基于光谱技术的原料肉新鲜度指标在线检测系统开发及试验

为了实现原料肉新鲜度参数的无损在线实时评估,基于双波段可见/近红外反射光谱（350~1 100和1 000~2 500 nm）技术建立了原料肉新鲜度主要指标的在线检测系统。研究设计了装置的光源单元、光谱采集单元、控制单元和驱动单元,优化设计了光源固定支架和安放角度,编写了相应的控制程序,开发了实验室用和便于在不同生产线应用的两套在线检测系统。首先,对试验参数（传送带速度和样品到透镜入光口距离）进行了优化研究,通过光谱相似度比较和显著性分析,确定传送带速度是275 mm·s-1、距离是12 cm时能够获得更加稳定的光谱信号。然后,基于该试验参数,分别在静止和在线条件下采集了贮藏时间为1~13 d共50个猪肉样本的反射光谱,并利用抛物线拟合法对双波段光谱进行融合,以获取整条覆盖可见及近红外区域的完整光谱。为了使两个波段范围内的光谱数据点权重相同,在整个波段范围内均匀分布,借助三次样条插值法将所有光谱数据点以2 nm为间隔进行重新排布。采用窗口移动多项式最小二乘拟合法对光谱作平滑处理,采用标准正态变量变换对每条光谱进行标准化预处理,分别建立了静止和在线条件下新鲜度主要表征指标-颜色（L*,a*和b*）、pH和挥发性盐基氮的预测模型,以此验证所搭建系统的可靠性。经过对比分析,发现在线条件下的建模结果不如静止状态下的建模结果,这可能与在线采集时光谱存在漂移现象有关。进一步尝试利用一阶导数处理来消除基线漂移强化谱带特征,并对一阶导数和标准化处理顺序对建模结果的影响进行了探讨。结果发现先经过一阶导数再经过标准化处理,能更好地消除外部干扰造成的影响,建模结果更佳。在该处理方式下,基于第一波段光谱建立了颜色参数（L*,a*,b*）的预测模型,基于双波段光谱建立了pH和挥发性盐基氮的在线检测模型,预测相关系数分别为0.955 3,0.924 7,0.955 1,0.961 5和0.966 8。最后,为了验证模型的适用性,基于开发的便于在不同生产线应用的在线检测系统,利用独立的20个样本对在线模型进行外部验证,对颜色参数（L*,a*,b*）,pH和挥发性盐基氮的预测相关系数分别为0.918 9,0.914 1,0.947 7,0.950 4和0.960 6。研究结果表明,该系统通过双波段光谱的实时采集和融合,可以获取更多反应样本内部信息的光学信号,具有更强的检测能力。结合设计的光路等其他硬件单元,可以同时获取样本表面更大区域的反射光谱信息,从而实现对原料肉新鲜度主要表征参数的无损、在线、实时评估。该系统便于组装和拆卸,可以适应不同企业生产线的实际需要,具有较强的实用价值和较好的市场前景。     

