矿业废弃地重构土壤重金属含量高光谱反演

矿产资源对工业和国民经济的发展有重要的作用,但是随着矿业开采规模的扩大,资源枯竭、经营不善而形成的矿业废弃地越来越多。由于长时间受到采矿的影响,矿业废弃地土壤中存在大量的重金属元素,高浓度重金属可能会对环境和人体产生影响。土地复垦是整治污染、退化土壤再利用的重要方法,对重构后的土壤进行重金属含量检测是衡量土地复垦成效的重要指标,需要长期进行跟踪监测。传统的化学检测方法效率低、成本高、无法实现重金属大范围检测。高光谱是一种新兴的、发展潜力巨大的技术,在环境保护,资源利用,区域可持续发展等方面有着广泛的应用。经过近几十年的快速发展,仪器精度逐渐提高,检测方法逐渐成熟,为实现土壤重金属高效、便捷检测提供了可能。正常土壤重金属含量一般相对较低,采用光谱测量重金属含量较为困难,但铁矿开采区矿业废弃地由于土壤中的铁元素较多,会使土壤中的重金属的存在和聚集形式发生变化,影响重金属对光谱的响应,从而使土壤光谱反射率与重金属含量之间关系更加明显。以湖北省大冶市复垦矿区研究区,采样化学检测方法获取土壤重金属（As,Cr,Zn）含量;借助于美国ASD公司生产的FieldSpec4地物光谱仪（350～2 500 nm）获取土壤反射率,应用一阶微分、倒数对数、连续统去除法分别对反射率曲线进行预处理,提取出光谱特征波段,分析三种重金属元素与光谱特征间的相关性并建立逐步回归模型。研究表明,光谱数据预处理可使光谱特征波段更加明显,其中一阶微分和连续统去除法的效果最为明显。3种重金属元素的特征波段为495,545,675,995,1 425,1 505,1 935,2 165,2 205,2 275和2 355 nm。将土壤重金属含量与光谱特征波段之间做相关性分析,三种重金属都表现出了与光谱曲线的相关性,相关系数大部分都达到了0.5以上,最大相关系数为0.663,由于重金属种类和预处理方式的不同会导致相关性系数存在明显的差异。利用与土壤重金属相关性最大的特征波段建立三种重金属反演模型,并以反演模型r大小选择每种重金属的最优反演模型。由于重金属种类的不同,模型的选择也有差异,Cr和Zn一阶微分逐步回归为最佳反演模型,重金属As连续统去除法逐步回归为最佳反演模型。通过检验,三种重金属中Cr反演效果最好,RMSE为2.67,其次是Zn和As。对比当前不同检测手段可知,基于土样和光谱数据预处理的土壤重金属含量地物光谱仪高光谱反演是比较理想的。可为矿业废弃地土壤重金属高光谱反演提供参考。     

基于XRF-CNN土壤重金属Zn元素含量预测模型研究

结合X射线荧光光谱法,针对土壤中重金属元素Zn含量的预测问题,提出基于深度卷积神经网络回归预测模型。对原始土壤进行相关预处理,用粉末压片法制作土壤压片,采用X射线荧光光谱法(X-Ray-fluorescence,XRF)获取土壤光谱,相比于传统检测方式,XRF法具有检测速度快、精度高、操作简单、不破坏样品属性并且可实现多种重金属元素同时检测等优点,故将XRF与深度卷积神经网络相结合,实现对土壤中重金属Zn元素含量的精确预测。采用箱型图来剔除X射线荧光光谱中的异常数据,采用熵权法结合多元散射校正来对样品盒数据进行校正,采用Savitzky-Golay平滑去噪法以及线性本底法对光谱数据进行预处理,可以有效地解决由外界环境和人为因素产生的噪声及基线漂移等问题。针对卷积神经网络结构的特殊性,将获取的一维光谱数据向量,采用构建光谱数据矩阵的方式来进行处理,将同一浓度、同一含水率下5组平行光谱数据向量转化为二维光谱信息矩阵,以该矩阵作为深度卷积神经网络预测模型的输入,以适应卷积层的操作要求,利用深度卷积神经网络特殊的结构模式,能有效提取土壤光谱数据特征,提高了深度卷积神经网络预测模型的学习能力,降低模型的训练难度。深度卷积神经网络预测模型采用3层卷积层搭建,使用ReLU激活函数激活,采用最大池化方式,减少数据的维度,增加Dropout层,防止过拟合,使用ADAM优化器对预测模型进行优化。实验以平均相对误差(mean relative error, MRE)、损失函数(LOSS)、平均绝对误差(mean absolute error, MAE)确定了模型的最优学习率为10-3以及最优迭代次数为3000,并将深度卷积神经网络预测模型与BP预测模型、ELM预测模型、PLS预测模型进行对比,以均方误差(mean square error, MSE)、均方根误差(root mean square error, RMSE)、以及拟合系数R2来分析比较预测模型的好坏,结果表明,基于深度卷积神经网络预测模型在对土壤中重金属Zn元素含量预测方面优于BP,ELM,PLS三种预测模型,提高了预测精度。     

