基于高光谱技术的土壤水分无损检测

利用高光谱成像仪(光谱范围400～1 000 nm)对土壤含水率进行了无损检测。比较了208个土样不同天数下土壤含水率与光谱变化、不同质量含水量光谱的差异;对比分析了不同光谱预处理方法、不同方法提取特征波长、采用多元线性回归(multiple linear regression,MLR)、主成分回归(principal component regression,PCR)与偏最小二乘回归(partial least squares regression,PLSR)建模,优选出最佳模型。结果表明：光谱曲线的反射率随着土壤含水率的增加而减小。当超过田间持水率时,光谱曲线的反射率会随着土壤含水率的增加而增大。对比分析了不同预处理方法,近红外波段优选出单位向量归一化预处理方法。采用无信息变量消除法(UVE)、竞争自适应加权采样(CARS)、β系数法、连续投影算法(SPA)方法提取特征波长为49,30,5和7。为了减少数据冗余,对UVE与CARS提取的特征波长进一步采用SPA方法进行特征提取,UVE+SPA,CARS+SPA提取特征波长数分别为5和8个。在此基础上,利用MLR,PCR和PLSR方法对400～1 000 nm范围的特征波长建立模型,对比分析不同建模效果,优选出β系数提取的特征波长的MLR模型。最优的特征波长为411,440,622,713和790 nm,最优模型的预测相关系数R_p=0.979,预测均方根误差RMSEP为0.763。因此,今后可采用不同波段对土壤含水率进行定量分析。     

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。     

胡杨叶片水分含量的近红外光谱检测

胡杨叶片水分含量是评价胡杨健康状况的重要指标。光谱检测法是一种常用的手段,但在近红外光谱的测量过程中,在一定程度上必然受到仪器噪声、摆放形态差异和环境的干扰,为避免噪声、散射对近红外光谱的影响,减少数据维数,采用多元散射校正(MSC)算法对原始光谱数据进行预处理,去除散射和基线漂移的影响,增加了光谱数据的信噪比,使有效光谱信息较为明显,谱带特征得到加强,有利于特征波长的选择。为降低模型的复杂度,防止过拟合现象,减小共线性影响,利用连续投影算法(SPA)进行特征变量选择,并通过多元线性回归模型,分析各个波长模拟的残差平方,评价各个波长的贡献,剔除贡献较小的波长,最终获得用于建模的特征波长,改善建模条件。最后使用偏最小二乘回归算法建立胡杨叶片水分含量检测模型。实验表明,直接使用原始光谱,利用SPA算法筛选变量个数为6个,模型预测精度为90.144%,相关系数r=0.674 24,RMSE=0.021 434,MSC处理后,利用SPA算法选定最终变量数为5个,预测精度为97.734%,相关系数r=0.781 63,RMSE=0.016 776。MSC和SPA算法有效的消除了散射噪声、减小了共线性干扰,模型的预测精度和相关性增加,误差减小,可用于胡杨叶片水分的快速无损检测,而且对其他作物叶片水分检测也具有一定的借鉴意义。     

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。     

烤烟的近红外光谱检测模型

对杀青烟叶蛋白质和水溶性总糖含量的光谱检测,发现近红外光谱（1100-2500nm）的检测模型优于可见-近红外光谱（350-2526nm）,烟粉检测模型优于片状烟叶的检测模型.通过对烟叶全部光谱数据不同的预处理来探究其蛋白质和水溶性总糖的近红外光谱的检测模型,并利用近红外有效波长对施木克值的含量进行预测.利用偏最小二乘法（PLS）通过训练集的交叉验证建立回归模型,结果表明：（1）对原始光谱进行二阶导数变换后,得到蛋白质含量预测模型的预测集r=0.9768、RMSE=0.6843;（2）对原始光谱每隔51个点进行移动平滑处理及主成分数为8时,水溶性总糖含量预测模型的预测集r=0.9495、RMSE=0.9049;（3）基于82个波长对施木克值的预测模型的预测集r=0.9356、RMSE=0.1060.     