近红外光谱的古筝面板用木材等级识别研究

目前民族乐器古筝面板用板材的等级主要依靠乐器技师凭借个人经验进行判断,此方法受限于有丰富经验的技师且容易受其主观判断影响。针对此现状,以用于制作古筝面板的泡桐木材为实验样本,提出了一种利用近红外光谱结合改进的BP神经网络方法,实现快速识别古筝面板用板材的不同等级。近红外光谱可以表征丰富的物质结构与组成信息,并且测量仪器成本较低,附件形式多样化,所以针对泡桐板材的近红外光谱实验分析有实用意义首先进行光谱去噪,消除系统误差等以提高光谱分辨率,根据均方根误差与信号平方和作为多种预处理方法评价指标,选取一阶导数为本实验最终预处理方式,15为合适的滤波去噪窗口大小,然后通过主成分分析法压缩数据以及马氏距离法剔除建模集异常样本,从而建立更具代表性的建模集。然后通过聚类分析无监督学习方法进行板材等级分析,证明板材分级的可行性。由于H₂O在近红外光谱区域具有较大吸收,根据实验光谱分析结果,不考虑其基频振动波段5 396.0～4 978.0 cm-1区域和第一泛音振动波段6 800～7 000 cm-1区域,仅考虑剩余近红外光谱波段信息,将不同光谱信息波段组合,共七种组合波段区域作为神经网络模型的输入,进行面板板材等级识别模型实验。对传统的BP神经网络模型作改进。BP神经网络中学习率的设置采用自适应学习率优化策略,弥补传统神经网络训练速率慢等劣势。同时采用交叉熵函数作为代价函数,从而加快权重的更新速度。选取Relu函数作为输入层与隐藏层之间的传递函数,提高了模型训练速度,有效防止过拟合的发生。选取Softmax函数作为最后一层的传递函数,以此减少复杂计算,构成该研究最终BP神经网络模型。选取不同数量的主成分变量所能提取的光谱信息量不同,通过不断增加主成分个数和调整参与模型的光谱波段区间,调整BP神经网络模型的输入,当主成分个数为11和光谱区间为10 000～7 000和4 976～4 000 cm-1时,未知样本识别率达到99.7%,所选光谱区间涵盖C-H等基团全部特征信息。研究结果表明,近红外光谱结合神经网络可以对不同等级的泡桐木材进行有效的识别,降低人工检测误差,缩短板材分级时间,更好地满足乐器市场需求。     

Ensemble-SISPLS近红外光谱变量选择方法

近红外光谱具有高维小样本的特点,变量选择是提高定量分析模型稳健性和可解释性的一种有效方法。确定独立筛选（SIS）是一种基于边际相关性的超高维数据变量选择方法,广泛用于基因微阵列数据的变量选择。SIS具有将数据维度降低至样本大小规模的能力,其降维能力与LASSO相当,在相当宽泛的近似条件下,由于具有安全筛选性质,所有重要变量被保留的概率趋于1。基于确定独立筛选偏最小二乘（SIS-SPLS）的变量选择是一种迭代式的SIS变量选择方法,首先利用SIS方法完成光谱重要变量的初选;然后根据重要变量的边际相关性大小进行逐步前向选择：建立偏最小二乘回归模型,依据贝叶斯信息准则（BIC）确定最终的变量选择结果。SIS-SPLS以逐步前向选择的方式实现对重要变量的增量式筛选,随着潜变量个数的增加及因变量残差的逐步减小,SIS-SPLS方法选择的变量个数将趋于稳定。然而仅以边际相关性对变量重要性进行评价,当光谱变量个数远大于样本数时,该方法也存在选择的变量过多、变量选择结果不够稳健等问题。为进一步提高小样本情况下变量选择的稳健性,将集成学习引入SIS-SPLS方法之中,提出了一种集成SIS-SPLS变量选择方法（Ensemble-SISPLS）。该方法首先对校正集样本进行自助重采样,对采样得到的每一个校正子集分别使用SIS-SPLS方法进行变量筛选,通过投票机制并设置频次阈值对所有校正子集的变量选择结果进行集成,选择出现频次大于给定阈值的变量并建立偏最小二乘回归模型,计算5折交叉验证均方根误差。对频次阈值和潜变量个数两个关键参数使用网格搜索法进行优选,根据子模型的交叉验证均方根误差和变量个数对子模型性能进行综合评价,以最优子模型包含的变量作为最终的变量选择结果。分别在Corn数据集和当归数据集上进行变量选择实验,比较Ensemble-SISPLS,SIS-SPLS和UVE-PLS三种变量选择方法的性能。其中当归数据集共77个样本,样本采自甘肃岷县和渭源县,使用Nicolet-6700型近红外光谱仪扫描得到所有样本的近红外光谱并对当归中的阿魏酸含量进行预测。Ensemble-SISPLS方法在Corn数据集上选择的变量个数、RMSEP和决定系数分别为22,0.000 8和0.999 8;SIS-SPLS方法在Corn数据集上选择的变量个数、RMSEP和决定系数分别为97,0.007 3和0.998 8。Ensemble-SISPLS方法在当归数据集上选择的变量个数、RMSEP和决定系数分别为24,0.018 1和0.996 3;SIS-SPLS方法在当归数据集上选择的变量个数、RMSEP和决定系数分别为38,0.022 6和0.994 3。结果表明,该方法进一步提高了变量选择结果的稳健性和预测能力。Ensemble-SISPLS变量选择方法有效结合了SIS-SPLS较强的变量选择能力和集成学习良好的泛化能力,提高了变量选择的稳健性。此外,由于在子模型的预测能力和变量个数之间进行了折中,一定程度上减少了选择变量的个数,提高了模型的可解释性。     