煤矸石充填复垦重构土壤重金属含量高光谱反演

为研究煤矸石充填复垦土壤重金属含量快速有效的监测方法,以淮南创大生态园煤矸石充填复垦田间试验小区为研究区域,首先采用化学方法监测土壤(0～20 cm)重金属(Cu, Cr, As)含量,然后采用ASD(analytical spectral devices) FiSpec4型高光谱仪测量土壤样品的反射光谱,提取光谱特征,并对光谱进行一阶微分变换、二阶微分变换及倒数对数变换;将变换后的各光谱特征参数与监测的土壤重金属含量进行相关性分析,并依据相关性分析结果选择显著相关的波段作为相关因子供建模使用。采用多元逐步回归(stepwise multiple liner regression,SMLR)分析、偏最小二乘回归(partial least squares regression, PLSR)及人工神经网络(artificial neural network, ANN)三种方法分别建立基于光谱反射率估算土壤重金属含量的预测模型,并采用回归模型进行精度评定,然后确定各重金属含量的最佳预测模型。实验结果表明,经过微分变换的光谱波段与土壤重金属含量达到了显著相关;重金属Cu和Cr的一阶微分光谱的人工神经网络模型为最佳预测模型,重金属元素As的二阶微分光谱的偏最小二乘回归模型为最佳预测模型。     

一种面向土壤重金属含量检测的X射线荧光光谱预处理方法研究

土壤重金属的污染影响着农作物的产量和质量。传统的土壤重金属检测方法步骤繁琐、检测费用高且速度慢。利用X射线荧光光谱(XRF)分析技术检测土壤中重金属含量，具有处理简单、现场、快速、无损等优点。由于土壤背景复杂，包含大量噪声和无关信息，建立XRF校正模型前，对光谱的预处理能有效的去除不相干信息，保留有用信息，对XRF预测模型的精度有重要影响。主要研究光谱预处理方法对重金属含量预测模型精度的影响。首先，采用向前间隔偏最小二乘(FiPLS)作为校正模型，对比了无预处理、去趋势处理(DT)、标准正态变量变换(SNV)、多元散射校正(MSC)、小波去噪(WT)、SNV+DT、卷积平滑(SG)+一阶导数、卷积平滑(SG)+二阶导数等7种不同预处理条件下的土壤重金属模型的检测精度。初步结果表明，多元散射校正预处理方法效果较好，与原始光谱相比，相关系数r从原始的0.988提高到0.990，预测均方根误差RMSEP、相对误差平均从原来的20.809和0.166分别降低到19.051和0.121。其次，在多元散射校正预处理方法的基础上，针对多元散射校正方法以线性表达式描述非线性关系的局限性，提出了局部加权线性回归多元散射校正(LWLRMSC)和偏最小二乘多元散射校正(PLSMSC)，并比较了它们的建模效果。LWLRMSC是基于加权思想，在预测一个点的值时，选择适当的核函数和权重分配策略进行预测点的线性回归，来解决简单线性回归的欠拟合状况；PLSMSC是基于PLS建模思想，考虑了自变量和因变量的最大相关性，来减少拟合误差及失真问题。结果表明，PLSMSC具有最佳的预处理效果，五种重金属Cu，Zn，As，Pb，Cr预测值和实际值的R分别为0.989，0.973，0.991，0.989和0.986，RMSEP分别为8.805，58.360，7.671，12.549和20.851，相比于传统的MSC方法不仅在精度方面有大幅度的提升，且具有更好的泛化性能，能消除光谱噪声，提升有效信息贡献度，为土壤重金属含量预测模型选取合适的预处理方法提供了理论支撑。     

