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。     

基于高斯回归分析的水稻氮素敏感波段筛选及含量估算

水稻氮素含量的准确监测是稻田精准施肥的重要环节,水稻叶片氮素含量发生变化会引起叶片、冠层的光谱发射率发生变化,高光谱遥感是目前作物氮素无损监测的关键技术之一。以2018年-2019年湖北监利两年水稻氮肥试验为基础,分别获取水稻分蘖期、拔节期、孕穗期、扬花期、灌浆期五个生育期水稻叶片和冠层两个尺度的高光谱反射率数据及对应的叶片氮素含量数据,利用单波段原始光谱和一阶导数光谱的相关性分析、高斯过程回归（GPR）等方法筛选水稻全生育期叶片及冠层尺度氮素敏感波段。针对敏感波段,利用单波段回归分析、随机森林（RF）、支持向量回归（SVR）、高斯过程回归-随机森林（GPR-RF）、高斯过程回归-支持向量回归（GPR-SVR）和GPR构建水稻氮素监测模型,并进行精度对比,以确定水稻叶片在各生育期的氮素估算最佳模型。结果表明：GPR筛选的敏感波段符合水稻氮素含量及光谱变化的规律。相同条件下,叶片模型精度整体高于冠层模型。相关性分析模型中,叶片尺度原始光谱模型更好,冠层尺度刚好相反,冠层一阶导数光谱可以减弱稻田背景噪声的影响。其中,叶片最佳模型建模集R2为0.79,验证集R2为0.84;冠层最佳模型建模集R2为0.80,验证集R2为0.77。与相关性回归分析模型相比,机器学习模型受生育期影响小（R2>0.80,NRMSE<10%）。其中,RF比SVR更适合对GPR敏感波段建模,GPR-RF模型可以用1.5%左右的波段达到RF模型使用全部波段的精度。五种方法中,GPR模型对生育期敏感度最低、叶片及冠层尺度效果都很好(R2>0.94,NRMSE<6%)。且与其他四种机器学习方法相比,GPR模型可有效提高冠层氮素含量估算的精度和稳定性（R2增加0.02,NRMSE降低1.2%）。GPR方法可为筛选作物氮素高光谱敏感波段、反演各生育期叶片及冠层氮素含量提供方法参考。     

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。     

厦漳地区原水DOM的3-DEEM-FRI表征与分析研究

采用三维荧光光谱结合荧光区域积分分析法（3DEEM-FRI）研究了厦漳地区江东泵站、北溪水闸、汀溪水库、莲花水库、坂头水库以及石兜水库原水中溶解性有机物（DOM）的荧光特性、污染特征及其他水质指标与各荧光区域积分体积之间的相关性。结果表明,三种荧光组分-荧光类蛋白质组分（组分Ⅰ,C1）、荧光类蛋白质组分（组分Ⅱ,C2）以及类富里酸组分（组分Ⅲ,C3）在所调查水样中均有显著检出,而溶解性微生物代谢产物组分（组分Ⅳ,C4）在莲花、坂头以及石兜水样中有检出,类腐殖酸组分（组分Ⅴ,C5）在所调查水样中检出不明显;不同水体中同一组分的相对含量差别不大,其中荧光类蛋白质组分占比（P_{1, n}+P_{2, n}）均在60%以上,组分Ⅲ（P_{3, n}）与组分Ⅳ占比（P_{4, n}）均在10%～20%之间,组分Ⅴ占比（P_{5, n}）小于6%;荧光特征参数（1.28β∶α<0.97）显示水体中DOM具有典型的陆源与自生源混合输入的污染特征,组分Ⅰ、组分Ⅱ与组分Ⅳ之间具有同源性特征;TOC与总标准荧光积分体积（Ф_T,n）之间具显著的相关性（R2=0.979 34）,NH+₄-N与组分Ⅳ的标准荧光积分体积（Ф_4,n）之间相关性较好（R2=0.827 98）,而类腐殖质的相对含量（P_{3, n}+P_{5, n}）与SUVA之间的R2为0.703 25。研究表明,3DEEM-FRI分析法可用于识别江湖水库型原水DOM的组成及污染来源,同时还可以实现对TOC含量、NH+₄-N含量以及水体腐殖化程度的有效追踪和指示。     

