土壤砷含量高光谱估算模型研究

以实验室内测取的土壤反射光谱为研究对象,利用PLSR方法建立反射光谱与土壤As含量之间的模型,通过交叉验证、估算检验建模精度,探讨利用反射光谱估算土壤As含量的可行性。通过比较不同光谱预处理方法、不同光谱分辨率和不同OM含量条件下建模、验证和估算结果。表明,MSC方法可以有效去除散射的影响而取得较好的结果(估算R2=0.711,RPD=1.827,RMSEP=1.613),不同光谱分辨率结果均较优(估算0.678相似文献   

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(0~20cm)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。     

Determination of ACtive Components in a Natural Herb with Near Infrared Spectroscopy Based on Artificial Neural Networks

The non-linear relationships between the contents of ginsenoside Rg1, Rb2, Rd and Panax notoginseng saponins(PNS) in Panax notoginseng root herb and the near infrared(NIR) diffuse reflectance spectra of the herb were established by means of artificial neural networks(ANNs). Four three-layered perception feed-for-ward networks were trained with an error back-propagation algorithm. The significant principal components of the NIR spectral data matrix were utilized as the input of the networks. The networks architecture and parameters were selected so as to offer less prediction errors. Relative prediction errors for Rg1, Rb1, Rd and PNS obtained with the optimum ANN models were 8.99%, 6.54%, 8.29%, and 5.17%, respectively, which were superior to those obtained with PLSR methods. It is verified that ANN is a suitable approach to model this complex non-linearity. The developed method is fast, non-destructive and accurate and it provides a new efficient approach for determining the active components in the complex system of natural herbs.     

基于PCA的水质紫外吸收光谱分析模型研究

利用紫外光谱分析水中有机污染物已成为水质实时在线监测的重要方法之一,水样组分复杂且不稳定是影响其测量结果的主要因素。利用主成分分析法(PCA)结合欧氏距离分析水样紫外吸收光谱,对水样分类,效果良好。分别用主成分分析结合偏最小二乘法回归(PCA-PLSR)和直接利用多波长吸光度结合偏最小二乘法回归(MWA-PLSR)建立分析模型,并对比分析了不同浓度的COD标准液的实验数据。结果表明,采用第一、二主成分作为回归参数的PLSR模型的测量误差在5%以内,偏差最小。利用本文方法可同时实现水样分类和水质参数的精确定量。     

基于土壤光谱库和光谱相异度的局部模型构建

掌握土壤在空间和时间上的表征至关重要。土壤可见-近红外（Vis-NIR）光谱可以估算土壤有机碳（SOC）等属性，与传统的实验室理化分析相比，光谱技术能有效实现土壤信息的快速获取。土壤光谱库为建立经验模型提供了大量具有丰富变异性和多样性的样本作数据基础。但受限于库中土壤样本的异质性和模型的适应性，通常区域或局部尺度模型的稳健性欠佳。已有的研究主要通过目标样本部分入库的方式改善库的性能，但影响了光谱技术的低成本优势。该研究在不入库的前提下基于土壤光谱的相异度，探究经典距离算法结合土壤光谱库构建局部预测模型的可行性，并比较分析局部模型样本容量对预测精度的响应。基于全球土壤光谱库（GSSL）的677个土柱，从每个国家随机取十分之一的土柱（97个）组成局部目标测试集（Test），其余580个作土壤光谱库（SSL）。分别采用欧氏距离（ED）、马氏距离（MD）、和光谱角（SAM）来分别度量Test与SSL间的光谱相异度并生成距离矩阵。按距离矩阵的前0.04%，0.05%，0.1%，0.2%，0.3%，0.4%，0.5%，1%和5%从SSL中提取与Test最相似的光谱样本构建共计9个容量的局部建模集（Local），使用偏最小二乘回归（PLSR）建立Vis-NIR和SOC含量的预测模型并通过Test验证模型精度，通过光谱的主成分空间考察并解释各种距离算法下Local的“容量–精度”变化。结果表明，在待测样本不入库的情况下，三种距离算法构建的Local模型相较于全局模型的预测精度均有一定提升，但三者的“容量-精度”的拐点存在显著差异。SAM兼顾了光谱的波形和幅度因此较MD、ED更具优势；其前0.2%比例的Local不仅预测精度最优，且用于建模所需的样本容量最少。因此认为，SAM法更适用于从土壤光谱库中构建局部模型，距离矩阵的前0.2%可作为局部模型的容量参考。     

