PROSPECT模型的特征波长优化与作物叶绿素含量检测

叶绿素是作物生长诊断的重要参数,对其进行高效检测是农田精细化管理的基础。PROSPECT模型是作物光谱学检测研究的重要工具,可为建立高精度叶绿素诊断模型提供数据集基础。为了建立具有普适性的田间玉米作物叶绿素含量检测模型,使用PROSPECT模型输入叶片结构参数和生化参数模拟叶片400～2 500 nm波段反射率曲线10 650条。在其他参数设置保持不变的情况下,分析光谱反射率曲线对叶绿素含量参数的敏感性,结果显示叶绿素含量仅在400～780 nm区间对光谱反射率曲线产生影响。讨论了3种叶绿素检测特征波长筛选策略,分别为：根据敏感性分析结果,选出548～610和694～706 nm区域共计76个波长,记为SEN-BAND;基于反向区间偏最小二乘法（Bi-PLS）筛选5个区间共计91个波长,记为BP-BAND;基于连续投影算法（SPA）,在叶绿素影响区域400～780 nm筛选10个特征波长,记为SPA-BAND。进而使用2019年、2020年两年期田间实测玉米叶片光谱反射率曲线和叶绿素含量数据,分别应用上述3种方法选取的特征波长构建玉米叶片叶绿素含量检测模型。结果显示,使用SPA-BAND特征波长构建的模型,在两年期数据中均得到最佳结果。2019年数据模型建模集决定系数（R2_c）为0.815 6,建模集均方根误差RMSEC为2.908 6,验证集决定系数（R2_v）为0.799 5,验证集均方根误差RMSEV为2.997 7。2020年数据模型建模集决定系数（R2_c）为0.949 2,建模集均方根误差RMSEC为0.976 8,验证集决定系数（R2_v）为0.910 2,验证集均方根误差RMSEV为1.562 9。表明,基于PROSPECT模型筛选叶绿素含量特征波长建立的叶绿素诊断模型具有普适性。     

高光谱技术融合纹理信息的羊肉总酚浓度快速检测

为了研究可见-近红外（Vis-NIR）高光谱成像对滩羊肉中总酚浓度（TPC）快速检测的可行性,基于光谱信息融合图像纹理特征建立TPC含量的预测模型,实现滩羊肉中TPC含量的可视化表达。将样本集根据3∶1的比例划分成校正集和预测集,采用多元散射校正（MSC）、基线校准（Baseline）、去趋势（De-trending）、卷积平滑（S-G）、标准正态变量变换（SNV）、归一化（Normalize）等校正方法去除原始光谱中不良散射等干扰信息。通过竞争性自适应加权抽样（CARS）、引导软收缩（BOSS）、区间变量迭代空间收缩法（iVISSA）和变量组成集群分析-迭代保留信息变量（VCPA-IRIV）提取TPC浓度的代表性特征光谱。采用灰度共生矩阵（GLCM）算法依次提取肉样第1主成分图像中纹理特征。基于特征光谱及图谱融合信息建立滩羊肉中TPC含量的偏最小二乘回归（PLSR）与最小二乘支持向量机（LSSVM）预测模型并进行对比分析。结果表明,（1）利用De-trending+SNV预处理后的光谱数据建立的PLSR预测模型性能较好,其R2_C=0.874 9,R2_P=0.793 2;（2）采用CARS,BOSS,iVISSA和VCPA-IRIV分别提取出了23,35,57和43个特征波长,占全光谱的18.4%,28%,45.6%和16.8%;（3）采用BOSS法提取的关键性波长建立的LSSVM模型性能较好,其R2_C=0.851 3,R2_P=0.745 9,RMSEC=0.116 8和RMSEP=0.155 0;（4）与基于特征波长建立的预测模型相比,BOSS-ASM-ENT-CON-LSSVM模型为滩羊肉中TPC浓度的最佳图谱融合预测模型（R2_C=0.850 0,R2_P=0.770 9,RMSEC=0.116 0,RMSEP=0.144 7）;（5）利用BOSS-PLSR简化模型将TPC浓度反演到样本的高光谱图像上,通过色彩直观化形式展现出来,实现TPC含量的可视化表达。     