基于中红外漫反射光谱的土壤重金属元素含量预测研究

研究了中红外漫反射光谱快速预测土壤重金属元素含量的可行性。以在南京江宁区和八卦洲采集的共161个土壤样品为例,利用偏最小二乘回归(PLSR)法对土壤中Ni,Cr,Cu,As,Zn,Pb,Hg和Cd等8种重金属元素数据进行了预测。通过对样品的中红外(MIR)漫反射光谱进行各种预处理,探讨了中红外光谱数据预处理对预测精度的影响,并比较了中红外光谱与可见光-近红外(VNIR)光谱对土壤重金属含量预测的精度。结果表明,依次经平滑、基线校正、多元散射校正预处理能显著提高中红外光谱数据的预测精度;经校正的中红外光谱对异地样品预测的均方根误差是可见光-近红外光谱的21%～73%,比VNIR波段更能准确预测异地样品中土壤重金属元素含量。研究表明,中红外漫反射光谱可以作为一种快速、非破坏方法预测土壤重金属元素含量,且比可见光-近红外精度高。     

基于Encoder-CNN的土壤氮含量光谱预测模型研究

基于光谱的土壤氮含量预测模型泛化能力弱是制约其推广应用的瓶颈。鉴于特征提取及非线性表达能力方面的优势,深度学习模型具有较强的泛化能力。提出一种融合自动编码器和卷积神经网络(Encoder-CNN)的土壤氮含量光谱预测模型,探索模型结构和参数对模型性能的影响。根据以往研究成果和相关性分析,获得180个与氮含量强相关的波长,将其作为Encoder-CNN模型输入,而将土壤氮含量作为模型输出。Encoder-CNN模型利用自动编码器的编码部分进行光谱数据降维,然后输入到卷积神经网络进行土壤氮含量预测。设计2种网络结构,每种网络结构包含2种不同参数设置,共4个模型,用以探索Encoder-CNN土壤氮含量光谱预测模型结构和参数对模型性能的影响。利用公开数据集LUCAS对模型进行训练。按3σ原则对公开数据集LUCAS进行异常值检测与处理,获得20 791个数据,其中18 711个样本作为训练集,2 080个样本作为测试集,对Encoder-CNN模型进行训练。结果表明：对于自动编码器,在相同隐含层数下,最后的隐含层神经元个数为30时,复现效果最优。增加隐含层数,会提升复现效果。增加卷积核数量,特别是尺寸为1×1卷积核,能够提高模型的预测性能与可靠性。增加池化层的网络结构,模型预测精度提升至0.90以上。增加全连接层神经元数量也会提升模型性能。利用自采集的黑龙江黑土实时光谱数据集进行模型迁移,观察模型泛化能力。当模型迭代100次后,在黑龙江数据集上的预测精度即可达到0.90以上;当迭代次数为900时,模型在训练集和测试集上的预测精度可以达到0.98。结果表明,所构建的Encoder-CNN土壤氮含量光谱预测模型具有较好的泛化能力。     

西范坪矿区土壤铜元素的高光谱响应与反演模型研究

为解决传统的土壤地球化学测量方法成本高、效率低等问题,研究了利用可见-近红外光谱技术检测土壤重金属含量的简易方法。研究对西范坪矿区土壤反射光谱进行微分、连续统去除等六种变换,利用逐步回归法和皮尔逊相关系数选出对土壤铜含量敏感的特征波段,组成综合特征变量集,再应用不同的特征变量选取方法和参数建立估算模型并检验。结果表明：不同的光谱变换方法对土壤铜含量信息提取能力不同,每种光谱变换都对应特定的敏感波谱区间;基于综合光谱变换信息建立的土壤铜含量反演模型精度优于基于单种光谱变换信息建立的模型;利用综合光谱变换信息建立土壤铜含量反演模型,后向剔除法优于前向引入法和逐步回归法,当Removal取0.20时得到最优回归模型,其模型决定系数R2和预测模型决定系数R2_pre分别达到了0.851和0.830,建模均方根误差RMSEC和预测均方根误差RMSEP分别为0.349和0.468 mg·kg-1,能较好地检测土壤铜含量,同时为其他土壤重金属元素的光谱检测提供了思路。     

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.     

