偏离朗伯比尔定律NaCl水溶液的红外光谱合成

氯化钠水溶液中,水分子之间的氢键相互作用随氯化钠浓度变化而发生改变,导致不同浓度的水溶液光谱形状也不同,因此NaCl溶液的光谱不满足朗伯比尔定律。如果浓度c与吸光率A不满足朗伯比尔定律,则利用光谱差减技术扣除溶剂水的吸收峰问题就会遇到瓶颈,差减效果不能令人满意。利用二元线性回归分析法和双边夹原理合成杂化光谱,期望在偏离朗伯比尔定律体系,可以理论上获得各种浓度的NaCl水溶液的杂化光谱,并且保证杂化光谱与其代表的真实光谱高度相似。主要结论如下：(1)浓度c₁和c₂的NaCl水溶液的红外光谱分别为A_c1和A_c2,则浓度介于c₁和c₂之间的溶液光谱,均可用A_hc(c₁, c₂)=âA_c1 +A_c2来表示。A_hc(c₁, c₂)与浓度为c(c₁＜c＜c₂)的溶液的真实光谱A_c高度类似。(2)c₂和c₁间隔越小,杂化光谱A_hc(c₁, c₂)与真实光谱A_c的相似度越高,因此可根据精度要求选择合适的A_c1和A_c2来拟合A_hc 。(3)杂化光谱A_hc(2%, 30%)=âA_2%+A_30%,适用浓度区间2%～30%,涵盖浓度范围宽,效果令人满意。(4)回归系数â和与浓度c关系为â=-3.592c+1.058 9,=3.565c-0.0551 5。在2%~30%浓度范围内,选取浓度c数值,即可获得相应回归系数â和,再将â和代入方程A_hc(2%, 30%)=âA_2%+A_30%,即可获得NaCl水溶液的杂化光谱。杂化光谱与相对应的真实光谱高度近似,A_hc(2%, 30%)≈A_c,完全可替代真实光谱。     

不同辅料与生物沥浸深度脱水污泥混合堆肥中溶解性有机质的光谱特征研究

生物沥浸深度脱水污泥为主料,四种农林有机废物为辅料,设4个处理组（T1：污泥+甘蔗渣、T2：污泥+秸秆、T3：污泥+米糠、T4：污泥+木屑）进行混合堆肥,采用紫外-可见光谱(UV-Vis)、傅里叶变换红外光谱(FTIR)和三维荧光光谱(3D-EEM),研究不同辅料堆肥过程中溶解性有机质（DOM）结构特征和组分含量的演化规律。UV-Vis结果显示,四个处理组在堆肥过程中DOM的芳香度和不饱和度皆有所增加,其中T3处理组的增加幅度最大。四个处理组的紫外参数SUVA₂₅₄和SUVA₂₈₀均呈现递增趋势,其中T3处理组的变化幅度高于其他三个处理组,表明芳构化程度加深,DOM分子量逐渐加大;E₂₅₃/E₂₀₃和E₂₅₃/E₂₂₀在堆肥结束时显著增加,表明DOM中苯环上的脂肪链发生氧化分解,转化为羧基羰基等官能团,A_226～400随堆肥进行增加而E₂₅₀/E₃₆₅减小,表明共轭程度增加。FTIR结果表明堆肥过程中多糖类、脂肪族类物质含量在减少,包括带有苯环的芳香族等不饱和有机物在增加,其中T4处理组的转化程度优于其他三个处理组。发射荧光光谱显示荧光峰位置由334 nm红移至422 nm附近,说明共轭程度低的物质不断降解,芳香基团不断缩合,生成结构复杂的类腐殖质物质。同步荧光光谱中代表类蛋白物质的荧光峰随堆肥时间由强变弱,代表腐殖质的荧光峰由弱变强,A_250～308值降低,A_308～360和A_363～500值上升,说明了类蛋白质物质在不断降解而类胡敏酸物质和类富里酸物质含量在上升。结合平行因子（PARAFAC）模型分析四个处理组的三维荧光光谱,将DOM解析为三类荧光组分,根据每个组分所在的激发、发射波长位置分析判断,三类组分分别是类富里酸物质,类胡敏酸物质和类色氨酸物质,且C1（类富里酸物质）和C2（类胡敏酸物质）组分所占百分比呈现增加趋势,C3（类色氨酸物质）组分所占百分比呈现减少趋势,表明类蛋白物质减少而类腐殖质物质增加,其中T3和T4处理组的腐殖化程度较好。综合分析,米糠和木屑作为辅料时堆肥腐熟度更好。     

