20 cm², k_NL=4.32× 10^-2 mol·m^-2. LiTaO₃:Ω₂=1.68×10^-20 cm², Ω₄=0.84×10^-20 cm², Ω₆=0.45×10^-20 cm², k_NL=9.17×10^-3 mol· m^-2. 该方法可尝试推广到粉体或胶体等难以直接获得浓度和厚度数据的体系. 经上转换发光测试及光谱参数计分析认为Er³⁺/Yb³⁺离子的掺杂浓度比为1:1的情况下, 样品呈现绿色上转换发光光谱; 可尝试以降低基质声子能量的方法提高⁴I_13/2能级 对²H_11/2和⁴S_3/2能级的量子剪裁效率.     

基于有效集算法的大功率单色LED太阳光谱模拟仿真

利用单色LED实现对AM1.5标准太阳光谱可见光（380~780 nm）波段和标准光源CIE-D65的匹配,提出了通过有效集算法作为目标光谱的匹配算法,将Epitex公司的大功率单色LED的峰值波长和半高全宽数据作为有效集,并建立了一个数据库。将相关指数R²最大作为优化目标,通过MATLAB编程求解超定方程组的最小二乘解求出拟合所需要的单色LED的种类和数量。拟合AM1.5可见光的最佳组合中使用24种单色LED,相关指数R²高达0.850 2,拟合标准光源CIE-D65的最佳组合中使用25种单色LED,相关指数R²高达0.940 5。进行了增加LED和减少LED的优化实验。得出的结果对工程实践中单色LED拟合太阳光谱的研究提供了理论基础。     

A Method for Obtaining Integrable Couplings

By making use of the vector product in R³, a commuting operation is introduced so that R³ becomes a Lie algebra. The resulting loop algebra \tilde R³ is presented, from which the well-known AKNS hierarchy is produced. Again via applying the superposition of the commuting operations of the Lie algebra, a commuting operation in R⁶ is constructed so that R⁶ becomes a Lie algebra. Thanks to the corresponding loop algebra \tilde R³ of the Lie algebra R³, the integrable coupling of the AKNS system is obtained. The method presented in this paper is rather simple and can be used to work out integrable coupling systems of the other known integrable hierarchies of soliton equations.     

基于高光谱的水体BOD含量模拟估算

高光谱技术由于满足连续性与光谱可分性的要求,具有能够区别同一种地物不同类别的能力,且光谱数据获取速度快,操作简易,在监测水体分布状况、水体指标上具有突出成就。生化需氧量BOD是评价水污染的重要指标,现行常规的测量方法为五日培养法,这种方法消耗试剂、操作复杂、受干扰因素多、测定时间长、不能及时反映水质变化、无法及时有效地预警突发水污染事件,鉴于传统方法的缺点,探索基于高光谱技术的水体BOD含量的估算和反演对水质评定具有重要意义。以西安地区三处地表水为研究区,共计60处试验点,每处试验点重复测定10次光谱与BOD值,取平均值作为原始光谱,利用Person相关系数法筛选光谱与BOD值的敏感波段,并使用主成分分析与最小二乘法消除光谱指标的多重共线性,建立水质BOD指标的多元线性回归模型与偏最小二乘回归模型。研究结果如下：（1）BOD敏感波段大体分布于600～900 nm,共筛选出了35个显著相关的原始光谱指标,其中758 nm相关系数绝对值最高（0.418）;（2）经由主成分分析降维得出的Z₁和Z₂与BOD指标的多元线性回归模型精度较好（R2=0.565,RMSE=0.007）,且主成分分析中可以明显区分0～0.2与0.4～0.6 mol·L-1 BOD浓度;（3）光谱指标与BOD指标构建偏最小二乘回归模型的精度R2高达0.896,RMSEP=0.746 9（留一交叉法均方根误差）;jack.test检验发现628 nm对反演水体BOD含量的影响极其显著,889与893 nm波段对其影响较为显著;(4）根据模型拟合精度,筛选的最优的BOD反演模型为偏最小二乘回归模型,对偏最小二乘模型进行精度检验,精度较好（R2=0.81）。基于以上试验结果,提出了一种基于偏最小二乘法高光谱水质BOD参数的反演方法,为水质BOD参数动态检测提供了新方法。     

基于内标法和CARS变量优选的倍硫磷含量LIBS检测

利用共线双脉冲激光诱导击穿光谱（LIBS）技术对溶液中的倍硫磷含量进行定量检测研究。采用石墨对倍硫磷溶液进行富集,利用双通道高精度光谱仪获取样品的LIBS光谱。以碳元素谱线（CⅠ247.856 nm）为内标对210~260 nm波段谱线进行校正,然后利用竞争性自适应重加权算法（CARS）筛选与倍硫磷相关的重要波长变量,最后应用最小二乘支持向量机（LSSVM）建立倍硫磷含量的定标模型,并与基本定标法及内标法建立的单变量定标模型进行比较。研究结果表明,共线双脉冲LIBS技术可以用于溶液中的倍硫磷含量检测。基本定标法建立的最优定标模型的拟合度R²为0.935 04,预测集样品的平均预测相对误差（PRE）为41.50%;内标法建立的最优单变量定标模型的拟合度R²为0.993 61,预测集样品的平均PRE为14.91%;内标-CARS-LSSVM定标模型的拟合度R²为0.998 6,预测集样品的平均PRE为8.06%。对比上述3类定标模型,内标-CARS-LSSVM定标模型性能最优,内标法建立的定标模型次之,而基本定标法建立的定标模型最差。由此可知,CARS方法可以有效筛选倍硫磷相关的重要变量,内标法结合CARS及LSSVM方法可以改善定标模型性能,提高预测精度。     

基于Kalman滤波与DBN的油脂中TFAs含量近红外光谱分析

针对油脂脱臭过程中的反式脂肪酸（TFAs）含量控制问题,提出一种基于近红外光谱分析的油脂中TFAs含量快速检测方法。制备含不同TFAs的大豆油脂样本100个,利用气相色谱(GC)法精确测定其TFAs含量,扫描样本近红外光谱,然后利用不同方法对光谱数据进行降噪处理,发现多元散射校正的去噪效果最佳。为了探讨TFAs在近红外区域的吸收特性,采用多种iPLS方法对比分析,筛选出7 258～7 443/6 502～6 691/6 120～6 309 cm-1 TFAs的特征波段,再利用Kalman滤波算法进行特征波长变量的选择,优选出27个TFAs的特征波长变量;采用深度信念网络（DBN）建立校正模型,通过多次对比发现,当隐含层层数为3并且隐含层节点数为50-35-90时,DBN模型性能最佳。最后将DBN模型与PLS方法建立的反式脂肪酸含量回归模型进行对比分析,结果表明：对降噪后的全谱进行建模,DBN模型的预测效果优于PLS,DBN模型预测集R2为0.879 4、RMSEP为0.060 3、RSD为2.18％;对筛选出的特征波段建模,PLS模型的预测效果优于DBN模型;对优选出来的27个特征波长变量建模,DBN的预测效果较好,R2为0.958 4、RMSEP为0.035 0、RSD为1.31％,说明DBN模型的泛化能力更好,并且利用少量的波长变量就能达到较好的预测效果,能够满足实际检测需求,为实现油脂加工过程中TFAs含量的在线检测和调控,生产低/零TFAs油脂产品提供技术支撑。