高维红外光谱数据预处理在中药材产地鉴别中的应用

为提高利用红外光谱数据鉴别中药材产地的预测模型效果，应该选用合适的数据预处理方法和合适的算法。针对具有3 448个特征(波长551～3 998 nm)的658条红外光谱中药材数据，借助于支持向量机(SVM)算法，研究了10种基于样本预处理方法(不做预处理、最大最小归一化、标准化、中心化、移动平均平滑、 SG平滑滤波、多元散射校正、正则化、一阶导数和二阶导数法)与5种基于特征波长预处理方法(不做预处理、中心化、最大最小归一化、标准化和正则化)的组合(共50种)对产地模型预测精度和稳定性的影响。结果表明：合适的数据预处理对提高模型精度是必要的；标准化和最大最小正则化方法光谱的预处理建模效果较好，其预测系数值约85%;基于特征的预处理对模型预测效果改进小。只做光谱预处理或基于特征预处理的预测稳定性值近似相等(两类方式的决定系数平均值都近64%);基于样本+特征的组合预处理方法中，二阶导数+标准化处理和二阶导数+正则化组合处理方法的模型预测效果好，其决定系数R²达到近94%;而中心化+正则化组合处理达不到直接采用原始数据(不做数据预处理)的建模效果，该方法预测效果最差。该...     

污染土壤对脐橙叶片镉含量影响的光谱预测

近年来可见-近红外光谱技术在农业污染监测中应用越来越广泛,但在果树的重金属污染研究中应用较少。本文以纽荷尔脐橙(Citrus sinensis[L.]Osbeck cv. Newhall)为研究对象,采用盆栽方法,通过添加镉（Cd）形成不同污染程度的土壤,然后定期监测叶片中Cd含量及其光谱,分别建立了基于光谱指数的线性回归预测模型,以及基于偏最小二乘回归（PLSR）的Cd含量高光谱预测模型。结果表明：Cd更容易向新叶迁移和聚集,在高Cd污染的土壤中这种现象更加明显;新叶光谱在700～730 nm之间反射率升高,发生红边蓝移现象,老叶光谱没有显著变化;基于光谱指数建立的线性回归模型的R2达到0.8左右,而利用PLSR方法建立的预测模型精度普遍高于线性回归模型,其R2达到0.9左右,并且标准归一化（SNV）的光谱预处理方法可以显著提高PLSR模型的预测精度。研究显示,可见-近红外光谱技术在脐橙重金属污染监测上有很好的潜力。     

矿区复垦农田土壤重金属含量的高光谱反演分析

以矿区复垦农田土壤为研究对象,利用实验室获取的土壤重金属元素砷(As)、锌(Zn)、铜(Cu)、铬(Cr)和铅(Pb)的含量与土壤可见近红外高光谱数据建立重金属元素含量的定量估算模型。为了保证模型预测的精度和稳定性,首先,对原始光谱数据进行平滑处理,并进行光谱变换,即：一阶导数,标准正态变量变换及连续统去除变换;然后,通过相关性分析提取不同变换光谱的特征波段;最后,将最小二乘支持向量机与传统的多元线性回归和偏最小二乘回归方法的结果相比较。研究表明：(1)以不同变换光谱数据建立反演模型均有较好的稳定性并达到一定精度,其中以最小二乘支持向量机方法优于偏最小二乘回归优于多元线性回归模型(除少数几个情况外);(2)从不同光谱变换数据中提取的光谱特征对反演模型结果有一定影响,其中以连续统去除和标准正态变量变换建模结果较好,一阶导数变换稍差。因此,利用高光谱遥感技术来定量估算土壤重金属含量是可行的,而且,必要的光谱预处理对提高估算模型的精度很有帮助。     