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。     

分数阶微分对盐渍土野外光谱预处理精度提升的机理分析

目前分数阶微分在野外实测光谱中的应用和光谱反演盐渍土盐分的最优波段机理解释尚未见到。针对传统整数阶微分造成位于分数阶次的光谱信息丢失和模型精度降低的问题。以新疆阜康市盐渍土盐分和野外光谱为数据源,对原始光谱及常见4种变换进行0～2阶（阶数间隔取0.1）的共21阶分数阶微分处理,以探讨盐渍土光谱预处理精度提升的机理。结果表明：（1）分数阶微分因阶数连续能精确显示出求导中的光谱变换细节,提升光谱谱峰间的分辨率;且因阶数增加逐渐改变谱峰的峰形轮廓和去峰形化操作,导致盐渍土分数阶微分曲线逐渐向曲线斜率的变化率靠近,即详细刻画出了0阶到一阶微分和斜率与曲率间的细微差异。（2）五种光谱变换的分数阶微分值与含盐量的相关系数,通过0.01显著性水平检验,且大于整数阶（1阶、2阶）的相关系数最大绝对值的,主要集中在1.3,1.4,1.5阶。其中,1.4阶1/lgR和1.3阶1/R的相关系数提升百分比最大,分别为12.78%和13.03%。（3）不论何种光谱变换,各分数阶微分值与含盐量最大相关系数对应的波段均出现在598 nm（1/R）和618 nm（R,,1/lgR和lgR）,且均在1.3或1.4阶。（4）研究区Na+占阳离子总量的65.74%,与总盐的相关性达0.738,钠原子的主要谱线是589.3 nm是造成各种光谱变换与土壤含盐量相关性最佳的波段位于598和618 nm最主要的原因。     

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。     

小波变换的潮滩沉积物含水量预测

潮滩沉积物水分的分布在空间和时间上会有很大的变化,含水量的变化会导致沉积物中生源要素含量的变化。因此,实时、准确、快速的监测潮滩沉积物含水量,对了解潮滩的各种特性,掌握潮滩生源要素信息,潮滩资源的开发有着重要意义。采集青岛市东大洋村潮间带的沉积物115份,分别测定新鲜样品、风干4周、风干8周样品的可见近红外光谱和含水量。以db10小波基和sym6小波基对原始光谱进行小波变换,采用偏最小二乘回归建立潮滩沉积物含水量模型。通过10阶小波变换获取原始光谱的低频信息A_n和高频信息D_n(n=1, 2, …,10),通过原始光谱S分别与高频信息D_n做差值,得到S-D_n,对A_n,D_n和S-D_n建立潮滩沉积物含水量模型,并对模型结果进行分析。原始光谱建立模型的R2_p为0.841,RMSEP为2.767,RPD值为2.481。通过对db10小波基变换后的低频和高频信息分析,无用信息主要集中在D₃和D₄,去除D₃和D₄建立的含水量模型,相比于原始光谱模型精度有明显提高,R2_p为0.878,RMSEP为2.501,RPD值为2.749;通过sym6小波基变换后进行分析,无用信息主要集中在D₅和D₉,去除D5和D9建立含水量模型与原始光谱模型相比,精度也有一定提高,R2_p为0.87,RMSEP为2.475,RPD值为2.768。因此通过小波变换对原始光谱划分低频信息和高频信息进行分析,能够有效找到潮滩沉积物含水量的干扰信息,实现特征信息提取,从而建立准确度更高的潮滩沉积物含水量模型,为潮滩沉积物含水量实时、动态监测提供理论基础。     