基于可见光波段的燃烧与未燃烧矸石分类方法研究

我国煤矿数量众多,分布广泛,大量堆积的煤矸石对矿区环境造成严重影响,其中部分煤矸石处理不当可能引发自燃和爆炸,对矿区安全构成直接威胁。根据煤矸石的燃烧状态可以分为燃烧矸石和未燃烧矸石两类,其存在的安全隐患和对环境的危害性有所不同,同时其综合利用的途径亦不相同。因此,对煤矸石进行燃烧矸石和未燃烧矸石的分类识别与监测就显得尤为重要。目前的监测方法主要为实地勘查调研,其效率低、成本高,难以满足煤矸石监测的实际需求。选择辽宁省铁法矿区作为研究区,首先从矿区矸石山现场采集典型的煤矸石样本106个;然后,利用SVC HR1024光谱仪测试其可见光-近红外光谱,分析燃烧和未燃烧矸石的光谱特征,并基于可见光波段构建光谱指数NDGI,用于识别燃烧矸石和未燃烧矸石。选择实验室测试的光谱数据和实际卫星遥感数据对该指数进行了验证,并与随机森林法进行对比。结果显示：在350～760 nm燃烧矸石光谱曲线斜率整体较高,在550～630 nm反射率存在陡升现象,而未燃烧矸石在整个可见光波段光谱曲线斜率较低;以0.25作为NDGI指数阈值,可以很好地将燃烧矸石和未燃烧矸石区分开来,实验室样本验证结果显示,NDGI指数的分类精度可达99.1%,高于随机森林分类法的95.2%;现场的验证结果表明,使用铁法矿区的landsat8 OLI数据,并基于NDGI指数对矿区内的矸石山进行燃烧和未燃烧区域识别划分,所提取的燃烧和未燃烧矸石在形态和大小上与Google Earth具有很好地一致性,表明该指数对于矸石的燃烧状态具有很好识别效果。在上述研究基础上,分别取燃烧和未燃烧矸石进行矿物鉴定,通过对比矸石燃烧前后矿物种类的变化,分析造成燃烧和未燃烧矸石的光谱特征差异的原因。结果表明：燃烧使矸石中的Fe2+被氧化为Fe3+。Fe3+的大量增加造成光谱曲线在550nm处形成明显的波谷特征,在整个燃烧过程中生成的玻璃质在750nm处形成高反射率,二者综合造成燃烧和未燃烧矸石的NDGI指数差异。研究结果为煤矿区燃烧和未燃烧矸石的区分识别提供了一种快速、高效、较为准确的实用方法。     