农作物锈病叶傅里叶变换红外光谱检测方法研究

在农作物生产中,不合理使用化学农药来防治植物病害的现象普遍存在,严重影响产品品质及食用安全,快速鉴别植物病害并采取合理的防治措施对提高农作物品质具有重要意义。利用红外光谱三级鉴别法（傅里叶变换红外光谱（FTIR）、二阶导数红外光谱（SD-IR）及二维相关红外光谱（2D-IR））对蚕豆、玉米、葱和蒜正常叶、锈病叶病斑处及病斑附近绿色部位进行了研究。结果显示,正常叶、病斑附近绿色部位及锈病叶病斑处的光谱吸收峰强度和形状存在微小差异。原始光谱中正常叶、病斑附近绿色部位及锈病叶病斑处的几个吸收强度比存在差异,蚕豆的正常叶、病斑附近绿色部位及锈病叶病斑处的吸收强度比A_{1 410}/A_{1 646}分别为0.698,0.624和0.616,A_{2 926}/A_{1 646}相应比值分别为0.665,0.638和0.552;玉米的相应比值A_{1 649}/A_{1 055}分别为0.813,0.696,0.691,A_{1 382}/A_{1 055}相应比值分别为0.552,0.478和0.465,A_{2 926}/A_{1 055}相应比值分别为0.574,0.467和0.469;葱的相应比值A_{1 382}/A_{1 061}分别为0.843,0.821和0.704,A_{2 923}/A_{1 061}相应比值分别为0.707,0.680和0.489;以上锈病叶病斑处及病斑附近绿色部位的几个峰强比均比正常叶小。二阶导数红外光谱在1 800～800 cm-1范围内,正常叶、病斑附近绿色部位及锈病叶病斑处的吸收峰的形状及强度显示明显差异。二维相关红外光谱显示,正常叶、锈病叶病斑处及病斑附近绿色部位在860～1 690 cm-1范围内自动峰和交叉峰的位置、数目及强度存在显著差异。蚕豆正常叶出现4个强自动峰,2组强的正交叉峰;病斑附近绿色部位出现5个强自动峰,4组强正交叉峰;锈病叶病斑处出现2个最强自动峰和5个中强自动峰,5组强正交叉峰;蚕豆锈病叶病斑处自动峰强度最强,而正常叶的各个自动峰的强度最低。玉米正常叶出现9个强自动峰,12组强的正交叉峰;病斑附近绿色部位出现11个强自动峰,3组最强的正交叉峰和11组中强正交叉峰;锈病叶病斑处出现6个强自动峰,3组强正交叉峰;蒜正常叶出现9个强自动峰,8组强的正交叉峰;病斑附近绿色部位出现2个最强自动峰和9个次强自动峰,10组强正交叉峰;锈病叶病斑处出现6个强自动峰,1组强正交叉峰;玉米和蒜病斑附近绿色部位的各个自动峰的强度最强,而锈病叶病斑处自动峰和交叉峰强度最弱。葱正常叶出现9个强自动峰,5组强的正交叉峰;病斑附近绿色部位出现8个强自动峰,3组强正交叉峰;锈病叶病斑处出现3个强自动峰,无正交叉峰出现。葱正常叶的各个自动峰的强度最强,而锈病叶病斑处自动峰强度最弱。结果表明,利用傅里叶变换红外光谱结合二阶导数红外光谱及二维相关红外光谱能简单、快速地鉴别研究农作物锈病叶,有望为农作物病害提供一种光谱检测方法。     

