重金属铜铅胁迫下不同品种玉米污染程度监测研究

植被重金属污染监测是当今高光谱遥感监测研究的重要内容。为了将高光谱遥感技术定性的用于植被重金属污染监测研究,从盆栽实验采集的反射率光谱数据方面进行研究。在实验室室内设置不同胁迫浓度的重金属铜铅玉米盆栽实验,测定了不同浓度Cu²⁺和Pb²⁺胁迫下玉米叶片的反射率光谱和Cu²⁺和Pb²⁺含量等有关铜铅污染玉米的基础数据,形成了关于重金属铜铅污染玉米植株的一套完整的数据集。研究提出了一种铜铅探测指数(CLDI),实现了不同培育期的两种玉米品种的重金属铜铅胁迫监测,从而为当前植被重金属污染探测提供了新的思路。研究设计了不同浓度的铜铅污染实验,将测量获得的玉米叶片450～850 nm的光谱反射率进行一阶微分(D)和包络线去除(CR)处理后得到微分包络线去除(DCR)光谱曲线,利用皮尔逊相关系数(r)分析DCR数据和生化数据,选择对重金属Cu敏感的特征波段。计算的皮尔逊相关系数表明DCR值在490～520和680～700 nm与土壤和叶片中的Cu²⁺含量呈现接近于1的线性正相关,在630～...     

新型铜胁迫植被指数NCSVI探索铜污染下玉米叶片光谱敏感区间

目前我国土壤重金属污染日趋严重,高光谱遥感因具有光谱分辨率高、图谱合一等特点成为农作物重金属污染研究的热点.农作物受重金属污染后其光谱会发生细微的改变,如何探寻叶片光谱中对重金属污染敏感的波段是目前的一种研究方向.提出了一种新型铜胁迫植被指数(NCSVI)来探索铜胁迫下玉米光谱敏感区间.通过设计不同梯度下的玉米铜胁迫实...     

铜胁迫下玉米叶片反射光谱的红边位置变化及其与叶绿素的关系

采用5级梯度铜胁迫砂培试验,通过测定叶片反射光谱曲线和叶绿素含量,研究铜胁迫对玉米叶片反射光谱与叶绿素含量的影响。研究表明：玉米叶片反射光谱的红边位置与铜胁迫浓度显著相关(R2≥0.5755),且存在明显的“红边蓝移”现象,即叶片光谱红边位置向短波方向移动。随着铜胁迫浓度的升高或胁迫时间延长,红边蓝移程度增加。不同胁迫浓度之间,叶绿素a、叶绿素b含量及二者比值 (Chla/Chlb)均差异显著(p分别为0.002,0.007和0.001)。叶绿素a、b比值(Chla/Chlb)与培养液中铜浓度呈显著负相关(R=-0.898);Chla/Chlb与平均红边波长显著正相关(R=0.814)。这表明随着铜胁迫浓度升高,Chla/Chlb降低,叶绿素b相对于叶绿素a升高,叶片反射光谱的红边位置蓝移。铜胁迫改变了玉米叶片中Chla和Chlb含量和比值,由此导致的色素吸收光谱变化,是铜胁迫导致叶片反射光谱红边蓝移的可能的生理学成因。     