基于多变量统计分析的冬小麦长势高光谱估算研究

利用高光谱分析技术实现冬小麦长势的准确、无损监测具有重要的实践意义。基于连续两年的氮素运筹试验，通过获取叶面积指数(LAI)、地上干生物量(AGDB)、地上鲜生物量(AGFB)、植株含水量(PWC)、叶绿素密度(CH.D)和氮素积累量(ANC)六个冬小麦长势指标及冬小麦冠层高光谱，引入主成分分析法(PCA)构建可表征冬小麦长势的综合长势指标(CGI)，并结合偏最小二乘回归法(PLSR)构建CGI的高光谱估测模型。结果表明，除植株含水量外，其他长势指标与所构建的CGI都达到极显著水平，表明利用CGI可以表征各长势指标信息。对比CGI和其他各长势指标的PLSR模型表现可知，CGI光谱监测模型表现最优(R2=0.802，RMSE=1.268，RPD=2.015)，也具有较高的预测精度和稳健度(R2=0.672，RMSE=1.732，RPD=1.489)。表明基于PCA方法所构建的CGI可以表征冬小麦长势，利用PLSR方法可以实现对冬小麦长势的准确监测，且监测效果要优于单一的冬小麦长势指标。     

应用近红外光谱法建立伤疖膏制备过程中黄芩苷含量模型

建立一种伤疖膏制备过程提取液中黄芩苷动态含量快速测定的近红外光谱分析方法,近红外透射光谱法扫描得到65组伤疖膏制备过程中提取液的近红外光谱图,以提取液中黄芩苷的HPLC测量值作为对照值,采用偏最小二乘回归算法(PLSR)建立NIR光谱与对照值的校正模型。校正模型主成分数为8,交叉验证均方根差(RMSECV)为0.006 8,相关系数(r)为0.999 1。应用校正模型对预测集的30组样品进行黄芩苷含量预测,所得预测均方根差(RMSEP)为0.009 2,r为0.998 7。结果表明,该方法快速、准确,为复方膏剂制备过程中化学成分快速定量和质量控制提供了方法和依据。     

红外光谱结合化学计量学对不同采收期滇重楼的定性定量分析

傅里叶变换红外光谱(FTIR)结合偏最小二乘判别分析(PLS-DA)和偏最小二乘回归(PLSR)对不同采收期滇重楼(Paris polyphylla var.yunnanensis)分别进行定性鉴别与定量分析,以期为滇重楼合理采收和鉴别评价提供科学依据。采集46份不同采收期滇重楼样品的红外光谱,对光谱数据进行自动基线校正+纵坐标归一化+自动平滑+小波去噪(WD)预处理后进行PLS-DA分析;采用超高效液相色谱测定样品中重楼皂苷Ⅰ,Ⅱ,Ⅵ,Ⅶ的含量,将液相测定数据与红外光谱数据进行拟合,经自动基线校正+纵坐标归一化+自动平滑+一阶求导+正交信号校正(OSC)优化处理后,建立滇重楼中重楼皂苷Ⅰ,Ⅱ,Ⅵ,Ⅶ的快速预测模型。结果显示,(1)原始红外光谱中主要吸收区域在950~700,1 200~950,1 800~1 500和2 800~3500cm-1附近。(2)PLS-DA得分图可准确区分不同采收期滇重楼样品。(3)液相数据显示重楼总皂苷含量随着年限的增加先成倍增加,再逐渐减少,最后呈现缓慢增加的趋势。(4)重楼总皂苷含量定量模型的预测值与真实值间无显著性差异,表明模型预测效果好。FTIR结合化学计量学可准确区分不同采收期滇重楼并快速预测其皂苷含量,为不同采收期滇重楼的鉴别和皂苷含量预测提供一种新方法,同时为确定滇重楼的最佳采收期提供参考依据。     

激光诱导击穿光谱定量分析锂矿石中锂元素

锂元素具有优良的物理和化学性能，因而在军事、电池、特种合金、受控热核反应等领域具有重要作用。现有的锂矿石分析主要是基于酸分解的原子吸收光谱、电感耦合等离子体质谱或原子发射光谱等离线方法。激光诱导击穿光谱(LIBS)是一种无需样品制备、适用于低原子序数元素(包括锂)的原子发射光谱方法。采用LIBS技术，实验采集了11种锂矿石成分分析标准物质的等离子体发射光谱，分别在610.35和670.78 nm附近观测到了Li的特征峰，但由于谱线的重叠，无法应用单变量线性回归进行建模。在全谱积分强度标准化基础上，分别使用偏最小二乘回归(PLSR)和基于主成份分析的支持向量回归(PCA+SVR)对锂矿石标准物质中的锂含量进行建模。校准模型的相关参数通过留一组交叉验证均方根误差(RMSECV)来确定。结果表明，相较于PCA+SVR校准模型，PLSR的决定系数(R2)更大，校准均方根误差(RMSEC)更小，但预测均方根误差(RMSEP)远大于RMSEC，存在过拟合现象。另一方面，PCA+SVR计算得到的RMSEP和平均相对误差(MRE)相对于PLSR更小，因此认为PCA+SVR模型拥有更好适应度。从而证明，LIBS技术可以实现锂矿石中Li含量的分析，有望应用于位于传送带上锂矿石的原位在线定量分析。     

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。