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。     

基于紫外-可见光光谱法研究长期不同施肥对砖红壤溶解性有机质化学性质的影响

溶解性有机质（DOM）是土壤中最为活跃的一部分,具有重要的生态环境意义。明确不同施肥方式对DOM化学性质的影响,可为土壤肥力管理提供依据。因此,该试验以连续四年的不同施肥管理为基础,结合紫外-可见吸收光谱,探求不同施肥方式下,土壤中溶解性有机质的含量和化学性质的变化情况。试验共设置4个处理：CK（不施肥）;CF（化肥）;OG（有机肥）;ST（秸秆）。结果表明,与CK组相比,OG和ST的DOC(溶解性有机碳)含量为95.97和104.89 mg·kg-1,分别是CK组的129%和141%。相反,CF的DOC含量为15.32 mg·kg-1,仅为CK组的21%。OG显著提高了有色溶解性有机质[CDOM,以α（355）表征]含量,是CK组的2.76倍,ST无明显变化;CF则显著降低CDOM含量,仅为CK组的0.55倍。施用OG导致土壤紫外吸收曲线红移,表明有机肥的施用能够提高土壤DOM的共轭双键物质含量和腐殖化程度;与CK相比,OG中DOM的芳香性、疏水性、腐殖化程度的特征常数SUVA₂₅₄,SUVA₂₆₀和SUVA₂₈₀增大,揭示了有机肥的施用能够提高DOM的芳香性、疏水性组分以及腐殖化程度,秸秆处理增加不明显。施用化肥则出现明显降低。吸光度比值A₂₅₀/A₃₅₄,相比CK,CF显著增加,表明施用化肥使DOM分子变小,OG和ST处理无明显变化;秸秆施用导致A₄₆₅/A₆₆₅显著增加,表明秸秆能够有效提高DOM中蛋白质和碳水化合物含量;施用有机肥和秸秆A₃₀₀/A₄₀₀均大于3.5,表明土壤中DOM主要以富里酸为主,而施用化肥A₃₀₀/A₄₀₀明显低于3.5,表明土壤中DOM主要以胡敏酸为主。施用化肥出现S_R＞1,不施肥、有机肥、秸秆三者的S_R＜1,也表明了有机肥、秸秆能够增加分子量。有机肥和秸秆能有效增加土壤DOM含量,提升土壤肥力。尤其是施用有机肥,更能显著增加土壤DOM的共轭物质、腐殖化程度、疏水比例、芳香性以及分子量。而长期施用化肥则导致耕层土壤肥力降低。     

褐煤添加对羊粪有机肥发酵过程中水溶性有机物光谱学变化特征的影响

研究添加褐煤对羊粪有机肥中水溶性有机物(DOM)光谱学特性的影响,为高腐殖酸有机肥的腐熟度评价提供依据。以内蒙古褐煤、羊粪为原料,添加10%褐煤进行羊粪有机肥发酵,对不同阶段有机肥样品的DOM进行紫外可见光谱、荧光光谱、FTIR的表征。紫外-可见吸收光谱分析显示,有机肥样品的E₄/E₆值随着有机肥发酵的进行呈现出先下降后上升的趋势,由有机肥开始时的9.110 4降至最低为4.647 7,再升为有机肥结束时的5.390 1;A₁呈现先减小后增大趋势,A₂和A₃均呈现先增大后减少的趋势,峰值出现在12 d。同步荧光光谱显示,荧光峰光强的比值(I₄₇₀/I₄₃₅) 由有机肥起始的0.452 8上升至有机肥结束的0.655 2;A_HLR/A_FLR呈现上升趋势,从有机肥开始的0.673 9上升至有机肥结束的1.040 8。经过18 d的有机肥发酵后,有机肥发酵结束后样品荧光强度小于有机肥起始时的荧光强度,而且10%褐煤添加的羊粪有机肥的相对荧光强度明显高于未添加褐煤的荧光强度。FTIR显示,18 d的有机肥发酵过程中DOM中的碳水化合物、蛋白质被逐渐分解,而羧基、含苯环的物质含量明显增加。随着发酵的进行,DOM中的非腐殖质物质转化为类腐殖质,不饱和结构的多聚化或联合程度变大,稳定度增加;添加褐煤可以有效促进羊粪中木质素类物质的分解,提高羊粪有机肥DOM的芳构化程度,促进羊粪有机肥腐熟。     

基于色度学-拉曼光谱特征鉴定北红和南红玛瑙

产于黑龙江的“北红玛瑙”与四川凉山、云南保山的“南红玛瑙”是我国珠宝市场上常见的红色玛瑙,然而相应的产地特征研究较少,结合色度学、拉曼光谱、X射线粉晶衍射分析对三个产地的73件红色玛瑙的色度学、矿物学、光谱学特征进行了对比分析。结果表明,“北红玛瑙”的主要物相组成为α-石英和斜硅石,次要矿物组成为针铁矿、赤铁矿;四川凉山与云南保山“南红玛瑙”的主要物相组成为α-石英,次要矿物为赤铁矿、针铁矿、方解石等,少量样品含有斜硅石。黑龙江“北红玛瑙”的颜色主波长范围为574～605 nm,集中于[580, 590]区间,对应黄色-橙黄色-橙色色调,CIE1976Lab色空间中a≤6.2,b≤6.3;四川凉山“南红玛瑙”的主波长范围为589～624 nm,云南保山“南红玛瑙”主波长范围为589～599 nm,两个产地的“南红玛瑙”主波长均集中于[590, 600]区间,对应橙色-橙红色色调,大部分样品a＞6.2或b＞6.3,整体而言相比“北红玛瑙”颜色色调偏红,其彩度和亮度总体上也高于“北红玛瑙”。拉曼光谱中,斜硅石Si-O-Si对称伸缩-弯曲振动引起的501 cm-1峰在“北红玛瑙”中的强度高,在两个产地的“南红玛瑙”中不存在或者强度弱。斜硅石与α-石英特征峰强度比(I₅₀₁/I₄₆₃)和面积比(A₅₀₁/A₄₆₃)结果基本一致,在研究及鉴定过程中可以根据实际情况灵活选择。拉曼光谱粉末法测得的斜硅石与α-石英特征峰强度比(I₅₀₁/I₄₆₃)和面积比(A₅₀₁/A₄₆₃)结果位于大量随机点测的范围内,在日常鉴定中可以用多次无损点测的方法来获得接近粉末法的结果。黑龙江“北红玛瑙”的特征峰面积比(A₅₀₁/A₄₆₃)稳定在0.15～0.36,而四川凉山与云南保山“南红玛瑙”稳定在0.00～0.08,指示了两个产地“南红玛瑙”的斜硅石相对含量比“北红玛瑙”少,推测是两地的“南红玛瑙”在初期形成后都经历了较强的脱水和重结晶作用过程,使斜硅石转化成低温的α-石英所致。可以综合利用色度学特征及拉曼光谱,结合斜硅石与α-石英谱特征峰强度比(I₅₀₁/I₄₆₃)或面积比(A₅₀₁/A₄₆₃),对产于黑龙江的“北红玛瑙”以及四川凉山、云南保山的“南红玛瑙”进行区分,这也对玛瑙的产地鉴定、出土文物溯源等具有重要意义。     