高光谱图谱融合检测羊肉中饱和脂肪酸含量

为探究高光谱成像(400~1000 nm)对羊肉中饱和脂肪酸(SFA)含量检测的可行性,提出一种基于特征光谱信息和图像纹理特征融合的SFA含量预测模型,实现对羊肉中SFA含量的快速检测及分布可视化。利用分段阈值法构建掩膜图像,获取羊肉样本感兴趣区域(ROI),结合SPXY法对样本集进行划分并对相关光谱信息进行预处理,分别采用连续投影算法(SPA)、变量组合集群分析法(VCPA)和β权重系数法提取特征光谱;通过获取羊肉样本主成分图像,结合灰度共生矩阵(GLCM)算法提取图像纹理信息;分别对特征光谱、图像信息及图谱融合信息建立的偏最小二乘回归(PLSR)与最小二乘支持向量机(LS-SVM)预测模型进行对比分析。利用5种不同对原始光谱数据进行预处理,经SNV法预处理后的光谱其校正集与预测集相关系数分别为0.921和0.875,较原始光谱分别增加了0.001和0.04,均方根误差模型分别为0.244和0.268,较原始光谱模型分别减少了0.003和0.06;对SNV法预处理后的光谱数据进行特征波长提取,SPA法、VCPA法及β权重系数法分别提取出12,10和9个特征波长;获取羊肉样本的前5个主成分图像,选择所含信息量最多的第一主成分图像进行纹理特征提取,依次提取0,45°,90°和135°方向下的能量、熵、同质性和相关性共4个主要纹理特征。利用SPA法提取的特征波长建立的PLSR与LS-SVM模型性能较好,PLSR模型校正集与预测集相关系数分别为0.8849和0.8807,均方根误差分别为0.3001和0.2606;LS-SVM模型校正集与预测集相关系数分别为0.8987和0.8926,均方根误差分别为0.2767和0.2476;图谱信息融合模型中,PLSR模型校正集与预测集相关系数分别为0.9071和0.9078,较特征光谱模型分别增加了0.02和0.03,均方根误差分别为0.3269和0.2992,较特征光谱模型分别增加了0.03和0.04;LS-SVM模型校正集与预测集相关系数分别为0.9206和0.8946,较特征光谱模型分别增加了0.02和0.002,均方根误差分别为0.2519和0.2458,较特征光谱模型分别减少了0.02和0.002。光谱预处理中经SNV法处理后的光谱所建模型性能优于其他预处理方法;采用SPA法提取的12个特征波长简化了光谱模型,提高了模型性能,特征光谱建模的最优方法为SPA-LS-SVM;图谱信息融合模型较特征光谱模型,模型相关系数增加较少,表明图像纹理信息虽携带了部分有效信息,但这些信息与羊肉中SFA含量之间的相关性有待进一步研究。基于图谱信息融合模型的预测性能最优,其次为光谱信息模型。择优选取SPA-PLSR模型计算羊肉样本中每个像素点的SFA含量,利用伪彩色图直观表示了羊肉样本中SFA的含量分布。实现对羊肉样本SFA含量的无损检测及分布可视化表达。     

基于近红外光谱技术的土壤参数BP神经网络预测

利用BP神经网络预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析模型。试验共测量了150个田间土壤样本的近红外光谱,首先采用局部加权散点图平滑滤波法对光谱曲线进行了平滑处理,然后根据对目标参数进行的聚类分析结果进一步平均了输入光谱,最后将反射光谱数据进行对数转换后与目标数据一起进行了归一化处理。对预处理后的光谱数据首先进行主成分分析,然后提取贡献率超过99.98%的主成分建立BP神经网络模型。对土壤有机质含量的分析结果：模型拟合精度为0.999,预测精度达到0.854。对于土壤全氮含量的分析结果：模型的拟合精度近似为1,预测精度达到了0.808。研究表明,基于近红外光谱技术的土壤参数BP神经网络预测模型具有较高的鲁棒性和较强的容错能力。     