基于最优光谱指数的大豆叶片叶绿素含量反演模型研究

叶绿素含量的准确获取及预测可为作物种植的精准化管理提供理论依据。利用最优光谱指数建立大豆叶绿素含量反演模型,以大豆花芽分化期叶片为研究对象,获取高光谱和叶绿素含量数据。首先构建了7种与叶绿素含量相关的典型光谱指数,分别为比值指数（RI）、差值指数（DI）、归一化差值植被指数（NDVI）、修正简单比值指数（mSR）、修正归一化差值指数（mNDI）、土壤调节植被指数（SAVI）和三角形植被指数（TVI）,并对原始高光谱进行一阶微分（FD）处理,随后分别对原始和一阶微分高光谱在全光谱波长范围内两两组合所有波长,进行14个光谱指数的计算。再采用相关矩阵法进行最优光谱指数的提取,将所有波长组合计算出的光谱指数与叶绿素含量进行相关性分析,以相关系数最大值为指标,提取出14组最优的波长组合,并进行对应光谱指数值的计算作为最优光谱指数。最后将最优光谱指数划分为3组模型输入变量,分别与偏最小二乘回归（PLS）、最小二乘支持向量机回归（LSSVM）和套索算法LASSO回归3种方法组合建模并对比分析,以决定系数R2_c,R2_p和均方根误差RMSEC,RMSEP作为模型评价指标,最终优选出精度最高的大豆叶片绿素含量反演模型。结果表明：14组最优光谱指数波长组合分别为RI（728,727）,DI（735,732）,NDVI（728,727）,mSR（728,727）,mNDI（728,727）,SAVI（728,727）,TVI（1 007,708）,FDRI（727,708）,FDDI（727,788）,FDNDVI（726,705）,FDmSR（726,705）,FDmNDI（726,705）,FDSAVI（727,788）和FDTVI（760,698）,相关系数最大值r_max均大于0.8。建立最优模型的方法为输入变量为一阶微分光谱指数（组合2）与LSSVM组合的建模方法,所建模型的R2_c=0.751 8,R2_p=0.836 0,RMSEC=1.361 2,RMSEP=1.220 4,表明模型精度较高,可为大面积监测大豆的生长状态提供参考。     

基于冠层光谱的水稻穗颈瘟病害程度预测模型

对水稻稻瘟病病害程度的定量预测是精准防控的关键,田间冠层尺度的研究可为高光谱传感器提供理论基础。以受穗颈瘟胁迫的水稻为研究对象,采用SVC HR768i型光谱辐射仪在大田中获取灌浆期两个不同时间段的水稻冠层光谱反射率,以水稻发病株数百分比作为病害严重程度指标。冠层光谱数据采用九点平滑预处理,并重采样为1 nm间隔,计算植被指数;经过去包络线和一阶导数光谱变换,提取高光谱特征参数。分析不同时间段的光谱变换、植被指数、高光谱特征参数与病害程度的相关关系,构建基于植被指数、高光谱特征参数的穗颈瘟病害程度随机森林预测模型,并对比分析两个单时期预测模型异同,优选共用输入量,构建出两时期混合数据的病害程度预测模型。结果表明：（1）原始光谱曲线经去包络线处理可有效增强与病害程度相关的光谱信息,近红外波段（960～1 050和1 150～1 280 nm）的相关系数在0.80以上;（2）高光谱特征参数与病害程度相关性分析中,去包络线吸收谷参数相关系数高于其他参数,吸收谷V₃（910～1 100 nm）、吸收谷V₄（1 100～1 300 nm）中面积（A₃和A₄）、深度（DP₃和DP₄）、斜率（SL₄和SR₄）的相关系数在0.74以上;（3）去包络线吸收谷参数结合随机森林模型预测穗颈瘟病害程度在单时期及两时期混合数据中均表现最好。灌浆期后期数据预测效果最佳,验证集决定系数R2=0.91,均方根误差RMSE=0.02;（4）两时期混合数据预测精度处于两个单时期预测精度之间,验证集决定系数R2=0.85、均方根误差RMSE=0.03。研究成果揭示了灌浆期不同时间段水稻穗颈瘟光谱响应机制,表明去包络线吸收谷参数结合随机森林模型预测稻瘟病的实用性,可为田间水稻穗颈瘟病害程度进行快速、精确、无损地定量预测,为精准施药提供理论依据,并对未来航空、航天遥感的病害监测提供一定的技术支持。     