无人机多光谱影像的马铃薯地上生物量估算

地上生物量（AGB）是评估作物生长发育和指导田间农业生产管理的重要指标。因此,高效精准地获取作物AGB信息,可以及时准确地估算产量,对于保障粮食供应和贸易提供有力依据。传统获取AGB的方法是采用破坏性取样法,这使得大面积、长期的测量变为困难。然而,随着精准农业的快速发展,无人机遥感技术被认为是估算大面积作物AGB最有效的技术方式。通过无人机平台搭载多光谱传感器获取马铃薯块茎形成期、块茎增长期和淀粉积累期的多光谱影像,地面实测株高和AGB以及地面控制点（GCP）的空间位置信息。首先,基于SFM（structure from motion,SFM）技术利用无人机影像数据结合GCP的三维坐标生成试验田的DSM（digital surface model,DSM）,通过DSM提取出马铃薯各生育期的株高（Hdsm）;然后,选取原始4个单波段植被指数、9个多波段组合的植被指数、红边波段的高频信息（HFI）和提取的Hdsm分别与AGB作相关性分析;最后基于单波段植被指数（x₁）、多波段组合的植被指数（x₂）、植被指数结合Hdsm（x₃）、植被指数结合HFI（x₄）以及植被指数融合HFI和Hdsm（x₅）为模型输入参数,采用偏最小二乘回归（PLSR）和岭回归（RR）估算各生育期的AGB。结果表明：（1）提取的Hdsm和实测株高拟合的R2为0.87,NRMSE为14.34%;（2）各模型参数都与AGB达到极显著水平,相关性均从块茎形成期到淀粉积累期先升高后降低;（3）各生育期以5种变量使用同种方法估算马铃薯AGB的效果,均从块茎形成期到淀粉积累期先好后变差,其估算精度由高到低依次为x₅>x₄>x₃>x₂>x₁;（4）各生育期使用PLSR以不同变量估算AGB的效果要优于RR方法,其中在块茎增长期基于x₅变量估算马铃薯AGB效果最佳,R2为0.73,NRMSE为15.22%。因此,选取多光谱植被指数结合红边波段的高频信息和Hdsm并使用PLSR方法可以明显提高AGB的估算精度,这为大面积马铃薯作物AGB的监测提供了新的技术支撑。     