IWD-Hankel-SVD模型下玉米叶片光谱铜污染信息预测

近年来在工业化和城镇化快速发展的地区,由重金属污染导致的环境问题尤为突出,特别是农业重金属污染更为社会所关注,因此,探索快速便捷的重金属污染甄别与监测方法极为重要。高光谱遥感作为新兴的重金属污染监测技术已有了深入研究。提出了固有波长尺度分解（IWD）概念和方法,并结合Hankel矩阵和奇异值分解（SVD）等建立了植被重金属污染程度预测的IWD-Hankel-SVD模型,该模型分为单变量模型和多变量模型。单变量模型主要是通过重金属污染的植被光谱IWD处理来获取光谱信息固有旋转分量（PRC）以提取最佳PRC的有效特征波段;在对各特征波段所构建的Hankel矩阵进行奇异值分解（SVD）基础上,依据获得该模型的奇异熵实现重金属污染信息预测。多变量模型是以植物叶绿素浓度相对值、单变量模型奇异熵作为参数实现重金属污染的信息预测。根据不同重金属Cu2+胁迫梯度下玉米植株污染的叶片光谱和叶绿素浓度以及叶片中Cu2+含量测定的数据,首先对不同浓度Cu2+胁迫下玉米叶片光谱进行IWD分析,获得能够较好保留原始输入光谱信息的最佳PRC,并从中提取到有效特征波段553~680,681~780,1 266~1 429,1 430~1 631,1 836~1 913和1 914~2 111 nm;然后对每一个特征波段构造其Hankel矩阵并进行SVD处理,以求取单变量的IWD-Hankel-SVD模型奇异熵;最后通过各特征波段所对应模型奇异熵与玉米叶片中Cu2+含量的相关分析,得到依据1 266~1 429和1 836~1 913 nm特征波段计算出奇异熵与玉米叶片中Cu2+含量的决定系数R2均高达0.9左右,说明这两个特征波段用于IWD-Hankel-SVD模型的Cu污染程度预测更具优越性和解释能力。同时,再把玉米叶片中叶绿素浓度相对值、1 266~1 429和1 836~1 913 nm特征波段相应模型奇异熵作为参数,采用偏最小二乘回归分析,得出多变量IWD-Hankel-SVD模型的玉米叶片Cu污染程度预测能力更强,决定系数R2达到0.9476,证明了多变量模型更具有鲁棒性和稳健性。     

可见光-近红外、中红外光谱的土壤有机质组分反演

土壤有机质是土壤肥力的物质基础,其含量的高低是评价土壤肥力的重要标志。土壤有机质组分根据其溶解性可分为胡敏素(HM)、胡敏酸(HA)、富里酸(FA),不同组分的肥力特性差异显著,因此,土壤有机质组分数据可更加全面、客观的反映土壤肥力状况。传统土壤土壤有机质及组分的测定工序繁杂,效率低下且时效性差,大量研究表明高光谱技术能有效提高土壤属性的检测效率并降低测试成本,但关于可见光-近红外、中红外光谱检测土壤有机质组分的报道鲜见。为了探索中红外光谱及可见光-近红外-中红外组合光谱对土壤有机质组分检测的可行性,并对比有机质单一光谱模型与有机质不同组分的组合光谱模型的预测精度,以南疆地区农田土壤为例,在阿克苏及和田地区共采集93个土样,进行有机质、胡敏素、胡敏酸、富里酸含量及光谱数据的测定。其次,利用可见-近红外(VNIR)、中红外(MIR)及其组合光谱(VNIR-MIR)三种光谱数据集,采用偏最小二乘(PLSR)、支持向量机(SVM)、随机森林(RF)三种建模方式对土壤有机质、胡敏素、胡敏酸、富里酸含量进行组合模型分析预测。结果表明：(1)土壤有机质及各组分均与光谱反射率有较好的相关性,土壤有机质及组分在MIR谱段的特征波段数量明显多于VNIR谱段。(2)有机质最优预测模型的模式为VNIR-MIR-RF,该模型的决定系数R2为0.90;胡敏素与胡敏酸最优预测模型的模式均为VNIR-RF模型,R2均为0.92;富里酸最优预测模型的模式为MIR-RF模型,R2为0.94。(3) 基于胡敏素、胡敏酸和富里酸的有机质组合光谱模型的预测精度明显高于有机质单一光谱模型,两种模型的R2分别为0.93和0.90。实现了土壤有机质组分的高效快速反演,且基于有机质组分的组合模型提高了土壤有机质预测精度,为南疆地区大尺度土壤肥力的鉴定与精准施肥提供重要的参考价值。     