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。     

基于键极化加和模型及其实验修正方法的超拉曼微观极化率张量元微分的简化方案-C2v对称性

相干反斯托克斯拉曼光谱(CARS) 和相干反斯托克斯超拉曼光谱(CAHRS)等高阶非线性光谱技术已经应用在动力学过程、基因表达谱筛选、高分辨率光谱分析等诸多领域。但因其涉及到的高阶微观极化率张量元数量众多,对其光谱信号进行定量分析非常困难。文献通过理论分析将CARS和CAHRS的微观极化率张量元分解为拉曼微观极化率张量元微分α′_i′j′和超拉曼微观极化率张量元微分β′_i′j′k′的乘积,将高阶光谱定量分析的困难简化为对低阶光谱的分析。该研究处理了具有C_2v对称性分子基团,提出一种利用键极化加和模型及其实验修正的方法简化超拉曼微观极化率张量元微分β′_i′j′k′比值的方案。首先利用键极化加和模型方法,在对C_2v分子基团局域模式假设的基础上,进行单键的局域模式假设,通过对单键伸缩振动进行简正振动模式的分析,并与单键的偶极矩表达式进行比较,得到单键的超拉曼微观极化率张量元微分β′_i′j′k′。在单键β′_i′j′k′结果的基础上利用键极化加和模型,对C_2v分子基团进行对称性分析,将基团中两个单键伸缩振动的β′_i′j′k′耦合,得到C_2v分子基团对称振动和反对称振动两种简正振动模式的超拉曼微观极化率张量元微分β′_i′j′k′的表达式。在此基础上对C_2v分子基团对称振动和反对称振动的β′_i′j′k′表达式进行理论推导,结合对应振动模式下不同偏振组合的超拉曼退偏率ρ_HR-SS和ρ_HR-AS及HV偏振组合时实验测量的超拉曼光谱强度比,得到超拉曼实验修正的C_2v分子基团β′_i′j′k′之间的比值。再结合文献中拉曼实验修正的拉曼微观极化率张量元微分α′_i′j′之间的比值,即可得到C_2v分子基团CARS和CAHRS的微观极化率张量元之间的比例关系,为定量分析高阶非线性光谱信息提供理论基础。     

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。     

湖北与安徽产高品质绿松石的红外与拉曼光谱特征及意义

近年来,市场对高品质绿松石的产地识别需求愈加迫切,然而,相应的研究尚少。湖北秦古、文峰和安徽笔架山产有结构致密细腻、光洁坚韧,蓝色的绿松石。它们的谱学特征基本一致,但在峰位或强度上存在可以识别的差异。红外光谱特征中,由δ(OH)弯曲振动引起的783 cm-1附近谱带在秦古样品中表现为797和779 cm-1分裂峰,在文峰样品中表现为787 cm-1峰,在笔架山样品中表现为783 cm-1峰。不同产地的R=I_{783 cm-1}/I_{837 cm-1}值不同,秦古样品R值在0.98以上,文峰样品R值在0.85左右,笔架山样品R值集中在0.91～0.94。属于ν₄(PO₄)伸缩振动内的609 cm-1附近谱带在文峰样品中较明显且强度大,在秦古样品中峰形略宽、强度稍弱,笔架山样品在该处吸收平缓且强度很小。拉曼光谱中在3 500 cm-1附近笔架山样品的峰位波数明显较湖北秦古和文峰样品的大(为3 506和3 505 cm-1),而湖北所有样品的此峰均低于3 500 cm-1(3 495～3 500 cm-1),可能由水组分的不同造成的,且其在3 472 cm-1附近的峰强度明显偏大。同样情况发生在由ν₄(PO₄)弯曲振动引起的551 cm-1峰,可能为微量元素Zn的含量差别所致。以上特征可作为识别湖北和安徽两产地绿松石的重要谱学标志,结合其外观特征,可以将二者有效区分。以上研究结果还具有潜在的考古学价值。     