FTIR光谱结合曲线拟合研究萌发水稻种子

种子的萌发是种子生命历程中的主要组成部分之一,了解种子萌发过程中经历的生理生化变化,准确确定种子的活力,对农业生产很重要,因而,研究种子萌发有重要意义。采用傅里叶变换红外光谱结合曲线拟合研究不同萌发程度的水稻种子,以探寻种子贮藏物质动员情况,对不同萌发时间的水稻种子进行傅里叶变换红外光谱、二阶导数光谱、二维相关红外光谱和曲线拟合研究。结果显示,原始红外光谱整体相似,光谱反映出水稻种子的主要贮藏物质为淀粉、蛋白质和脂肪;吸收峰强度比A_{1 659}/A_{1 019},A_{1 740}/A_{1 019},A_{1 157}/A_{1 019},A_{1 157}/A_{1 081}随萌发时间的增加而降低。814～1 000和1 028～1 340 cm-1范围内的二维相关红外光谱结果显示自动峰个数和最强自动峰的位置、强度随种子萌发时间的增加而变化,表明种子在萌发过程中糖类和蛋白质发生变化。二阶导数光谱在1 200～950 cm-1范围内出现七个峰,其中988 cm-1处的峰随萌发时间的增加向较高波数蓝移,而1 053和1 158 cm-1处的峰向较低波数红移,表明水稻种子在萌发过程中多糖的结构和含量可能发生了变化;在1 700～1 600 cm-1范围内出现九个峰,其中1 641和1 692 cm-1处的峰呈现随萌发时间的增加红移到较低波数的趋势,表明水稻种子在萌发过程中蛋白质的结构和含量可能发生了变化;在1 800～1 700 cm-1范围二阶导数光谱仅观察到1 712和1 744 cm-1处的两个峰,其中1 744 cm-1由脂类物质C═O伸缩振动引起,为脂肪的特征峰。为进一步研究水稻种子萌发过程中贮藏物质的具体变化,以二阶导数光谱确定的子峰位置和数目为依据,对原始红外光谱的1 200～950与1 800～1 600 cm-1区域进行曲线拟合分析。曲线拟合结果显示,随萌发时间的增加,多糖和蛋白质的相对含量总体上呈现下降趋势,脂肪的相对含量先降后升。研究表明,傅里叶变换红外光谱结合曲线拟合可作为研究种子萌发的有效手段。     

变色尖晶石的光谱学特征及变色机理研究

尖晶石作为一种珍贵的宝石材料，因其瑰丽的颜色外观和悠久的历史而广受称赞。变色效应作为宝石学中一种常见的光学现象，在变石，蓝宝石，尖晶石，石榴石等宝石中都可以出现。通常将宝石的变色效应归结为Cr离子和V离子所致，但是目前有关变色尖晶石的报道较少，缺乏致色元素和变色机理的研究。本次研究对象是一颗具有变色效应的尖晶石(在D65光源下呈蓝色，在A光源下呈蓝紫色)，和两颗不具有变色效应的蓝色尖晶石(两种光源下色调无明显变化)。运用电感耦合等离子体质谱仪(LA-ICP-MS)、紫外可见光谱仪、拉曼光谱仪、光致发光光谱仪获取样品的成分和光谱信息。LA-ICP-MS化学成分测试结果表明，三颗尖晶石均为镁铝尖晶石，主要化学成分为MgO和Al₂O₃，并含有Fe，V，Cr，Co和Zn等微量元素，在变色尖晶石中含有较多的Fe离子和微量的Co离子，不含有Cr离子，并且变色尖晶石与无变色效应的蓝色尖晶石中V离子含量相近。变色尖晶石紫外可见吸收光谱具有位于387, 461, 478, 527, 559, 590, 627和668 nm处的吸收峰，其中387, 461, 478和668 nm吸收峰与Fe离子有关。559，590和627 nm处的吸收峰是由Co离子d轨道电子自旋允许跃迁4A₂→4T₁(4P)并经自旋-轨道耦合作用分裂所致。此外，四面体配位中的Fe2+ d—d自旋禁阻跃迁5E(D)→3T₁(H)同样在559 nm处产生吸收峰。由Co离子和Fe离子共同作用，在559 nm附近产生的吸收宽带是尖晶石产生变色效应的主要原因。拉曼光谱测试结果显示变色尖晶石与其他两颗蓝色尖晶石无差异，可见311，405，663和765 cm-1四个特征拉曼位移峰，依次对应F_2g(1), E_g, F_2g(3)和A_1g振动。光致发光光谱(PL)测试发现变色尖晶石中处于T_d对称位置的Co2+的4T₁(P)能级会分裂成为三个子能级，电子由三个4T₁(P)激发态的子能级回落到4A₂(F)基态而产生位于686，650和645 nm处的发光峰。变色尖晶石中Co离子含量很低，并且Fe离子含量较高，受到Fe离子荧光猝灭作用，样品无红色发光现象。     