KF光谱优选的木材抗弯强度预测方法

木材抗弯强度是评价木材力学性质的重要指标,其快速准确预测具有工程应用价值和科学意义。重点研究了使用近红外光谱分析光谱特征优选的卡尔曼滤波(KF)方法进行PLS建模,完成木材抗弯强度的预测。试验用126个蒙古栎无疵试样,依据国家标准《木材物理力学性质试验方法》测量抗弯强度得到力学真值;在900～1 700 nm波段进行近红外光谱采集,一阶导数与S-G卷积结合进行光谱预处理;然后,将光谱及抗弯力学样本视为动态系统,光谱冗余波长视为噪声信号,通过KF迭代得到系数矩阵和标准方差,并运用二者比值实现特征优选;最后建立蒙古栎的偏最小二乘(PLS)抗弯强度近红外模型。结果表明,经过KF优选后,光谱变量数由117减小到18个,预测模型的相关系数ｒ=0.81、预测误差均方根RMSEP=6.59;为了进一步验证方法有效性,与无信息变量消除法(UVE)、连续投影方法(SPA)特征选择方法进行了对比,KF特征优选后的预测相关系数r分别提高了0.05和0.16,预测误差均方根RMSEP降低了2.33和7.66,采用KF特征选择建立的模型预测结果最佳。KF作为特征方法可有效选择近红外光谱特征波长,降低模型维度,提高模型的适用性与准确性。     

基于高光谱成像技术的土壤水分机理研究及模型建立

为了研究宁夏地区土壤的水分迁移机理以及对土壤水分快速无损检测,利用高光谱成像(光谱范围900~1 700 nm)技术对土壤的含水率进行了研究。通过高光谱成像系统采集了208个土样,比较了不同天数下土壤含水率与光谱的变化、不同质量含水量光谱的差异。对采集到的土样进行PLSR模型建立,对比分析不同光谱预处理方法、不同方法提取特征波长(UVE、CARS、β系数、SPA)、不同建模方法(MLR、PCR、PLSR)建立的模型,优选出最佳模型。结果表明:在一定的土壤含水量范围内,光谱曲线的反射率与土壤含水率成反比;当增大到超过田间持水率时,光谱曲线的反射率与土壤含水率成正比。对比分析了不同预处理方法,优选出单位向量归一化预处理方法。对比不同的模型,优选出SPA提取的特征波长的MLR模型。最优的特征波长为987,1 386,1 466,1 568,1 636,1 645 nm,最优模型的预测相关系数Rp=0.984,预测均方根误差RMSEP为0.631。因此,今后可采用不同波段对土壤含水率进行定量分析。     

基于卫星波段的马铃薯植株氮素含量估测

植株氮素浓度是反应作物氮素营养状况的关键指标,对作物的产量与品质具有重要的影响。作物大面积氮素营养的实时监测不仅对区域上氮肥投入提供决策,而且还对区域上氮素循环的估算提供依据。传统的地面传感器虽然有较高的精度,但很难在区域尺度上大面积获取数据,且目前存在的高光谱卫星影像如MODIS,Hyperion的空间分辨率普遍不高。随着卫星遥感的发展,近些年来高空间分辨率的多通道卫星逐渐发射升空,这些高分辨率的卫星遥感数据将对大尺度上植被生理生化指标反演提供可能。该研究从2014年-2016年在内蒙古阴山北麓武川县进行了三年不同氮水平的马铃薯田间试验,借助地面马铃薯冠层高光谱实测数据,模拟近几年发射的具有红边波段的多通道卫星WorldView-2和VENμS不同宽度波段,并构建多种光谱指数,建立光谱指数与马铃薯地上部植株氮素浓度的估测模型,进行马铃薯关键生育期冠层氮素营养的实时监测。结果表明,波段宽度和波段位置的选择决定着光谱指数对氮素浓度的响应程度,基于红边波段的光谱指数具有更高的灵敏性。生育时期显著影响光谱指数对马铃薯地上部氮素浓度的估测能力,苗期土壤背景对光谱反射率具有显著干扰,马铃薯块茎形成期后植株氮素浓度的预测效果最佳。基于WorldView-2和VENμS卫星红光、红边和近红外特定波段构成的融合光谱指数NDRE/NDVI相对其他指数来说在马铃薯植株氮素浓度估测上更具优势,与不同生育时期马铃薯植株氮素浓度都具有较高的相关性,相关系数r在0.63～0.81之间。其中,生殖生长期基于VENμS卫星红光、红边和近红外通道构成的融合光谱指数VENμS-NDRE/NDVI与马铃薯植株氮素浓度相关性最高（r=0.81）,模型验证结果的决定系数为0.56,且验证误差较小,RMSE和RE%分别为0.38%,10.45%,模型估测值与实测值的验证斜率最接近1,为0.82;WorldView-2-NDRE/NDVI与马铃薯植株氮素浓度也具有较高的相关性（r=0.74）,模型验证结果的决定系数为0.49,验证误差RMSE和RE%分别为0.41%和11.12%,模型估测值与实测值的验证斜率为0.78。多通道卫星模拟的结果证明,基于红边宽波段的融合光谱指数能用来进行马铃薯植株氮浓度的监测。     