不同核函数支持向量机和可见-近红外光谱的多种植被叶片生化组分估算

氮、磷、钾元素是植物有机质的重要生化组分,准确估算其含量对监测管理植被的新陈代谢和健康状况具有重要意义。可见-近红外光谱结合多种建模方法已被用于植被生化参数的监测,其中支持向量机回归方法被证明能够较好拟合反射光谱和植被生化参数之间的非线性关系,而选取适当的核函数是其成功的关键。以宜兴地区水稻、玉米、芝麻、大豆、茶叶、草地、乔木和灌木等八种植被叶片样本为研究对象,分析比较基于径向基核函数、多项式核函数和S形核函数的支持向量回归模型估算叶片氮、磷、钾元素含量的能力。利用一阶微分变换、标准正态变量变换和反对数变换对叶片可见-近红外光谱进行预处理,运用bootstrapping法生成1 000组校正集和验证集,分别建立基于三种核函数的支持向量回归估算模型,以决定系数（R2）和相对分析误差（RPD）的均值作为评价指标。结果显示,结合一阶微分和反对数变换光谱,采用径向基核函数模型对氮、钾元素估算精度最高（氮：平均R2=0.64,平均RPD=1.67;钾：平均R2=0.56,平均RPD=1.48）,结合一阶微分变换光谱,采用径向基核函数模型对磷元素估算精度最高（磷：平均R2=0.68,平均RPD=1.73）。研究表明,结合不同预处理的可见-近红外光谱,基于径向基核函数的支持向量回归模型具有较好的估算多种植被叶片生化组分含量的潜力。     

青饲大豆主要品质参数的近红外光谱快速分析

饲料是畜牧生产的物质基础,饲草原料和饲料产品营养价值的检测与评估是饲料生产中的重要环节,面对饲草资源中粗蛋白含量低和大量依靠进口饲料的局面,大豆作为优质的高蛋白豆科饲草是畜牧业生产利用的重要资源。不同青饲大豆及其不同刈割期的饲用品质参数可以评价青饲大豆的饲用性能,但目前主要以化学方法进行检测,过程繁琐,试验周期长、易造成人为操作误差,且青饲大豆主要饲用品质指标的光谱快速检测尚属空白,亟待开发和利用。鉴于近红外光谱快速分析技术在检测领域及饲料分析中的广泛应用,利用近红外光谱分析技术在950～1 650 nm范围内收集不同大豆品种不同刈割时期的全株样品光谱,对样品的主要饲用品质参数粗蛋白（CP）含量、中性洗涤纤维（NDF）含量和酸性洗涤纤维（ADF）含量三个指标按国家标准或行业标准的化学方法进行检测,得到的150份样品的品质数据按3∶2分为校准集和验证集。通过一阶求导（NW1st）、二阶求导（NW2nd）、标准正态变量变换方法（SNV）、去趋势算法（DE-trending）4种不同光谱预处理方法中的一种或多种处理的组合,结合偏最小二乘（PLS）回归算法建立了青饲大豆三个主要品质参数CP,NDF和ADF含量的预测模型。通过比较回归模型中的校准集和验证集中决定系数（R2）和均方根误差（RMSE）得出,NW1st+DE-trending+SNV+PLS处理后所建立的模型效果最好,青饲大豆CP含量模型中的校准集的R2_C和验证集的R2_P分别为0.96和0.95,NDF含量模型中的R2_C和R2_P分别为0.90和0.89,ADF含量模型中的R2_C和R2_P分别为0.94和0.93。通过验证集对预测模型的检验分析进一步证实了该模型的准确性和稳定性,形成了一种便于青饲大豆品质检测的近红外光谱(NIRS)快速分析法。随着青饲大豆品质参数数据量的增加,将不断完善青饲大豆品质检测模型,该方法不但扩大了近红外光谱仪对饲草资源品质的检测类别与范围,而且准确高效,有利于高蛋白优质饲草资源的开发和有效利用。     