铜胁迫下玉米污染特征波段提取与程度监测

我国农田重金属污染形势不容乐观。土壤中的重金属被作物根系吸收后会影响作物正常的生长发育,降低农产品质量,进而通过食物链进入人体,危害人体健康。高光谱遥感为实时动态高效监测作物重金属污染提供了可能。设置不同浓度Cu2+胁迫梯度的玉米盆栽实验,并采集苗期、拔节期和穗期玉米老、中、新叶片光谱数据,测定不同生长时期叶片叶绿素含量、叶片Cu2+含量。基于所获取的光谱数据、叶绿素含量和叶片Cu2+含量,结合相关分析法、最佳指数法（OIF）和偏最小二乘法（PLS）构建OIF-PLS法提取含有Cu2+污染信息的特征波段。首先依据苗期、拔节期和穗期叶片叶绿素含量及穗期叶片Cu2+含量与相应叶片光谱的相关系数初步筛选特征波段;然后,从中选取三个波段计算最佳指数因子,并以该三个波段为自变量,对玉米叶片Cu2+含量进行偏最小二乘回归分析,计算均方根误差;最后根据最佳指数因子最大、均方根误差最小的原则选取最佳特征波段。基于OIF-PLS法所选取的特征波段构造植被指数OIFPLSI监测重金属铜污染,并与常规的红边归一化植被指数（NDVI₇₀₅）、改进红边比值植被指数（mSR₇₀₅）、红边植被胁迫指数（RVSI）和光化学指数（PRI）监测结果做比较,验证OIFPLSI的有效性和优越性。另外利用在相同的实验方法下获取的不同年份的数据对OIFPLSI进行检验,验证OIFPLSI的适用性和稳定性。实验结果表明,基于OIF-PLS法提取的特征波段（542,701和712 nm）比基于OIF法提取的特征波段（602,711和712 nm）能更好地反映Cu2+污染信息;植被指数OIFPLSI与叶片Cu2+含量显著正相关,相关性优于NDVI₇₀₅,mSR₇₀₅,RVSI和PRI;OIFPLSI与叶片叶绿素含量显著负相关,与土壤中Cu2+含量显著正相关;不同生长时期OIFPLSI与土壤中Cu2+含量的相关性高低依次为拔节期、穗期、苗期。基于不同年份数据验证结果表明,OIFPLSI与叶片Cu2+含量显著正相关,OIFPLSI具有较强的稳定性。基于OIF-PLS法所提取的特征波段构建的OIFPLSI能够较好地诊断分析玉米叶片铜污染水平,可为作物重金属污染监测提供一定的技术参考。     

干旱胁迫下春玉米拔节-吐丝期高光谱特征

通过监测辽宁锦州地区不同干旱胁迫条件下春玉米拔节-吐丝期冠层高光谱分布,研究其可见光、红边区和近红外光的光谱分布特征,分析不同波长光谱反射率与各深度土壤湿度的相关关系,结果表明：拔节-吐丝期,0～20 cm层土壤湿度与350～710 nm区间光谱反射率存在显著的负相关关系,各层土壤湿度(0～60 cm)与710～1 300 nm区间光谱反射呈正相关关系,其中40 cm深度土壤湿度与光谱反射率正相关性较好;红边区(680～760 nm)光谱反射率较好的反映了植株的生长状况,该区间单位波长光谱反射率变化由增加-减小,为相对较稳定的光谱区间。各层土壤湿度与红边参数的多项式回归趋势相似,表层0和20 cm土壤湿度与红边参数关系曲线呈先增加后减小趋势,40和60 cm土壤湿度则先减小后增加。     

应用近地成像高光谱估算玉米叶绿素含量

图谱合一的近地成像高光谱是现代数字农业对田块尺度的作物长势信息进行动态临测和实时臀理的需要,是促进农业定量遥感发展的重要手段之一.文章通过自主研制的田间扫描成像光谱仪近地获得盆栽和大田玉米的冠层高光谱影像,从影像中精确提取玉米不同层位的叶片反射光谱并计算TCARI,OSA-VI,CARI,NDVI等多种光谱植被指数.构...     