基于NIR和SOM-RBF网络的兰州百合关键营养物质定量分析方法

为了实现兰州百合关键营养物质蛋白质和多糖的快速无损检测,在12 000~4 000 cm-1光谱范围内采集了59份兰州百合粉的近红外光谱（NIRS）。首先运用SG、Normalize、SNV、MSC、Detrend、OSC、SG+1D、SG+Normalize、SG+SNV和SG+Detrend十种预处理方法对原始光谱数据进行处理,确定蛋白质的最佳预处理方法为SG+Detrend、多糖的最佳预处理方法为Detrend;然后运用CARS、SPA和PCA三种算法对预处理的光谱数据进行特征波长筛选,确定蛋白质和多糖的最佳特征波长提取方法均为SPA算法;最后采用PLSR法建立了兰州百合关键营养物质蛋白质和多糖含量的预测模型,结果显示,经过SG+Detrend_SPA处理所建立的蛋白质PLSR模型中,预测集相关系数R_p为0.810 6,预测集均方根误差RMSEP为1.195 3;经过Detrend_SPA处理所建立的多糖PLSR模型中,预测集相关系数R_p为0.810 9,预测集均方根误差RMSEP为2.0946。考虑到经典PLSR无损预测模型精度的限制,在该研究中提出SOM-RBF神经网络无损预测模型。首先利用SOM网络对数据样本进行聚类,然后将得到的聚类类别数和聚类中心作为RBF网络的隐层节点个数和隐层节点数据中心,以此来优化RBF的结构参数。在建立的蛋白质SOM-RBF神经网络模型中,预测集相关系数R_p为0.866 6,预测集均方根误差RMSEP为1.038 5;建立的多糖SOM-RBF神经网络模型中,预测集相关系数R_p为0.868 1,预测集均方根误差RMSEP为1.799 4。比较PLSR和SOM-RBF两种模型对两种物质的预测结果,确定了SOM-RBF神经网络模型为最优建模方法,最终确定在蛋白质检测中,最优模型为基于SG+Detrend_SPA_SOM-RBF建立的模型,模型的预测集相关系数较PLSR高5.6%,预测集均方根误差较PLSR低0.156 8;在多糖检测中,确定的最优模型为基于Detrend_SPA_SOM-RBF建立的模型,模型的预测集相关系数较PLSR高5.72%,预测集均方根误差较PLSR低0.295 2。研究结果表明,运用NIR和SOM-RBF技术可以实现对兰州百合关键营养物质蛋白质和多糖的快速无损检测,为今后快速无损检测兰州百合营养物质提供理论依据。     

顾及粗糙度的土壤有机碳成像高光谱估测模型

可见近红外非成像光谱分析技术已被广泛用于土壤有机碳（SOC）含量估测,然而该技术的使用受土壤粗糙度的影响,对样本的前处理要求较高,导致模型的实用性受限。针对这一问题,以美国爱荷华州农田土壤为研究对象,使用成像及非成像光谱仪获取土壤样本研磨前后的可见近红外反射光谱,采用去包络线（CR）、吸光度变换（AB）、S-G平滑（SG）、标准正态变换（SNV）、多元散射校正（MSC）5种光谱预处理手段,利用偏最小二乘回归（PLSR）和支持向量回归（SVR）算法构建并对比土壤SOC光谱估算模型,探究利用成像光谱数据估测高粗糙度样本SOC含量的可行性。实验结果表明,使用成像光谱数据能够实现高粗糙度样本的SOC含量估算,而使用非成像光谱数据则无法估算高粗糙度样本的SOC含量;基于成像光谱数据建立的高粗糙度SOC最优PLSR估算模型R2能够达到0.739以及最优SVR估算模型R2为0.712,而基于非成像光谱数据建立的高粗糙度SOC最优PLSR和SVR估算模型R2仅仅分别为0.344和0.311。基于AB,SG,SNV和MSC这4种预处理手段之后的成像光谱数据建立的土壤样本研磨前的PLSR模型性能优于样本研磨之后建立的PLSR模型,而SVR模型性能正好相反。而对于非成像光谱数据来说,土壤样本研磨后建立PLSR和SVR模型精度总是强于样本研磨前建立的模型精度。对于这两种光谱数据和两个估算模型而言,不同的光谱预处理方法提高模型估算精度的能力不同。土壤样本研磨前后,基于成像光谱数据建立的PLSR和SVR模型性能均优于非成像光谱数据所构建的模型。成像光谱技术能够增强高粗糙度土壤样本可见近红外光谱与SOC的相关性,从而提高模型估算精度;能够克服土壤粗糙度的影响;为野外大尺度估测SOC含量提供了新的手段。     