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。     

基于高光谱成像技术的滩羊肉新鲜度快速检测研究

滩羊肉的新鲜度是其品质安全的一个重要衡量指标,也是肉品品质安全控制的关键环节。挥发性盐基氮（TVB-N）是表征肉品腐败过程主要的化学信息,能有效地评价出滩羊肉的新鲜度。然而,TVB-N的传统检测过程繁琐且人为影响因素大,检测结果缺乏客观性和一致性,不能满足当今肉品检测过程无损、快速、高效的需求。高光谱成像技术符合现代检测技术向多源信息融合方向发展的需求,已在食品安全领域得到广泛应用。利用可见/近红外高光谱成像技术（400~1 000 nm）结合动力学和化学计量学方法以及计算机编程技术,将同时实现滩羊肉贮存期内（15 ℃环境）TVB-N 浓度的快速检测和贮藏期的预测。研究中提取每个样品感兴趣区域的平均光谱数据,选用蒙特卡洛算法剔除异常样本。采用X-Y共生距离（SPXY）法划分为校正集和预测集,分别选用多元散射校正（multiplicative scatter correction, MSC）、卷积平滑（savitzky-golay, SG）、标准变量变换（standard normalized variate, SNV）、归一化（normalization）、基线校准（baseline）五种方法对原始光谱数据进行预处理,优选出最佳预处理方法。采用竞争性自适应重加权法（campetitive adaptive reweighted sampling, CARS）和连续投影算法（successive projections algorithm, SPA）分别提取了21个和6个特征波长。为优化模型并提高其模型精度,采用SPA算法对 CARS 所选特征波长进行二次提取,优选出14个特征波长。基于所提取的特征波长建立TVB-N浓度的PLSR模型,优选出 SNV-CARS-SPA-PLSR 模型具有较高的预测能力（R2_c=0.88,RMSEC=2.51, R2_p=0.65, RMSEP=2.11）。同时,建立了滩羊肉TVB-N变化与贮藏时间的动力学模型,并将优化后的光谱模型和动力学反应模型相结合建立了滩羊肉光谱吸光度值与贮藏时间的高光谱动力学模型,实现对贮藏时间的预测,并通过 PLS-DA判别模型对滩羊肉贮藏时间进行判别分析（校正集判别准确率为100%,预测集为97%）。研究表明,利用可见/近红外高光谱成像技术结合动力学和化学计量学方法以及计算机编程技术,可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析,为开发实时在线检测装备提供理论参考。     

表面粗糙度对激光诱导击穿光谱信号的影响

硅橡胶复合绝缘子是高压输电线路的关键设备,长期在复杂外界环境条件下带电运行后会发生表面老化,表现为粉化、褪色、粗糙度和硬度上升等现象。粗糙度作为复合绝缘子的老化特征量之一,其测量是复合绝缘子在线带电检测的难题。激光诱导击穿光谱技术(laser-induced breakdown spectroscopy, LIBS)适用于开展输电线路复合材料的远程在线检测,但粗糙度对LIBS信号的影响还没有得到系统的研究,利用这种基体效应进行绝缘子表面粗糙度的测量尚无报道。制备了不同粗糙度的硅橡胶新样品,与500 kV线路退运的复合绝缘子样品进行对比分析,研究了硅橡胶材料的粗糙度对LIBS信号的影响,结果表明,对于新制备硅橡胶材料随着粗糙度的增加,各主体元素特征谱线强度会随之增强,不同主体元素之间的原子谱线强度比（Si 288.2 nm/C 247.9 nm和Al 394.4 nm/Si 288.2 nm）随之下降,说明样品粗糙度对LIBS测量结果影响显著。但特征谱线强度及不同主体元素原子谱线强度比与粗糙度之间的函数关系不明显,难以用于粗糙度测量。硅橡胶的主体元素为Si,Al,C和O等,考虑元素含量及特征谱线的选取方便选择Si为主要分析元素。对于Si原子谱线强度比,选取了两条上能级相近（E_ki＝40 991.88, 39 955.05 cm-1）的原子谱线（SiⅠ288.2 nm,SiⅠ250.7 nm）作为分析线,在满足局部热力学平衡与光学薄的条件下两条谱线的强度比应为定值,但样品粗糙度的改变会影响脉冲激光烧蚀材料表面的过程,从而改变等离子体的状态,使得谱线强度比值也随之变化。上述两条硅原子谱线强度比和粗糙度建立的定标关系,线性相关系数为0.88。对于500 kV输电线路退运的老化硅橡胶材料,其表面由于老化有部分氢氧化铝填料析出,使得基体成分不均匀性更为显著,其表面也变得更为粗糙,这导致一对谱线强度比值作为定标函数,实用性降低。因此针对老化硅橡胶材料,除了选择Si元素谱线(SiⅠ250.7 nm,SiⅠ251.4 nm,SiⅠ251.9 nm)以外,还引入了Al元素谱线(AlⅠ305.7 nm, AlⅠ305.9 nm),利用三组谱线强度比进行多元回归分析,对于两个实测粗糙度为2.659和2.523 μm老化硅橡胶样品,LIBS测量的相对误差分别为0.218和0.189。结果表明对同样成分的复合材料,表面粗糙度对LIBS信号的影响是必须考虑的,而利用这种基体效应,开展远程在线测试复合绝缘子表面粗糙度,对于高压输电线路检测运维具有重要的应用价值。     