考虑水分光谱吸收特征的水稻叶片SPAD预测模型

叶绿素是植被光合作用的重要色素,传统实验室方法测定叶绿素含量需破坏性取样且操作复杂。通过构建高精度SPAD光谱估算模型,可以实现对水稻叶片叶绿素含量的实时无损监测。以黑龙江省不同施氮水平下水稻为研究对象,采用SVC HR768i型光谱辐射仪共获取移栽后、分蘖期、拔节期、孕穗期、抽穗期共五个关键时期水稻叶片反射光谱数据。光谱探测范围350~2 500 nm。利用自带光源型手持叶片光谱探测器直接测定叶片光谱,光源为内置卤素灯。采用SPAD-502型手持式叶绿素仪同步测定水稻叶片的SPAD值。叶片水分是植物光合作用的基本原料,也间接影响着叶绿素含量。叶片含水量降低则会影响植物正常的光合作用,导致其叶绿素含量随之降低。因此将叶绿素敏感波段与水分吸收范围结合作为SPAD估算的输入量。随机森林模型是一个基于多个分类树的算法。算法在采样的过程中包括两个完全随机的过程,一是有放回抽样,可能会得到重复的样本,二是选取自变量是随机的。因此本文对叶片光谱反射率进行去包络线（CR）处理,综合考虑可见光近红外波段提取水稻叶片反射光谱特征参数和植被指数,综合分析光谱指标与SPAD相关关系,采用随机森林算法构建不同输入量的SPAD高光谱估算模型。结果表明: （1）水稻叶片SPAD与光谱反射率的相关系数在叶绿素敏感波段红波段范围（600～690 nm）、红边范围（720~760 nm）、水分吸收波段范围（1 400~1 490和1 900~1 980 nm）均为0.75以上;（2）在光谱参数与SPAD 的相关分析中,NDVI,DP2与水稻叶片SPAD值相关性最好,相关系数为0.811和0.808;（3）以结合水分光谱信息后的CR_{(V1, V2, V3, V4)}为自变量所建立的随机森林模型精度最高,R2为0.715,RMSE为2.646,可作为水稻叶片叶绿素预测模型。研究结果揭示了不同品种水稻的光谱响应机制,提供了水稻叶片SPAD值高精度反演的技术方法,为监测与调控东北地区水稻正常生育进程提供技术支持。     

利用高光谱植被指数估测苹果树冠层叶绿素含量

叶绿素含量是反映植物生长状况的重要参数。利用ASD FieldSpec 3光谱仪,测定春梢停止生长期苹果冠层高光谱反射率,对原始光谱进行微分变换,与苹果叶绿素含量进行相关分析确定敏感波段,通过分析敏感区域400～1 350 nm范围内所有两波段组合的植被指数,选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。结果表明：(1)苹果冠层叶绿素含量的敏感波段区域为400～1 350 nm。(2)利用筛选得到的植被指数CCI(D₇₉₄/D₇₆₃)构建的估测模型能较好的估测苹果冠层叶绿素含量。(3)以CCI(D₇₉₄/D₇₆₃)指数为自变量的估测模型CCC=6.409+1.89R3+1.587R2-7.779R预测效果最佳。因此,利用高光谱技术能够较快速、精确的对苹果冠层叶绿素含量进行定量化反演,为苹果长势的遥感监测提供理论依据。     

基于集成学习的水稻氮素营养及籽粒蛋白含量监测

利用高光谱遥感技术在水稻收获前对籽粒品质相关的蛋白质含量进行监测,一方面可以及时调整栽培管理方式,指导合理追肥,另一方面,有助于提前掌握籽粒品质信息,明确市场定位。该研究以广东省典型优质籼稻为研究目标,基于2019年和2020年两年氮肥梯度实验,以水稻分化期和抽穗期冠层尺度高光谱数据、水稻氮素参数,包括叶片氮素含量（LNC）、叶片氮素积累量（LNA）、植株氮素含量（PNC）、植株氮素积累量（PNA）及籽粒蛋白含量数据为基础,利用四种个体机器学习算法partial least square regression (PLSR)、K-nearest neighbor (KNN)、Bayesian ridge regression (BRR)、support vector regression (SVR),三种集成学习算法random forest (RF)、adaboost、bagging,针对水稻不同生育期氮素状况进行监测建模,在此基础上构建基于水稻冠层光谱信息、光谱信息结合水稻农学氮素参数的籽粒蛋白含量的监测模型,并对模型进行精度对比。研究结果表明,在水稻氮素营养监测方面,利用水稻冠层454~950 nm波段信息,采用RF及Adaboost算法,在水稻分化期、抽穗期及全生育期LNC、LNA、PNC及PNA模型R2均达到0.90以上,同时也具有较低的RMSE和MAE。在水稻籽粒蛋白品质监测方面,采用全波段光谱信息进行籽粒蛋白含量监测时,RF具有最高的精确度与稳定性,两生育期的RF模型对籽粒蛋白含量的监测结果R2分别为0.935和0.941,RMSE分别为0.235和0.226,MAE分别为0.189和0.152;两生育期以全波段光谱信息结合长势参数进行籽粒蛋白监测时,Adaboost模型具有最高的精确度和稳定性,其中分化期全波段光谱信息结合PNA作为输入参数,Adaboost模型R2为0.960,RMSE为0.175,MAE为0.150,以抽穗期全波段光谱信息结合PNC作为输入参数,R2为0.963,RMSE为0.170,MAE为0.137。研究结果表明,与PLSR,KNN,BRR和SVR几种个体学习器算法相比,集成算法RF,Adaboost和Bagging具备良好的处理多重共线性的能力,适合用于高光谱数据的分析与处理,在作物氮素营养监测及水稻品质的早期遥感监测方面具有明显优势。     