基于拉曼光谱技术的桑椹花色素苷快速检测研究

花色素苷是一种天然的水溶性黄酮类色素,具有多种药用价值,广泛存在于桑椹中,成为评价桑椹产品品质的重要指标。传统检测方法费时费力,因此实现花色素苷含量的快速检测对于桑椹产品的开发利用至关重要。该研究以桑椹中的花色素苷为研究对象,探索花色素苷与拉曼光谱特性之间的关系及拉曼光谱技术对其定量检测的可行性。对桑椹及3种花色素苷标准品的拉曼光谱进行了分析,其中可将545,634和737 cm-1处的峰位作为桑椹中花色素苷的拉曼特征峰,以此判断桑椹中是否含有花色素苷,并根据其峰值的高低来定性判断花色素苷含量多少。运用多元散射校正（MSC）、基线校正（airPLS）、归一化（Normalized）三种方法及其组合方法进行光谱数据预处理,并结合PLSR筛选最佳预处理方式。比较发现最佳预处理为airPLS+MSC+Normalized,其PLSR模型效果较好,建模集决定系数为0.97,RMSE_c为2.74,预测集决定系数为0.82,RMSE_p为13.69。基于airPLS+MSC+Normalized预处理后的光谱,采用竞争性自适应重加权算法（CARS）对光谱进行特征波长筛选,将筛选出的波长变量作为输入变量分别建立了PLSR模型和SVR模型,研究两种模型的预测效果。结果表明经过CARS处理的两种模型均能对花色素苷的含量进行准确预测,其中经过CARS变量筛选建立的SVR模型效果最好,建模集决定系数为0.98,RMSE_c为1.92,预测集决定系数为0.94,RMSE_p为4.70,预测精度较高。因此拉曼光谱技术可以实现对桑椹中花色素苷含量的快速、准确预测。     

高光谱结合二维相关光谱检测灵武长枣中半纤维素的含量

利用高光谱成像技术与二维相关光谱（2D-COS）结合化学计量学检测灵武长枣半纤维素含量。采用定量瘀伤装置获得0,Ⅰ,Ⅱ,Ⅲ,Ⅳ级瘀伤长枣模型,通过高光谱和分光光度计分别获得样品高光谱图像和半纤维素含量。蒙特卡洛异常值检测法剔除异常样本后,分别用随机划分法（RS）,Kennard-Stone法（KS）、光谱-理化值共生距离法（SPXY）和3∶1比例法对样本集划分校正预测。采用基线校准（Baseline）、去趋势（De-trending）和标准化（Normalize）对长枣原始光谱预处理后建立偏最小二乘回归模型（PLSR）,优选最佳样本集划分及预处理方法。利用2D-COS将光谱信号扩展到第2维,在全光谱范围内寻找与半纤维素含量相关的敏感波段区间。采用竞争性自适应加权算法（CARS）、引导软收缩（BOSS）、区间变量迭代空间收缩方法（iVISSA）、变量组合集群分析法（VCPA）以及iVISSA+BOSS,iVISSA+CARS和iVISSA+VCPA方法在2D-COS敏感波段区间进行特征波长提取,并建立基于特征波长的PLSR模型。结果表明,样本集经3∶1划分和Baseline预处理后建立的基于全波段的PLSR模型最优,故最佳样本集划分方法为3∶1,预处理方法为Baseline,用于后续特征波长提取。通过2D-COS分析发现3个与半纤维素相关的自相关峰（401,641和752 nm）;在2D-COS敏感区域（401～752 nm范围内）,采用BOSS,CARS,iVISSA,VCPA,iVISS+BOSS,iVISS+CARS,iVISS+VCPA分别提取了14,26,39,12,15,22和11个对应的特征波长,占总波长的18.9%,35.1%,52.7%,16.2%,20.2%,29.7%和14.8%。对比2D-COS和特征波建立的PLSR模型,2D-COS+iVISSA-PLSR模型效果较好,其R2_C=0.747 9,R2_P=0.604 7,RMSEC=0.043 8,RMSEP=0.060 3。研究表明,利用高光谱成像技术结合2D-COS可实现灵武长枣半纤维素含量的快速检测。     