土壤漏油含量光谱预测实验研究与分析

针对土壤漏油污染的检测、分析和含量预测等实际问题,用关中平原常见普通土壤、柴油、机油及油土混合物为研究对象,设计被不同油种污染以及不同污染程度的土壤光谱特征实验。采用光谱分析的方法来获取光谱指数,测量并分析渗漏相同含量两个油种的油土混合物以及渗漏不同含量同一油种的油土混合物的光谱特征及其差异,根据分析结果建立一个基于反射特征的土壤柴油渗漏含量的光谱预测模型。研究表明：(1)渗漏相同含量不同油种时,渗漏柴油的土壤的反射率低于渗漏机油的土壤;渗漏柴油和机油的土壤均在1 740和2 328 nm附近出现双吸收谷特征,且在每一个吸收谷点处渗漏柴油的土壤的光谱吸收深度和光谱吸收指数均低于渗漏相同含量机油的土壤。(2)建立的土壤柴油渗漏含量的光谱预测模型相关系数r的值达到0.854,说明模型具有较强的稳定性;评价模型预测能力的均方根误差RMSE值为0.016证明该模型具有较好预测能力,可以对土壤柴油渗漏含量进行有效的预测。     

基于支持向量机的矿区复垦农田土壤-小麦镉含量高光谱估算

以徐州柳新矿区复垦农田土壤-小麦为研究对象,采用传统采样检测方法分析土壤-小麦中重金属镉含量,借助ASD FieldSpec 3型便携式高光谱仪测量样品反射光谱,对光谱进行加权移动平滑、一阶微分变换、包络线去除以及倒数的对数变换,据此选择具有显著相关的土壤和小麦镉污染胁迫敏感波段作为相关因子,建立基于支持向量机的矿区复垦农田土壤-小麦镉含量高光谱估测模型.结果表明:以粉煤灰和煤矸石作为充填物料的复垦场地镉含量在土壤环境质量三级标准值之下,但是其上种植的小麦镉含量均超标,受到严重的镉胁迫;建立的模型能够较理想地进行土壤-小麦镉含量估测,土壤的估测模型相关系数为0.947,小麦的估测模型相关系数为0.782.该研究为监测复垦农田土壤及作物重金属污染提供新方法,为保障矿区粮食安全提供技术手段.     

基于拉曼光谱技术的蜂王浆品质定量模型研究

蜂王浆是一种具有抗氧化、抗衰老、调节心血管系统和免疫功能的纯天然营养保健食品,近年来在食品、生物医学等领域广泛应用。由于蜂王浆的采集过程费时费力且没有快捷简便的方法检测其品质,使得市场上的蜂王浆产品质量参差不齐,因此实现蜂王浆品质的快速鉴别就显得至关重要。该研究以蜂王浆的水分和蛋白质为研究对象,利用拉曼光谱技术结合主成分回归算法(PCR)和偏最小二乘法对蜂王浆进行了快速定量检测,建立了水分、蛋白质的定量模型,探究对其定量分析的可行性,并进行光谱预处理以提升模型的预测能力,使其预测准确性更高。蜂王浆中水分和蛋白质化学值的测定分别采纳蜂王浆国家标准规定的减压干燥法和凯氏定氮法。蜂王浆光谱的采集则是由DXR激光共焦显微拉曼光谱仪测得。应用TQ Analyst分析软件对蜂王浆光谱进行预处理及建立定量分析模型。其中光谱预处理包括导数、标准正态变换、多元散射校正、Savitsky-Golay卷积这四种光谱预处理法,并按一定关系排列组合成多种不同的预处理方法,对蜂王浆样品光谱进行数据处理,寻找出最优的模型与处理方法。结果表明,利用主成分回归法建立蜂王浆水分和蛋白质的定量模型效果不理想,水分的定量模型结果表明,Savitsky-Golay平滑（7）处理校正集决定系数最高但也仅为0.741 3,预测集决定系数为0.661 6,RMSEC为0.656,RMSEP为1.34,建模效果差。蛋白质的PCR定量模型结果表明,Savitsky-Golay平滑（7）处理相较之下最优,校正集决定系数0.675 0,预测集决定系数为0.566 8,RMSEC为0.548,RMSEP为0.957,建模效果较差。因此,基于PCR所建模型对蜂王浆水分、蛋白质的含量有一定的预测可能性,但建模效果较差,预测准确度低,稳健性差。而结合偏最小二乘法并进行S-G（7）+二阶导数+SNV处理对蜂王浆水分建模效果最好,水分含量校正集和预测集的决定系数分别为0.992 7和0.948 8,RMSEC和RMSEP分别为0.162和0.442。蛋白质的PLS定量模型,通过对多种预处理组合处理结果进行对比,S-G（7）+一阶导数+SNV处理对蜂王浆蛋白质建模效果最佳,蛋白质含量校正集和预测集的决定系数分别为0.991 6和0.879 5,RMSEC和RMSEP分别为0.143和0.497,建模效果好。因此,利用拉曼光谱结合偏最小二乘法快速检测蜂王浆中水分和蛋白质的含量是可行的,且所建定量模型稳健性良好,预测准确度高。通过上述实验可总结得出,在一些不可避免的外界因素影响下,将多种预处理方法组合起来可以提高模型的准确性和稳健性,比用单一的光谱预处理方法修正光谱更加有效,优化效果更加明显,且有效提升了模型的各参数,更好的提高了模型预测的准确性。同时表明了,拉曼光谱技术应用于蜂王浆品质的快速检测是可行的,且检测准确度高,速度快,在蜂王浆品质的快速检测方面展现了很好地应用前景。     