基于PSO-PLS混合算法的水体COD紫外吸收光谱检测研究

化学需氧量（COD）是反映水体受有机物污染程度的重要指标。紫外吸收光谱法是目前水体COD检测研究中应用最为广泛的方法,具有样品无需预处理,成本低,无污染,测定速度快等优点。但是,原始光谱数据维数高,光谱信息中包含大量冗余变量,直接将全光谱数据进行建模存在精度低,计算复杂等问题。针对紫外吸收光谱全光谱建模精度低,光谱数据存在大量共线性的问题,提出了一种基于粒子群算法（PSO）结合偏最小二乘（PLS）优选特征波长建立预测模型的方法,以提高紫外吸收光谱预测模型的精度和适用性,简化模型。利用搭建的紫外吸收光谱装置,采集29份不同浓度的COD标准溶液的紫外光谱数据,每份标准溶液采集5次取平均值并对其进行平滑处理,减少仪器和环境带来的误差。考虑到标准溶液在200～310 nm的光谱范围内存在吸收,故选取该波段范围内246个波长点作为建模数据,每个波长点下的吸光度数据作为一个粒子并按照顺序编号,以PLS为建模方法,相关系数r和均方根误差（RMSE）为评价指标,设置粒子群算法适应度函数f(x)=min（RMSE）,取粒子初始种群数为20个,惯性权重w=0.6,自我学习因子c1=1.6,群体学习因子c2=1.6,最大迭代次数为200次,算法终止条件为达到最大迭代次数。算法输出全局最优变量取值为168,94,181,183,175,209,106和142。采用粒子群算法优选的8个波长点建立PLS预测模型的相关系数r和预测均方根误差RMSE分别为0.999 98和0.155 1。为了验证PSO-PLS建立的预测模型效果,建立了PLS,iPLS和SVR三种预测模型进行对比。验证结果表明,PSO-PLS模型的相关系数r和均方根误差RMSE均优于其他三种预测模型,说明粒子群算法能有效的提取用于PLS建模的特征波长,消除子区间变量的共线性,提高预测模型的精度。该方法为实现水体COD实时在线监测提供了一种有效途径。     