QEPAS系统中石英音叉模态仿真计算与研究

对石英音叉增强型光声光谱(QEPAS)系统中常用的石英音叉进行了有限元模态计算，获得石英音叉前6阶振型与模态频率，认知了第4阶对称摆动振型为有效振动，利用单因素法分析了石英音叉的音臂长度l₁、音臂宽度w₁、音臂厚度t、音臂切角θ、音臂圆孔直径d及音臂圆孔高度h对低阶有效共振频率(Fre)的影响，敏感度依次为： l₁> w₁>d>θ>t>h，考虑实际设计情形，筛选出了l₁，w₁，d与h四个石英音叉设计变量，采用Box-Behnken实验设计方案与RSM(response surface methodology)方法，以Fre为函数目标，建立l₁，w₁，d与h的二次回归响应面模型，得到了参数之间的交互作用，利用Design-Expert软件对响应面模型进行设计参数反求，结果表明，在15 000 Hz≤Fre≤25 000 Hz计算区域内误差较小，基本满足QEPAS系统的计算需求，所提出的研究与设计方法具有一定通用性，可为QEPAS系统中石英音叉结构参数设计提供参考。     

基于光饱和影响校正的作物叶绿素分布光谱成像检测

叶绿素含量是作物光合能力与营养评价的重要指标,因此快速检测作物叶绿素含量与分布可为作物营养动态分析与长势评估提供支持。基于RGB(Red, Green, Blue)和NIR(Near Infrared)多光谱图像的获取,开展玉米作物营养状态分布光谱学成像检测。构建了多光谱图像采集平台获取RGB和NIR图像,研究了基于光饱和校正算法的RGB图像的光饱和校正与NIR图像去噪方法,通过图像的匹配分割,冠层的提取校正,建立了基于冠层图像的作物SPAD值检测模型与分布成图。采集15株玉米植株RGB-NIR图像,并同步获取不同植株,不同位置共68个叶绿素含量指标SPAD值。首先对RGB图像进行光饱和校正,再对NIR图像进行滤波和图像增强,其次对RGB和NIR图像进行了SURF(speeded-up robust features)和RANSAC(random sample consensus)图像匹配,利用RGB图像的颜色特征,采用ExG(Extra Green)和OTSU算法生成分割掩模,对RGB图像和NIR图像进行分割提取,提取图像的R, G, B和NIR分量,利用4阶灰度板进行反射率校正,然后计算作物图像中像素级P_SPAD值,并建立图像P_SPAD值与叶绿素仪SPAD值的拟合模型,最后绘制作物SPAD分布图。通过HSI(Hue, Saturation, Intensity)彩色模型中的I分量直方图对比去饱和前后光分布范围,以作物SPAD值分布图验证光饱和校正算法对作物叶绿素含量分布检测提升的效果。RGB图像光饱和校正前I分量集中在[140～180]之间,光饱和校正后的RGB图像I分量集中在[85～130]之间, 校正了相机成像时产生模糊和RGB图像饱和。对分割后的RGB图像和NIR图像提取R,G,B,NIR分量进行4阶灰度板校正,相关系数分别为0.829,0.828,0.745和0.994,进而生成R,G,B和NIR四波段的反射率伪彩色图像,反射率R_NIR＞R_C＞R_R＞R_B。体现了作物的在蓝光和红光区域吸收光,在绿光区域和近红外区域反射光的光谱特性。校正前后的R和NIR分量反射率计算图像P_SPAD值拟合叶绿素含量指标SPAD值的模型结果显示,校正前R2为0.332 6,校正后R2为0.619 3,绘制作物的SPAD特征分布图,可为作物的营养动态快速分析与分布检测提供技术支持。     