基于NMF-PLS对含水量影响下土壤重金属含量反演模型研究

土壤中过高的重金属含量危害巨大,不仅造成了严重的环境污染,而且通过食物链进入人体对人体健康造成严重威胁,所以对重金属检测十分重要。X射线荧光光谱法具有检测时间短、无损检测、检测成本低等特点被广泛使用,然而检测的光谱数据因受到土壤含水量因素的严重干扰,导致直接对土壤重金属含量估算精度较低。以河北省保定市满城区土样为研究对象,对采集的土样进行除杂、过筛、烘干后加入一定量重金属溶液制备不同含水量不同重金属的样本进行检测。对实验中异常数据计算了马氏距离和进行NJW聚类予以剔除,分析了土壤含水量对土壤重金属光谱的影响,结果表明不同含水量间光谱重复性差,随着土壤含水量的增加光谱强度呈非线性降低。采用Savitzky-Golay卷积平滑去噪法和线性本底法对光谱进行预处理,以解决因环境、仪器本身带来的噪声和基线漂移等问题。然后针对于土壤含水量这一主要干扰,采用非负矩阵分解算法进行处理,并使用峰值信噪比这一评价模型确定端元数目,结果表明当端元数目增至10时峰值信噪比趋于稳定波动很小,非负矩阵分解处理后相同重金属含量不同含水量间光谱重复性好、相似性好,并计算了光谱间的相关系数进一步证明了光谱间的相似性。去除含水量对于光谱干扰后建立了偏最小二乘法预测模型,为了验证预测模型的精度,建立了未去除含水量的偏最小二乘法预测模型和使用外部参数正交化法去除含水量建立的偏最小二乘法预测模型,并使用评价参数决定系数(R2)、交叉验证均方根误差(RMSECV)、平均绝对误差(MAE)和相对分析误差(RPD)进行评价。验证结果表明,相比较未去除含水量建立的模型,使用非负矩阵分解去除含水量建立的偏最小二乘法模型R2和RPD分别提高了0.019 7和1.029 2,RMSECV和MAE分别降低了2.386 3和1.439 6;相对于外部参数正交化法建立的偏最小二乘法模型,R2和RPD分别提高了0.009 9和0.108 1,RMSECV和MAE分别降低了0.244 7和0.356 6,说明了经过非负矩阵分解去噪后建立的模型有效提高了预测的精度和鲁棒性。非负矩阵分解可以有效消除土壤含水量对光谱的影响,在此基础上建立的偏最小二乘法模型实现了土壤重金属含量的反演,为重金属定量检测提供了一定的技术支持。     

利用反射光谱及模拟多光谱数据定量反演北方潮土有机质含量

基于北京市52个潮土样本的高光谱数据和Landsat TM、环境减灾卫星(HJ)影像的波段响应函数,生成宽波段多光谱模拟数据,对比分析了室内实测光谱数据、宽波段模拟数据与土壤有机质含量的相关性,筛选敏感波段,利用偏最小二乘法构建北方潮土有机质含量预测模型。研究表明：在宽波段模拟数据建立的模型中,由Landsat TM模拟数据的差值土壤指数(DSI)、比值土壤指数(RSI)、归一化土壤指数(NDSI)及其第3波段共同构建的模型最优,其决定系数与均方根误差分别为0.586和0.280;与实测光谱数据相比,模拟数据的最佳预测模型,均优于除一阶微分、弓曲差以外的其他10种高光谱模型。因此,利用多光谱数据预测潮土有机质含量是可行的。