基于蚁群-遗传算法的光谱选择方法与应用

脂肪作为牛奶中的重要营养成分,是评价牛奶质量的一项重要指标。高光谱图像技术能够提供几十到数千波长的数据,能够反映牛奶中不同组成成分细微的光谱差异;另一方面,相邻波段之间往往具有很强的相关性,不仅增加了计算量,而且容易造成维数灾难等问题,因此对高光谱数据进行波段选择非常重要。工作中提出了PLS-ACO特征波段选择方法,并与遗传算法结合,组合成了PLS-ACO-GA的特征波段选择新方法。提出的两种方法以蚁群算法为基础,PLS回归模型回归系数的绝对值作为评价波长重要性的主要依据,以此作为蚁群算法的启发式信息,利用蚁群算法进行智能搜索,结合遗传算法,产生更多优秀的特征波段组合,避免PLS-ACO算法得到的只是局部最优解,得到的最优波段组合能够更好的反映牛奶中脂肪成分的信息;通过计算波长贡献率,筛选出最优波段组合,并与遗传算法,CARS算法和基本蚁群算法光谱特征选择方法比较,最后比较不同特征选择方法下的PLS回归模型预测效果。PLS-ACO, PLS-ACO-GA, CARS, GA和ACO分别筛选了牛奶样品光谱中的18,16,40,43和42个特征波段。其中PLS-ACO-GA筛选波段后的PLS预测模型效果最好,预测集R2_p和RMSEP分别为0.997 6和0.062 2,PLS-ACO次之,预测集R2_p和RMSEP分别为0.997 0和0.077 8。PLS-ACO和PLS-ACO-GA不仅减少了特征波段数量,而且提高了模型的精度。对PLS-ACO-GA进行特征波段选择后的数据,建立MLR,RFR和PLS回归预测模型。MLR预测模型的R2_p和RMSEP分别为0.997 6和0.062 3。RFR回归模型R2_p和RMSEP分别为0.999 9和0.003 0,PLS回归模型的R2_p和RMSEP分别为0.997 6和0.062 2。RFR模型在三种回归预测模型中表现最好。研究结果表明PLS-ACO和PLS-ACO-GA这两种方法可以实现光谱数据特征波段选择,高光谱技术可以实现牛奶中脂肪含量的检测,为牛奶脂肪含量检测提供了一种新的、快速无损的方法。     

生菜叶片绿度的高光谱判别方法研究

生菜叶片绿度在作物生理及品质感官评价中具有重要作用。结合目前高光谱检测与分析技术在植物生理信息监测中的应用现状,开展了基于高光谱技术的生菜叶片绿度判别方法研究,以此为叶菜品质感官评价的定量化及基于高光谱技术的多功能生理信息同步采集装置的开发提供必要的理论支撑。本文以生菜为研究对象,在三种不同光照强度下开展栽培试验。以叶绿素相对含量（SPAD）作为反应绿度的参数,获取生菜整个生命周期中的动态高光谱和SPAD数据,分析了高光谱曲线的变化规律,建立了高光谱与SPAD之间的关系模型。采用Savitzky-Golay卷积平滑(SG)方法对原始高光谱数据进行降噪,平滑后的数据分别与多元散射校正（MSC）,标准正态变量变换(SNV)和一阶导数(FD)三种预处理方法组合,采用竞争性自适应重加权取样法（CARS）和提取有效植被指数（VI）两种方法进行敏感波长提取,结合偏最小二乘（PLS）和最小二乘支持向量机（LSSVM）两种方法建模,以决定系数（R2）和均方根误差（RMSE）为评价指标,优选出最优绿度判定模型。结果表明：在10,20和30 d的生菜全生命周期内,不同光照强度下的高光谱曲线表现出总体变化趋势一致但反射率值不同的特征,在可见光450～680nm范围内,自然光照条件下的生菜高光谱反射率值要高于补光处理条件下的反射率值;而在近红外730～850 nm范围内,生菜叶片的高光谱响应特征恰好与可见光范围内相反。基于SG+FD预处理与CARS敏感波长提取方法的组合可实现叶绿素相对含量特征信息的最有效提取,提取的敏感波长占全波长的64.59%,与原始高光谱（1.25%）相比,提取的敏感波长数增加了63.34%。最终确定LSSVM方法为最优建模方法,基于SG+FD+CARS+LSSVM组合方法所建模型为最优生菜绿度判定模型,训练集R2_c=0.920 7,RMSEC=1.161 0,预测集R2_p=0.828 8,RMSEP=2.400 8,模型精度较高,可以实现生菜叶片绿度判别的目的。     