高煤级煤石墨化轨迹阶段性的XRD和Raman光谱表征

为了研究石墨化过程中煤的分子结构有序化轨迹,选取湖南、陕西19个不同变形-变质程度高煤级煤为研究对象,采用工业分析、元素分析、X射线衍射分析（XRD）和拉曼光谱分析（Raman）等手段,结合分峰拟合的数学方法,对系列样品分子结构参数（XRD结构参数,如石墨化度、延展度L_a、堆砌度L_c及面网间距d₀₀₂等;Raman参数,如P_G,P₁,R₁,R₂等）进行了统计与计算。研究结果表明：煤化作用阶段H/C随变质程度增加而逐渐减小,但在石墨化阶段以物理变化为主,其趋势变缓或不显著;XRD参数d₀₀₂,L_a,L_c,N及L_a/L_c等随变质程度呈现非线性连续（阶跃性）变化,拐点大致对应R_m=7.0%,d₀₀₂=0.338 nm,拐点之前L_a,L_c及N变化较小（或平稳增大）,拐点之后石墨晶体结构快速形成,微晶尺寸增大,拼叠作用开始并逐渐增强;L_a/L_c变化亦反映石墨化过程由缩合作用向拼叠作用转变。高煤级煤石墨化轨迹可按有序化增加的三阶段模型来表述,无定形碳（无烟煤）至变无烟煤阶段,G峰位、峰位差P₁变化显著,I_D1/I_G在表达无序程度时不服从TK关系;变无烟煤至半石墨阶段,即从石墨化开始结构演化轨迹呈现不同方向,R₁随着有序的增加呈现截然相反的轨迹,部分石墨组分演化服从TK关系,R₂在石墨化度为45%时呈现截然相反的轨迹;石墨阶段温、压作用导致微晶尺寸急剧增加（或阶跃）,I_D1/I_G减小服从TK关系。当不同石墨化程度的新生组分共存时,d₀₀₂不足以代表样品最大的演化程度,但其作为平均度量来标度高煤级煤石墨化过程中结构演化特征仍为较优的选择,且(002)和(γ)峰半峰宽能较好地区分石墨化煤的变质类型,H/C,I_D1/I_G亦随d₀₀₂演化轨迹不同,需利用d₀₀₂＜0.344 0 nm,R₁＜2.0,H/C＜0.12等综合指标判别石墨化的开始。由此可以看出,采用XRD和Raman光谱分析技术可以表征高煤级煤石墨化轨迹阶段性以及结构的差异性。     

基于光谱指数波段优化算法的小麦玉米冠层含氮量估测

作物关键生育时期冠层氮素含量的实时监测对于优化氮肥用量和减少环境风险具有重要的意义。为了寻求预测不同作物氮素含量的最佳光谱参数,实现作物氮素无损营养诊断。本研究通过2008年—2011年在德国慕尼黑弗莱辛和河北曲周的不同氮量的小麦玉米田间试验,采用高光谱仪获取小麦玉米冠层的反射光谱,利用光谱理论模型进行光谱指数波段的优化,从而抽取不同冠层结构条件下的小麦玉米氮素营养敏感波段。结果表明与传统的基于红光的光谱指数相比,优化光谱指数显著提高了小麦玉米冠层氮素含量的预测能力,克服了传统的基于红光光谱指数的饱和问题。优化光谱指数的波段结合随着作物品种及其冠层结构的变化而变化,其优化波段范围主要集中在红边(730～760 nm)和红边向近红外的过渡区域(760～880 nm)。优化结果显示玉米最佳光谱指数为R_λ766/R_λ738-1,小麦最佳光谱指数为R_λ796/R_λ760-1,玉米小麦相结合优化后的最佳光谱指数为Rλ₈₇₆/Rλ₇₃₀-1。结果进一步验证了优化光谱指数估测的不同作物含氮量的预测值与实测值相关性最高,且验证偏差最小,证实了优化后的光谱特征参数可对不同作物氮素丰缺状况进行快速、准确、无损估测。试验结果也为设计作物冠层氮素传感器和更好的利用现有基于卫星的传感器实施区域上的作物氮素营养监测提供了理论基础。