不同病害胁迫下大豆的光谱特征及识别研究

在英国诺丁汉大学Sutton Bonington校区(52.8°N,1.2°W)实测感染锈病与普通花叶病大豆的单叶光谱数据,利用连续统去除法对原始光谱数据进行处理,筛选对病害及锈病严重度敏感的波段,构建植被指数对感染锈病与普通花叶病及不同严重度锈病的大豆进行识别研究.研究发现普通花叶病胁迫下的大豆光谱反射率在可见光区域均大于健康大豆的,而锈病胁迫的大豆光谱反射率在绿光区随病情严重度增加而减小,在红光区随病情严重增强而增大.根据大豆光谱变化特征设计了一个植被指数R500×R550/R680对大豆病害进行识别,通过计算不同病害及不同严重度之间的J-M距离对指数识别病害能力进行检验,结果表明指数R500×R550/R680能够较好的识别出大豆锈病与普通花叶病,且该指数在识别大豆锈病严重度方面也有较强的能力.研究结果对农作物病害遥感监测与防治具有重要的理论价值与实际应用意义.     

利用高光谱植被指数监测紧凑型玉米叶绿素荧光参数F_v/F_m

为进一步评价遥感监测紧凑型玉米叶绿素荧光参数Fv/Fm的可行性,通过开展小区紧凑型玉米试验,分析紧凑型玉米整个生育期Fv/Fm与高光谱植被指数的相关关系,建立紧凑型玉米Fv/Fm高光谱监测模型。结果表明,紧凑型玉米Fv/Fm与选取的高光谱植被指数均呈极显著正相关,其中结构敏感色素指数(SIPI)与Fv/Fm的相关性最好,相关系数(r)为0.88。用SIPI建立紧凑型玉米Fv/Fm的监测模型,其决定系数(R2)为0.812 6,均方根误差(RMSE)为0.082。研究表明,利用高光谱植被指数可以有效地监测紧凑型玉米整个生育期的Fv/Fm。     

重金属铜胁迫苹果砧木根系的显微拉曼光谱诊断研究

重金属污染会影响农作物的正常生长,如何快速准确的实现对农作物中重金属的检测已成为亟待解决的问题之一。传统植物中重金属检测依赖于化学方法,虽然可以实现重金属含量的精准检测,然而其操作过程繁琐,并且无法实现批量样本的检测,更无法实现重金属胁迫下植物组织的原位微观检测。拉曼光谱具备无损探测固体、液体和气体状态的分子振动信息、光谱分辨率高和对水分不敏感等优势,因此利用拉曼光谱技术检测农作物中重金属含量具有可行性。苹果砧木是苹果树幼苗嫁接的基础,能够保障后期的苹果树体健康以及苹果果品品质与产量,而苹果砧木根系受到重金属污染,阻碍其健康生长并影响苹果树幼苗的抗逆性,因此探明重金属与苹果砧木根系互作机理十分必要。该研究以5组不同浓度CuSO₄·5H₂O溶液胁迫下的苹果砧木为研究对象,首先采集不同铜离子(Cu²⁺)胁迫梯度下苹果砧木根系的拉曼散射光谱,利用自适应迭代重加权惩罚最小二乘法(Air-PLS)和S-G平滑方法对所获得的拉曼光谱数据进行预处理,去除荧光影响以及进行基线校正;其次建立偏最小二乘判别分析(PLS-DA)模型和支持向量...     