SiPLS-CARS与GA-ELM对哈密瓜冠层叶片含水率的反演估测

传统的叶片含水率检测方法效率低、操作繁琐且是有损的检测,不利于大田哈密瓜叶片含水率的快速获取。为实现对大田哈密瓜生长期进行更精细的田间灌水管理,利用光谱技术分别获取了哈密瓜植株在成长期（M₁）、开花期（M₂）、结果期（M₃）、成熟期（M₄）四个时期内的冠层叶片样本,采用烘干法测得叶片样本的含水率。为提高预测模型的精度和稳定性,首先开展并讨论极限学习机（ELM）模型中的核函数与隐含层神经元个数的选择对ELM模型精度的影响。随后分别利用联合子区间偏最小二乘法（SiPLS）及其与竞争性自适应重加权采样法（CARS）、遗传算法（GA）、连续投影算法（SPA）的组合算法对全波段光谱数据中与叶片含水率相关性高的特征波长进行筛选提取。再分别使用GA与粒子群算法（PSO ）对已经确定最佳核函数与隐含层神经元个数的ELM模型中的输入层与隐含层间的连接权值（W）和隐含层神经元阈值（B）进行优化选择,获取最优且稳定的W与B值,进一步提高模型的稳定性和预测精度。最后将四种特征波长提取算法优选出的特征波长分别进行ELM,GA-ELM,PSO-ELM建模分析,以校正集和预测集的相关系数R_c与R_p为模型评价指标,经过对比分析优选出能准确预测哈密瓜冠层叶片含水率的反演估测模型。采用SiPLS及其与CARS,GA和SPA的组合算法提取特征波长,筛选出的变量数分别为273,20,32和6,占全光谱变量的15.6%,1.2%,1.9%和0.03%。进一步将筛选出的特征波长作为自变量,叶片的含水率作为因变量,建立了ELM的预测模型,最佳预测精度R_p值为0.845 0,预测精度不是很理想。故引入GA与PSO对ELM中随机产生的W与B值进行优化选择。最终,经过研究发现,利用GA优化后的ELM模型结合SiPLS-CARS筛选出的特征波长建立的哈密瓜冠层叶片含水率预测精度最优,故反演叶片含水率的最优建模方式为SiPLS-CARS-GA-ELM,R_c值为0.928 9,R_p值为0.903 2,所建模型精度较高,可为大田哈密瓜冠层叶片的含水率进行快速检测,为田间灌溉管理提供科学依据。     

等效水厚度梯度的玉米叶片氮素反演模型研究

针对玉米生产中叶片氮素快速、无损检测的实际需求,使用叶级高光谱数据(400～2 500 nm),依据等效水厚度梯度划分叶片样本,建立了梯度连续的叶片氮素反演模型,初步探索了含水量因素对叶片反射率特性及反演模型精度的影响。首先获取叶级高光谱数据,再根据等效水厚度数值大小对样本进行排序及滑动划分,建立了子集集合。父集除原光谱数据之外还采用了三大类：(1)基线矫正类、(2)散射校正类和(3)平滑处理类光谱变换方法,而子集未使用任何光谱变换方法。建立全波段的PLSR反演模型,对比模型精度,初步定量评价了等效水厚度因素对建模精度的影响。研究结果表明：(1）四组数据中有三组父集反演精度低于最优子集的反演精度,另外一组持平（2018大田低氮：(父)R2_CV=0.48<(子)R2_CV=0.57, (父)RPD_CV=1.38<(子)RPD_CV=1.52;2018大田高氮：(父)R2_CV=0.48<(子)R2_CV=0.7, (父)RPD_CV=1.39<(子)RPD_CV=1.8;2019大田高氮：(父)R2_CV=0.59<(子)R2_CV=0.68, (父)RPD_CV=1.57<(子)RPD_CV=1.77）;(2）四组数据的最优子集反演精度都达到甚至超过了定性模型水平,而父集只有两组;(3）制作反演数据集时在样本筛选问题上需要考虑等效水厚度因素,以避免过于宽泛的样本选择而导致整体反演精度的损失。综上,等效水厚度因素对玉米叶片氮素建模精度存在显著影响,不可忽视。在考虑该因素后,使用叶级高光谱数据对玉米叶片氮素进行快速无损检测的技术方法会更加可信、可行。     

