基于主成分分析和小波神经网络的近红外多组分建模研究

将小麦叶片原始光谱经过预处理后,采用主成分分析(PCA)对数据进行降维,取前3个主成分输入小波神经网络,建立了基于主成分分析和小波神经网络的近红外多组分预测模型(WNN);进一步研究了小波基函数个数的选取(WNN隐层节点数)对小波神经网络模型性能的影响,并将WNN模型与偏最小二乘法(PLS)和传统的反向传播神经网络(BPNN)模型进行了比较.结果表明,所建立的WNN模型能用于同时预测小麦叶片全氮和可溶性总糖两种组分含量,其预测均方根误差(RMSEP)分别为0.101%和0.089%,预测相关系数(R)分别为0.980和0.967.另外,在收敛速度和预测精度上,WNN模型明显优于BPNN和PLS模型,从而为将小波神经网络用于近红外光谱的多组分定量分析奠定了基础.     

监测小麦叶片氮积累量的新高光谱特征波段及比值植被指数

实时、快速、无损监测作物氮素状况对于精确氮肥管理具有重要意义。传统的氮素估测方法在时间或空间上难以满足要求,新兴的高光谱遥感技术为作物氮素监测提供了有效手段和技术途径。本研究的目的是基于三个田间试验的系统观测资料,探索可用于小麦叶片氮素监测的新的高光谱敏感波段及比值指数。利用减量精细采样法,系统构建了350～2 500 nm范围内所有两两波段形成的比值光谱指数RSI(ratio spectral index),综合分析了小麦叶片氮积累量LNA(leaf nitrogen accumulation)(g N·m-2)与RSI的定量关系,发现了监测叶片氮积累量的新高光谱特征波段(990, 720)和光谱指数RSI(990, 720),建立了相应的监测模型y=5.095x-6.040,模型的决定系数(R2)为0.814。利用独立试验资料检验模型,决定系数(R2)为0.847,相对根均方差(RRMSE)为24.70%,表明模型预测值与观察值之间的符合度较高。因此,利用高光谱比值指数RSI(990, 720)来估算小麦叶片氮积累量是精确可行的。该结果为便携式小麦氮素监测仪的研制开发及遥感信息的快速提取提供了适用可行的波段选择与技术依据。     

水稻叶片色素含量近红外光谱估测模型研究

以不同品种类型和不同施氮水平的水稻(Oryza sativa)叶片近红外光谱信息为基础,运用逐步多元回归法(Stepwise multiple linear regression,SMLR)、主成分回归法(Principal component regression,PCR)、偏最小二乘法(Partial least square,PLS)和BP神经网络法(Back-propagation neural network,BPNN),建立了水稻叶片中叶绿素a(Chl a)、叶绿素b(Chl b)、叶绿素a+b (Chl a+b)和类胡萝卜素(Car)的近红外预测模型.结果显示,利用8000～4000 cm-1波段范围的一阶导数(First derivative,FD)建模效果最佳.其中,基于PLS的预测模型效果最好;4类近红外色素模型的内部交叉验证误差分别为0.251,0.063,0.305和0.073;外部交叉验证的误差RMSEP分别为0.335,0.123,0.302和0.072,表明的预测效果较好.因此,可以基于近红外模型对水稻叶片色素含量进行快速测定.     

高压下B12AS2晶体结构及晶格振动的第一性原理研究

利用基于密度泛函理论的第一性原理计算,本文研究了二十面体硼化砷(B12As2)在外部静水压强0～30 GPa范围内的晶格结构变化.计算结果表明:二中心B-B键在高压下压缩率最大,硼二十面体基团相对比较稳定,外界压力对其影响较小.利用基于密度泛函微扰理论的计算,本文给出了在0～30 GPa范围内B12As2晶体所有12个...