基于高光谱成像的牧草粗蛋白含量检测研究

粗蛋白（CP）是评价牧草营养价值和品质参数的关键指标。快速、准确地对牧草中粗蛋白含量进行评估在畜牧业生产研究中具有重要意义。为确定牧草粗蛋白含量的高光谱特征波段及最优检测模型,研究分别于2017年5月至9月间在黑龙江省杜尔伯特自治区的人工牧草场（羊草）内每月随机选取35个样本,5个月共采集175个样本。采样时在样本点处放置1 m×1 m的样方,将样方内所有牧草全部齐地面收割采集后称重并冷藏保存。将样本带回实验室后,立即进行牧草叶片高光谱图像采集,同时采用凯氏定氮法对采集的牧草样本进行粗蛋白化学值测定,以此建立牧草粗蛋白含量高光谱数据集。研究首先通过Savitzky-Golay卷积平滑（SG）、多元散射校正（MSC）、变量标准化（SNV）、一阶导数（1-Der）和直接正交信号校正（DOSC）方法5种预处理方法对高光谱数据进行处理后分别建立偏最小二乘回归（PLSR）检测模型,从中确定最优预处理方法。利用最优预处理结果,分别采用连续投影算法（SPA）和随机蛙跳算法（RF）进行牧草粗蛋白含量的特征波段选择,并利用选择结果分别进一步建立PLSR模型,以此确定适合粗蛋白含量的特征波段选择方法,确定最优高光谱检测模型。结果表明,在五种高光谱预处理方法中,基于SNV方法预处理后所建立的高光谱PLSR模型表现最优（R2-P=0.929,RMSE-P=6.344 mg·g-1,RPD=4.204）。利用连续投影算法筛选的粗蛋白含量特征波长为30个,分布于530～700和940～1 000 nm范围内。经随机蛙跳算法确定的粗蛋白含量特征波段为6个,分别为826.544,827.285,828.766,971.012,972.494和973.235 nm。因此,该研究中牧草粗蛋白含量最优高光谱检测模型为SNV-RF-PLSR（R2-P=0.933,RMSE-P=6.034 mg·g-1,RPD=4.322）,模型精度较高。该研究结果为牧草粗蛋白含量的高光谱检测提供了最优模型和理论基础,同时为指导草业生产开拓了新的技术思路。     

无人机高光谱波段选择的叶面积指数反演

叶面积指数（LAI）是评价作物长势和作物产量的重要参数。为有效利用高光谱信息,优选出最佳波段进而构建新型双波段指数来提高LAI估测精度,以冬小麦为研究对象,获取冬小麦孕穗期无人机高光谱数据和实测地面LAI数据,开展冬小麦LAI反演研究。首先采用连续投影算法（SPA）、最佳指数法（OIF）以及逐波段组合法（E）分别进行无人机高光谱数据最佳波段筛选,进而将所选最佳波段构建新型双波段指数（VI_OIF,VI_SPA,VI_E）;然后将构建的新型双波段指数和常规双波段指数（VI_F）与LAI进行相关性对比分析,最后结合支持向量回归（SVR）、偏最小二乘回归（PLSR）和随机森林回归模型（RFR）进行LAI估算,并对比分析常规双波段指数的估算精度,验证最佳波段选择方法构建新型双波段指数的最佳回归模型反演LAI的可行性。结果表明：（1）新构建双波段指数VI_OIF,VI_SPA,VI_E和VI_F与冬小麦LAI的相关性均达到0.05的显著水平,其中VI_SPA和VI_E与LAI的相关系数高于0.65,且RSI_SPA和RSI_E与LAI的相关性较高（r>0.71）;（2）对比分析VI_OIF、VI_SPA、VI_E和VI_F构建的SVR模型、PLSR模型和RFR模型的冬小麦LAI估测精度,VI_SPA_PLSR模型估测精度最高,R2和RMSE分别为0.75和0.90。该方法可为无人机高光谱数据波段选择以及冬小麦LAI反演提供技术支持和理论参考。     