大豆水分含量的高光谱无损检测及可视化研究

采用近红外高光谱成像技术对大豆水分含量进行快速无损检测,实现大豆水分含量可视化。采集了96个不同品种大豆样本在900～2 500 nm的高光谱图像,采用直接干燥法测量每个大豆样品的水分含量。利用系统自带的HSI Analyzer软件提取图像感兴趣区域（ROI）的平均光谱信息,代表样品的光谱信息。利用SPXY算法划分样品校正集和预测集,并保留938～2 215 nm波段范围内的光谱数据。采用移动平滑（moving average）、S-G平滑、基线校正（baseline）、归一化（normalize）、标准正态变量变换（standard normal variate,SNV）、多元散射校正（multiple scattering correction,MSC）、去趋势（detrending）共7种光谱预处理方法,发现Normalize方法处理后的PLSR模型效果较好。为了去除光谱冗余信息,简化预测模型,采用连续投影算法（SPA）、竞争性自适应加权算法（CARS）、无信息消除变量法（UVE）提取特征波长,其中SPA,CARS和UVE三种算法优选出14,16和29个波长,分别占总波长的6.5%,7.4%和13.4%。分别对938～2 215 nm波段光谱和特征波长建立预测模型,并将效果较优的模型与Normalize方法结合。建立的14种预测模型效果相比较,发现SPA算法筛选的特征波长建模预测效果较好,并优选出Normalize-SPA-PCR模型,模型的R２_C和Ｒ２_P值较高,分别为0.974 6和0.977 8,RMSEP和RMSECV值较低,分别为0.238和0.313,模型的稳定性和预测性较好,可以对大豆水分含量进行准确预测。将Normalize-SPA-PCR模型作为大豆水分含量可视化预测模型,计算高光谱图像每个像素点的水分含量,得到灰度图像,对灰度图像进行伪彩色变换,得到大豆水分含量可视化彩色图像。对预测集的24个大豆品种进行可视化处理,发现不同水分含量大豆的可视化图像颜色不同,水分含量变化对应的颜色变化较为明显。结果表明,高光谱成像技术结合化学计量学可以准确快速无损预测大豆水分含量,实现大豆水分含量可视化,为大豆收获、贮藏加工过程中水分含量检测提供了技术支持。     

近红外光谱的油页岩总有机碳快速检测

为了快速检测油页岩总有机碳（TOC）含量,以松辽盆地某区块所取岩芯为研究对象,测量230个岩石样本的TOC含量和近红外光谱数据。利用蒙特卡洛法剔除异常样本14个,剩余的216个样本进行去趋势加基线校正方法预处理,采用连续投影算法（SPA）、无信息变量消除算法以及竞争自适应算法选取特征波长。使用SPXY方法对样本按照2∶1的比例划分为144个校正集和72个验证集,然后建立线性的偏最小二乘（PLS）模型以及非线性的支持向量机（SVM）模型和随机森林（RF）模型对油页岩TOC含量进行预测。采用测定系数（R2）和均方根误差（RMSE）作为模型的评价指标,探究不同特征波长选择方法对油页岩总有机碳建模的影响,比较不同建模方法对油页岩TOC含量预测的准确度。结果表明,特征波长提取能够起到优化模型的作用。SPA,UVE和CARS分别提取了16,253和65个波长,经过特征波长提取后模型测定系数均有提高,均方根误差均有下降,这说明进行特征波长优选对于简化模型、提高模型运算速度发挥着很重要的作用。此外,非线性的RF和SVM模型性能要优于线性模型PLS。这是因为油页岩中的碳存在于各类烃的中,不同类别含烃基团的吸收峰之间相互影响,使得油页岩总有机碳含量和近红外光谱数据之间存在着复杂的非线性关系,因此,非线性的SVM和RF模型能够表现出更好的效果。相比于其他模型,CARS-SVM模型验证集的测定系数（R2_v）和均方根误差（RMSEV）表现出的结果较好,分别达到了0.906 6和0.222 0,该模型能够用于油页岩总有机碳含量的快速检测。研究结果说明,近红外光谱分析应用于油页岩TOC含量快速检测是可行的;建立的CARS-SVM模型能够表现出较好的预测效果,为我国油页岩TOC含量快速检测提供了一种新的方法和思路。     