基于可见-近红外光谱技术的水稻穗颈瘟染病程度分级方法研究

采用Vis-NIR技术对水稻穗颈瘟染病程度分级方法进行了研究。分别基于原始光谱,变量标准化(SNV)预处理后和多元散射校正(MSC)预处理后的光谱,应用无信息变量消除法(UVE)结合连续投影算法(SPA)对Vis-NIR光谱区进行有效波长的选择。选择后的波长作为输入变量建立最小二乘-支持向量机(LS-SVM)模型。结果表明SNV-UVE-SPA建立的LS-SVM模型预测效果最好。通过SNV-UVE-SPA从全波段600个波长中选择了6个最能够反应光谱信息的波长(459, 546, 569, 590, 775和981 nm)。SNV-UVE-SPA-LS-SVM组合模型对预测集样本预测得到的确定系数(R2_p),预测集的预测标准差(RMSEP)和剩余预测偏差(RPD)分别达到了0.979,0.507和6.580。结果表明,采用Vis-NIR光谱技术对水稻穗颈瘟染病程度进行分级是可行的。通过UVE-SPA得到的有效波长能够很好地代替全波长。     

基于分窗Gram-Schmidt变换和PSO-SVR算法的水稻纹枯病病情指数检测

纹枯病是水稻的主要病害之一,其防治对于保证水稻产量、质量具有重要意义,以高光谱检测水稻病害得到了广泛应用,并且高光谱降维是光谱分析的重要环节。该研究在2019年沈农水稻试验基地获取水稻低空遥感冠层与地面冠层高光谱,并对其进行以窗口宽度为15和阶数为3的Savitzky-Golay平滑处理和光谱变换（得到原始光谱、一阶微分光谱和倒数之对数光谱）,分窗口对这3种光谱分别进行Gram-Schmidt变换,找到投影空间并映射出主基底,实现高光谱数据降维,绘制具有显著性概率的主基底,其极大极小值为特征波段。此外3种光谱还采用了主成分分析和连续投影法降维。以降维后的数据与水稻纹枯病病情指数进行支持向量机回归建模,其中支持向量机回归进行粒子群优化,并以径向基为核函数,对比分析了3种降维方式的降维效果。结果表明：水稻地面冠层尺度建模效果高于低空遥感尺度建模;在光谱处理方面,低空冠层高光谱进行倒数之对数变换效果较好,地面冠层所得高光谱数据进行一阶微分变换效果较好;分窗Gram-Schmidt变换算法优于主成分分析和连续投影法;粒子群算法可以优化支持向量机中的惩罚系数和核函数参数,提高其反演精度;无人机低空遥感尺度中,高光谱进行倒数之对数处理,以分窗Gram-Schmidt变换降维,敏感波段为427.3,539.6,749.5和825.4 nm,PSO-SVR建模决定系数R2为0.731,均方根误差RMSE为0.151;地面冠层尺度中,高光谱进行一阶微分处理,以分窗Gram-Schmidt变换降维,敏感波段为552,607,702和730 nm,PSO-SVR模型决定系数R2为0.778,均方根误差RMSE为0.147。因此,高光谱技术可以有效地检测水稻纹枯病,并且其病情指数可用冠层高光谱进行反演,分窗Gram-Schmidt变换对于高光谱数据降维有较好的效果,PSO-SVR建模对于水稻纹枯病病情指数的反演有明显提高,结果可为冠层尺度检测水稻纹枯病与病害发生情况提供一定的理论基础和技术支撑。     