光谱辐射测量仪器温度修正方法的研究及验证

光谱辐射定标是光学遥感仪器研制中的关键环节。深入分析实验室定标的光谱辐射测量仪器至户外应用的不确定度来源,环境温度是限制仪器户外高精度测量的最主要因素之一。传统的光谱辐射度实验室定标通常在室温（~25 ℃）下进行,而户外光谱辐射测量处于不同温度环境,严重影响仪器测量的准确度。设计搭建实验测量系统,采用遥感辐射领域常用的光谱辐射测量仪器,研究环境温度对光谱辐射测量的影响。实验结果显示：常用光谱辐射计（CR-280）的测量结果受温度影响明显,在10～40 ℃之间变化时,仪器光谱辐射亮度测量值在400～700nm波段内的偏差为±5%左右,而700～1 050 nm内的偏差高达±15%左右。这主要由于仪器采用硅探测器,红外波段恰好与硅的带边接近,硅探测器易受温度影响,温度增加硅的带边会向长波方向移动,光谱辐射计的响应度也随之增加。基于实验数据统计分析,提出一种适用于不同类型光谱辐射计的温度修正方法,相对于传统的斜率/截距（S/B）算法适用性更广,还可由公式计算出任意温度下的修正结果。修正后CR-280红外波段的偏差（950 nm左右）由±10%降低为±1%,明显减小了因户外使用与实验室定标温度不同造成的测量结果偏差。此外,利用不同类型光谱辐射测量仪器（Avantes及SVC HR-1024）对温度修正方法进行验证。环境温度变化时光谱仪Avantes（VIS/NIR）的测量结果存在较大偏差（1 060 nm高达±17%）。通过温度修正方法运算,仪器修正值与定标值的偏差在±1%以内。光谱辐射计（SVC HR-1024）不同波段的测量值,与定标值的偏差受温度影响不同。这主要由于：仪器由Si、制冷型InGaAs及扩展InGaAs探测器组成,Si探测器受温度影响大,950～1 000 nm波段测量值与定标值的偏差高达±10%。而制冷型InGaAs可有效控制探测器温度,受温度的直接影响相对小。但随温度增加,InGaAs探测器制冷效果受限（制冷最佳工作温度为20 ℃）,测量结果产生偏差（1%~3%）。同样,利用温度修正公式对不同温度下SVC HR-1024的测量结果进行修正运算,仪器因温度变化引起的偏差可降低至±1%以内。     

多目标普朗克极小值优化法的多光谱真温反演研究

光谱发射率是辐射体辐射能力的重要参数,通过光谱发射率可以建立辐射体与黑体的之间的桥梁,从而黑体辐射的相关理论就可以应用于辐射体。采用普朗克公式,光谱高温计的每一个光谱通道可以构成一个方程,这个方程中包含有真温、亮度温度和光谱发射率。对于N个光谱通道可以构成N个方程,这N个方程中也包含一个真温、N个亮度温度和N个光谱发射率,其中亮度温度是已知量,真温和光谱发射率是未知量。由于方程组是欠定的,理论上存在着大量的解。为了求解这个方程组常需要假设光谱发射率与波长和温度之间的数学模型,使方程组未知数的个数降为N个,实现真温的求解。当光谱发射率与波长或温度之间的规律被正确获得后,多光谱辐射测温法才能反演出正确的真温。通过对上述较为常用两种光谱发射率模型的分析可知,这两种方法的基本思想都是试图找到光谱发射率与波长或温度之间的函数关系,确立光谱发射率与波长或温度之间数学模型。用含有波长或温度的表达式代替光谱发射率,实现方程的求解。由于光谱发射率具有一定的不确定性,假设的光谱发射率模型与实际光谱发射率的变化之间存在一定的差异,有可能导致真温反演产生较大的误差。光谱发射率与波长或温度之间的数学模型是需要通过大量的实验和经验才能获得的,而且这种数学模型通用性较差,尤其是当待测辐射体发生改变时,这种数学模型也就失去了意义。为了解决多光谱高温计在实际测量中存在的问题,找到一种无需假定光谱发射率与波长或温度之间数学模型而且又具有一定通用性的多光谱真温反演方法成为一种迫切的需要。为此,将优化的思想引入到了多光谱求解过程中,将多光谱真温的求解问题转化为多目标普朗克极小值优化(MMP)问题,从而不再需要建立光谱发射率与波长或温度之间的数学模型,降低了系统的复杂性与难度。该方法以普朗克公式和光谱发射率之间的等式约束条件为基础,构造了六个目标函数,实现了真温的求解。新方法在反演精度上得到了较大幅度的提高,仿真数据的误差都小于1%。借助于以往的真实测量数据,利用多目标普朗克极小值优化法实现了真温的反演。     