水稻产量遥感监测机器学习算法对比

水稻是我国的主要粮食作物,利用高光谱遥感技术在水稻未成熟之前对水稻产量进行监测,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,可以准确掌握水稻的产量信息,帮助政府提前做出决策。以2019年—2020年广州市白云区钟落潭试验基地氮肥梯度实验为基础,分别获取水稻分化期和抽穗期冠层高光谱数据、作物群体长势参数（生物量、叶面积指数）及作物养分吸收量,利用贝叶斯岭回归（BRR）、支持向量回归（SVR）、偏最小二乘回归（PLSR）三种方法建立各生育期的产量监测模型并进行精度对比,确定水稻产量的最优估算时期和最佳估测模型。结果表明,三种方法中,BRR和SVR方法更适合产量监测,在不同时期及不同的参数组合下均有较好的表现（R2>0.82,NRMSE<8.22%）;基于2019年与2020年数据,采用全波段光谱信息进行产量监测时,分化期最佳监测模型为BRR模型,R2为0.90,抽穗期最优监测模型为SVR模型,R2为0.87;采用全波段光谱协同作物群体长势参数进行产量监测时,两时期最佳监测模型均为BRR模型,R2分别达到0.90和0.92;相较于BRR模型和SVR模型,PLSR模型在不同时期和不同参数组合下,最高R2仅为0.75;基于2020年数据,以三种不同的参数组合作为输入时,两时期估算结果均为BRR模型最优,且分化期建模精度高于抽穗期（R2至少增加0.02,NRMSE至少降低0.61%）;当输入参数组合为全波段光谱协同作物群体长势参数、作物养分吸收量时,BRR模型对产量的估算精度达到最高,R2为0.94。分析认为产量的最优监测时期是分化期,最优监测模型为BRR模型。研究结果可为水稻产量的早期遥感监测提供参考。     

近红外光谱的北方寒地土壤含水率预测模型研究

我国北方寒地温差大,土壤温差对近红外光谱测量土壤墒情有较大影响。针对这一问题,以北方寒地土壤为研究对象,探究大范围温度胁迫下（-20～40 ℃）土壤的近红外光谱与土壤不同含水率之间的关系预测模型方法。选取黑龙江八一农垦大学农学院试验基地中的黑土,经烘干、过筛等操作处理后配置含水率范围在15%～50%内八种不同湿度的土壤样品,建立北方寒地土壤大范围温度胁迫下土壤的近红外光谱信息与含水率之间的定量预测模型。在全波段光谱数据的基础上,结合五种不同光谱信号预处理方法,采用BP神经网络算法、优化支持向量机算法（SVM）、高斯过程算法（GP）三种智能算法建立北方寒地土壤近红外光谱与含水率的预测模型并验证模型的效果。利用69组数据进行训练建模, BP神经网络相关参数设置为学习速率0.05,最大训练次数设置为5 000,隐层单元数确定为20;SVM采用径向基函数,并利用leave-one-out cross validation确定了最佳惩罚参数为0.87,使模型预测的准确性提高;高斯过程算法内部采用马顿核。模型的定量评估采用决定系数(R2)和均方根误差（RMSE）。结果表明,在建立的全部BP神经网络模型中,效果最佳的为S_G-BP神经网络模型,模型的R2为0.960 9,RMSE为2.379 7;在SVM模型中SNV-SVM模型的效果最好,模型的R2为0.991 1,RMSE为1.081 5;在GP模型中S_G-GP模型的效果最好,模型的R2为0.928,RMSE为3.258 1,综上基于SNV预处理的SVM模型训练效果最优。利用剩余的35组光谱数据作为预测集验证模型性能,经模型对比分析发现基于SVM算法的预测模型效果优于其他两种算法,其中基于S_G的SVM模型效果最优,其预测模型的R2和差RMSE分别为0.992 1和0.736 9。综合建模集与预测集的参数最终确定基于S_G的SVM模型为最佳模型。此模型可以作为大范围温度胁迫条件下（寒地）的土壤含水率有效预测方法,为设计优化适宜寒地便携式近红外土壤含水率快速测量仪提供科学依据。