倒伏胁迫对水稻可视茎叶穗比率的影响及光谱响应解析

倒伏胁迫下作物的冠层光谱响应机理解析,是大范围作物倒伏灾情遥感监测的重要基础。倒伏胁迫直接改变了遥感光谱探测视场内的可视茎叶穗比率,通过解析冠层光谱与可视茎叶穗比率间的关系,探索不同强度的倒伏胁迫下水稻可视茎叶穗组分变化规律及其与冠层光谱响应规律,为大范围作物倒伏灾情遥感监测提供理论支持。以2017年江苏省兴化市、大丰区的实发倒伏水稻为研究对象,在野外观测实验的支持下,分析不同倒伏强度的倒伏水稻冠层光谱变化规律,并对不同倒伏强度下的冠层可视茎叶穗比率与倒伏角度进行相关性分析,筛选能有效表征倒伏强度的敏感农学参数,采用灰色关联分析法构建倒伏水稻冠层光谱指标与敏感农学参数之间的响应模型,实现水稻倒伏灾情的光谱诊断,并利用野外实测样本评价诊断精度。研究结果表明,随着倒伏强度的加大,冠层光谱表现出规律性变化,红光波段与近红外波段响应较为明显,“红边”位置明显“蓝移”,且“红边”振幅与“红边”面积增大,说明红光波段和近红外波段对水稻倒伏胁迫强度较为敏感;冠层可视叶茎比存在随倒伏强度增加而减少的规律,其相关性可达0.715,说明倒伏后的水稻冠层可视叶茎比对于倒伏强度有着较好的表征能力;通过对可视叶茎比与冠层高光谱反射率进行相关性分析,分别于红光波段和近红外波段内筛选出698与1 132 nm作为敏感波段,进而计算特征植被指数;利用灰色关联分析构建了基于特征植被指数的水稻可视叶茎比光谱响应模型,检验样本的决定系数为0.635,以可视叶茎比预测结果进行倒伏灾情等级划分的精度达到82%。因此,倒伏发生后水稻冠层的茎、叶、穗等组分在光谱探测器视场中的贡献比例发生了规律性改变,茎、叶、穗本身光谱反射率差异和视场内比率差异直接反映于倒伏水稻冠层光谱差异,其中可视叶茎比能有效表征受倒伏胁迫的水稻群体结构变化,与倒伏强度具有较好的响应关系,不同倒伏强度的可视叶茎比与水稻冠层光谱之间的响应规律可以有效区分倒伏灾情等级,有助于为区域尺度的水稻倒伏灾情遥感监测提供先验知识。     

基于连续小波变换的地下天然气微泄漏点识别模型

天然气作为一种清洁、高效的低碳能源，消费占比日益增大。无论是地下输气管道还是储气库，由于管道腐蚀、老化、自然灾害，地下断层、注入井封存不好等因素，都会导致天然气泄漏。从安全、经济、环境等方面考虑，开展地下天然气管道和储气库微泄漏检测是十分必要的。利用高光谱遥感监测地表植被变化而间接探测天然气微泄漏点，通过野外可控系统模拟地下储存天然气微泄漏实验，以冬小麦为研究对象，采集了9期小麦冠层光谱数据，通过光谱分析探寻胁迫小麦光谱特征并构建指数识别模型。首先对小麦冠层光谱进行奇异值剔除和平滑处理，对连续统去除之后的冠层光谱进行连续小波变换，选用Mexihat母小波，在尺度参数为32时，小波系数有较少的峰值和谷值，能与原始光谱拟合较好，且小麦多期数据其峰值和谷值位置都比较稳定。受胁迫和健康小麦的原始光谱可分性较差，但小波系数在487，550和770 nm处受胁迫与健康小麦样本可分性较优，且具有明显的诊断性特征：(1）受胁迫和健康小麦的小波系数在487 nm处为“吸收谷”，其小波系数值为负值，健康小麦小波系数值大于受胁迫小麦的；(2）受胁迫和健康小麦的小波系数在550和770 nm处，有明显的“反射峰”，且受胁迫小麦的小波系数值较大。为更好突出差异性，增强受胁迫和健康小麦的小波系数差异特征，构建了CWT_mexh（CWT_mexh=CW2₇₇₀/(1-CW₄₈₇)·CW₅₅₀）指数用于胁迫与健康小麦的识别；然后分别与NDVI₇₀₅，mNDVI₇₀₅，ARI1，R₄₄₀/R₇₄₀，D₇₂₅/D₇₀₂指数进行对比分析，经J-M距离定量检验，结果显示CWT_mexh指数对天然气微泄漏胁迫下的冬小麦具有较好的识别效果，该指数在天然气胁迫发生20 d后可以稳定区分胁迫和健康两类小麦，且在全生育期都保持相同的规律，而NDVI₇₀₅，mNDVI₇₀₅，ARI1等指数在整个生育期内无法准确识别健康与胁迫小麦。CWT_mexh指数在稳定性、普适性与可识别性方面优于其他5个指数。因此，高光谱遥感监测地表植被间接识别天然气微泄漏点具有可行性，研究结果可为星载高光谱遥感监测地下储存天然气泄漏点提供理论依据和技术支持。     

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。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358～1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）,利用感兴趣区域的光谱数据,对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理,建立线性判别分析（LDA）和支持向量机（SVM）分类模型,结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型,其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。