橡胶添加剂瓦斯炭黑的太赫兹光谱定量研究

瓦斯炭黑是橡胶中重要的添加剂之一,其含量对橡胶性能有重要的影响。丁腈橡胶是工业生产中应用比较广泛的合成橡胶,研究丁腈橡胶中瓦斯炭黑的含量具有重要意义。利用太赫兹时域光谱技术,对八种不同含量瓦斯炭黑与丁腈橡胶组成的混合物样本中的瓦斯炭黑含量进行测试,获取了混合物样本在0.3~1.4 THz频段的吸收光谱数据。分别利用偏最小二乘(PLS)和支持向量回归(SVR)建立混合物中瓦斯炭黑的定量分析模型,使用均匀梯度法来选择模型的校正集和预测集,获得瓦斯炭黑预测集的相关系数与均方根误差。偏最小二乘模型相关系数与均方根误差分别为0.985 8和2.098 9%,支持向量回归模型相关系数与均方根误差分别为0.998 0和0.785 4%。实验结果表明,支持向量回归定量分析模型的预测结果优于偏最小二乘模型。为进一步证明支持向量回归模型的稳定性,多次使用随机选择法选择它的校正集和预测集,并求得其相关系数与均方根误差。结果表明,无论是利用均匀梯度法还是随机选择法对支持向量回归定量分析模型的校正集和预测集进行选择,求得的相关系数和均方根误差均优于偏最小二乘模型。     

南方籼稻米胶稠度近红外光谱分析数学模型的构建与验证

培育优质高产水稻品种是当前水稻育种的重要任务之一;胶稠度是稻米蒸煮食味品质最重要的指标之一。传统的化学法测定稻米胶稠度,前处理复杂、过程繁琐、试剂消耗多,难以满足大批量水稻品种（组合）胶稠度快速无损检测的需求。近红外光谱分析能快速、无损、无污染地分析检测。以137份南方稻区主栽或新育成的籼稻品种（组合）为供试材料,用传统化学法测定其稻米胶稠度并收集其近红外光谱,以建立南方籼稻米胶稠度近红外光谱分析模型,并对模型进行校正、检验。用偏最小二乘法(PLS)分别经20种数学预处理和6种波长段（或组合）建立各自的近红外分析模型。通过比较模型评价指标确定了平滑预处理为最佳预处理方式,波长段1 100～1 650 nm为最优建模波长段。平滑处理模型评价指标：校准相关系数(R)、检验相关系数(r)、相对百分比偏差(RPD)分别为0.970 0,0.964 2和3.780 5;波长段1 100～1 650 nm模型评价指标：R,r和RPD分别为0.969 4,0.963 8和3.758 6;经平滑处理后在1 100～1 650 nm波长段建立了稻米胶稠度最优近红外分析模型,其模型评价指标：R,r和RPD分别为0.979 0,0.974 1和4.419 4;再用30份验证集样本对所得的最优模型进行外部验证,结果表明：近红外检测值和化学值绝对误差在0.198 6～6.502 4 mm,对其进行配对T检验,p＝0.726＞0.05,表明该近红外模型的检测值与化学值无显著差异,即应用此近红外模型快速无损检测稻米胶稠度是可行的。本研究结果为优质水稻品种（组合）早世代材料的快速筛选及稻米胶稠度的批量快速分析检测提供了技术支持。     

汽轮机油中含水量的近红外光谱研究

汽轮机油在使用过程中会因为种种原因混入水分,使油液理化性能发生变化,影响系统的正常工作,采取合理的措施有效地对汽轮机油中的含水量进行分析一直是汽轮机油的研究热点之一。应用近红外光谱技术结合连续投影算法(SPA)实现了汽轮机油中含水量的分析,通过对汽轮机油中含水量为0～0.156%的57个油样进行光谱扫描,运用原始光谱、一阶导数光谱和多项式最小二乘拟合求导算法Savitzky-Golay(SG)的不同预处理方法,并应用SPA提取近红外光谱的有效波长,以相关系数(r)和均方根误差(RMSE)作为模型评价指标对汽轮机油中含水量进行了研究。结果表明原始光谱经过一阶导数与SG预处理后,应用SPA提取近红外光谱的16个特征波长,作为最小二乘支持向量机(LS-SVM)模型的输入变量,建立了SPA- LS-SVM模型。运用此模型对验证集样本进行预测的相关系数和均方根误差分别为0.975 9和2.656 8×10-3,说明应用SPA结合近红外光谱技术来检测汽轮机油中含水量是可行的,并能获得满意的预测精度,为进一步应用光谱技术进行汽轮机油中其他污染物的检测提供了新的方法。     