煤炭矿区植被冠层光谱土地复垦敏感性分析

煤矿区土地复垦及复垦监测工作,对于我国土地利用和生态环境治理具有重要意义。微生物复垦技术能够促进植物吸收利用矿质养分和水分,增强土壤肥力,对矿区生态恢复具有显著作用。监测和评价土地复垦效应对植物生长影响的传统方法,通常采用野外采集植物和土壤样本并进行室内分析,但这些方法不仅破坏植物根系原状土壤,造成植株损伤,而且耗费人力、物力,时效性差。高光谱遥感技术具有数据获取速度快、信息量大、精度高且无须离体破坏植株等优点,对于土地复垦监测有非常大的潜力。目前,土地复垦效应遥感监测相关研究仍以观测盆栽大豆、玉米等作物的叶片光谱分析为主。实际上,卫星遥感数据观测到的是冠层光谱,并非叶片光谱,但目前还没有通过植被冠层光谱对矿区土地复垦进行监测的研究成果出现。植被冠层光谱不仅受到叶片光谱的影响,还受到植株长势、下垫面等其他因素的影响,光谱特征变化更为复杂。矿区植被冠层光谱特征对于土地复垦效应的敏感度分析,是对矿区植被理化参量进行定量反演的基础,也是限制高光谱技术应用于大面积土地复垦监测的主要瓶颈。于煤炭矿区土地复垦实验基地开展野外冠层光谱观测实验,获取了接菌组和对照组野外植株冠层光谱数据,并从光谱波形变化和光谱特征参量变化两方面综合分析了植被冠层光谱对土地复垦的敏感性。冠层光谱波形方面,分别采用标准差和光谱敏感度作为组内和组间光谱波形差异的有效指标;冠层光谱特征参量方面,选取了植被红边、黄边、蓝边、绿峰、红谷等典型光谱特征,计算获取其位置、斜率、面积等特征参量,并通过描述性统计和单因素方差分析研究了这些冠层光谱特征参量对土地复垦效应的敏感性,挑选出矿区土地复垦监测的有效特征参量。研究表明,接菌组和对照组冠层光谱的主要波形变化趋势一致,但接菌组植株的生长状况更稳定,不同植株之间差异较小,且绿峰和红谷两个特征更突出。这说明土地复垦能够减少植株间冠层光谱差异,增强植被典型光谱特征,而绿峰和红谷对土地复垦有较高的光谱敏感度。光谱特征参量方面,绿峰、红谷、红边波长在土地复垦作用下显著向长波方向移动,而此前叶片光谱研究中对土地复垦较敏感的红边、蓝边斜率变化并不显著。这说明,野外植被冠层光谱分析结果与实验室植被叶片光谱分析的结果并不完全一致,这可能和植被类型、生长周期、土壤背景光谱干扰等因素相关。在采用卫星或航拍遥感数据进行矿区植被环境监测时,所获取的都是植被冠层光谱,因此本研究所得到的结论具有更强的参考意义和实际应用价值。