一种基于差值指数的颗粒物PM2.5浓度反演新方法

从分析对颗粒物PM_2.5敏感的光谱特性入手,提出了一种基于差值指数的颗粒物PM_2.5浓度反演新方法。使用Avafield-1光谱仪(测量范围300～1 100 nm)测量了典型地物植被、土壤在不同的颗粒物PM_2.5污染条件下的光谱曲线,发现颗粒物使得植被和裸土的光谱曲线在红光波段反射率增加,在近红外波段反射率下降,且其变化量较为稳定,因此使用对颗粒物敏感的红光波段和近红外波段,构建差值指数(difference index,DI)以表征颗粒物PM_2.5的浓度变化。以北京市为研究区,选择TM影像,求取差值指数,结合北京市及周边地区地面空气质量监测站提供的PM_2.5逐时数据,反演了北京市的颗粒物PM_2.5的浓度。结果表明,2016年3月1日(监测站PM_2.5浓度均值为105.8)预测模型相关系数r为0.796,精度表现良好,12月14日(监测站PM_2.5均值为15.8)预测模型相关系数r为0.628,即颗粒物污染程度较低情况下,差值指数模型预测精度低于颗粒物污染程度较高的情况,分析原因是颗粒物浓度较低时,由颗粒物引起的地物光谱特征变化比较不明显,造成差值指数模型精度较低。由于空气质量为重度及严重污染时,获取的遥感影像质量较差,影响颗粒物浓度反演,因此该方法适合轻度、中度污染情况下的颗粒物PM_2.5浓度反演。该方法获取污染数据简单,反演结果空间分辨率较高(30m),且可根据需要选取包含敏感波段数据的遥感影像用以获取不同时间、空间分辨率的颗粒物PM_2.5浓度分布,具有广泛的应用前景。     

多种光谱变量筛选算法在红参提取近红外建模中的应用

红参中提取出的有效活性成分人参皂苷含量对后续产品的质量有重要的影响。传统的红参提取质量控制化学检测方法成本高,具有滞后性。已有的研究表明快速无损的近红外检测方法用于红参提取过程具有可行性,但现有方法依赖仪器自带数据处理软件,无法满足生产实际的精度和速度需求。为实现红参提取过程的快速、精确监测,提出将多种智能光谱筛选算法应用在近红外光谱建模中,并对比不同光谱筛选算法的性能和稳健性。以红参提取液中含量高的人参皂苷Rg1和含量较低的人参皂苷Rc为目标,采集了三个不同批次前两次红参提取液样本128份,在线获取1 000～2 499 nm波段近红外原始光谱吸光度数据,并同时采用国标方法高效液相色谱法测定目标人参皂苷含量,首先采用竞争适应性重加权采样法(CARS)、无信息变量消除法(UVE)、随机蛙跳算法(RF)和连续投影算法(SPA)四种波长筛选算法进行波长降维处理,然后使用筛选后的波长建立线性偏最小二乘(PLS)定量模型,并通过模型的均方根误差(RMSE)、决定系数（R2）和预测相对分析误差(RPD)等来评估模型的性能。从四种波长优选算法PLS建模结果可知,经RF优选后,建模特征波长变量下降为原来的0.67%,红参提取液中人参皂苷Rg1和Rc含量的R2都达到了0.94以上, 预测均方误差分别为0.024 6和0.013 5,预测集相对分析误差达到了4.84以上,降低了建模的难度,提高了建模的精度;将RF和CARS在原始光谱、全光谱、SNV预处理后的全光谱上建模对比,RF波长筛选算法建模模型的性能整体较好,不同的光谱范围和预处理方法下性能影响较小,稳健性好。综上表明RF是红参提取液建模相对理想的波长筛选算法,基于RF的PLS算法实现了对红参两次提取液的一次建模,可用于提取液中人参皂苷成分含量的快速检测,为药物的在线提取控制提供理论支撑。     

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。