铜铅胁迫下玉米叶片弱光谱信息的LD-CR-SIDSCAtan探测模型

农作物在受到重金属污染以后,会破坏本身的组织细胞结构和叶绿素含量,从而影响农作物的新陈代谢和健康状况。人和动物如果食用了污染的农作物以后,会有致命的伤害。高光谱遥感目前被广泛应用于监测农作物受重金属污染的程度。重金属污染下的农作物叶片的光谱变化很微小,传统的监测方法和常规的光谱特征参数很难将光谱之间的微弱差异区别开,目前高光谱遥感应用是研究的重点和难点。通过设置不同浓度的Cu2+和Pb2+胁迫下玉米盆栽实验,采集玉米叶片的光谱数据、叶绿素的相对含量以及重金属Cu2+和Pb2+的相对含量。提出了包络线去除(CR)、光谱相关角(SCA)、光谱信息散度(SID)以及正切函数(Tan)和兰氏距离(LD)相结合的LD-CR-SIDSCA_tan模型,将其与传统的光谱测度方法,如光谱相关系数(SCC)、光谱角(SA)、光谱角正切(DSA)、光谱信息散度-光谱相关角正切(SIDSAM_tan)、光谱信息散度-光谱梯度角正切(SIDSGA_tan)和常规的光谱特征参数,如红边最大值(MR)、绿峰高度(GH)、红边一阶微分包围面积(FAR)、红边一阶微分曲线陡峭度(FCDR)、蓝边(DB)、红谷吸收深度(RD)相比较,验证了该模型的优越性和可行性。并且将LD-CR-SIDSCA_tan模型应用于不同浓度下Cu2+和Pb2+胁迫的玉米叶片的整体波形和子波段的光谱差异信息的测度上。结果表明,LD-CR-SIDSCA_tan模型实现了重金属Cu2+和Pb2+污染的定性分析,能够测度光谱相关系数达到0.99以上的相似光谱之间的差异信息,波形差异信息与叶片测得的叶绿素相对含量和重金属Cu2+和Pb2+相对含量显著相关,也分别找到了重金属Cu2+和Pb2+胁迫下的光谱响应波段。在测度光谱数据的整个波段区间范围,模型值为负值时的光谱差异要比模型值为正值更加明显;在模型值为正值时,如果数值越大,光谱的差异性也越大。因此,随着重金属Cu2+和Pb2+浓度的增加,光谱的差异增大,意味着重金属Cu2+和Pb2+污染程度更为严重;玉米植株受到重金属Cu2+胁迫污染,在测度光谱数据的局部子波段区间范围时,“蓝边”、“红边”、“近谷”、“近峰B”处对重金属Cu2+胁迫污染响应特别的敏感,可以作为监测重金属Cu2+污染程度的有效波段;当玉米植株受到重金属Pb2+胁迫污染时,在“紫谷”、“蓝边”、“黄边”、“红谷”、“红边”、“近峰A” 处对重金属Pb2+胁迫污染响应特别的敏感,可以作为监测重金属Pb2+污染程度的有效波段。最后通过LD-CR-SIDSCA_tan模型的应用结果与玉米叶片中Cu2+和Pb2+含量进行线性拟合分析,从而反演和预测了重金属Cu2+和Pb2+对玉米植株的污染程度。     

高光谱信息的农林植被种类区分

为了能够更加快速、准确对粮食主产区的作物与树木进行种类区分,以黄淮海地区三种主要植被(玉米、小麦和杨树)为研究对象,获取该三种植被原始反射率光谱,并对原始光谱进行特征点提取、一阶微分变换、二阶微分变换以及植被指数计算四种方法的分析处理,提取三种植被各自的光谱特征点、特征波段、蓝黄红边微分值和、位置、振幅以及面积四个特征指标以及植被指数的数值区间。基于特征值在不同植被种类间数值重叠范围越小区分精度越高的原理,比较分析植被光谱在不同处理方法下的植被区分精度,并且最终选取重叠范围最小的特征指标作为区分不同植被的识别指标。结果显示：相较于原始光谱特征点提取、二阶微分变换以及植被指数计算,一阶微分变换对于玉米、小麦和杨树的识别分类具有较高的精度,其中黄边振幅、黄边面积以及黄边微分值和具有较高的识别精度,黄边振幅的识别精度达到97.5%,黄边面积以及黄边微分值识别精度达98.1%,用另外167组数据对该结果进行验证,显示黄边振幅的识别精度达96.4%,黄边面积以及黄边微分值和的识别精度达97.6%。该结果与用平均光谱曲线区分单种植被不同生长状态选取的特征值结果不同,这种方法能有效的保留个体光谱反射曲线的差异,从结果可见通过一阶微分变换提取黄边参数的方法能有效的用于树木和粮食作物共同种植区域的植被区分, 并且黄边面积以及黄边微分值和的识别精度最高。     

高光谱和NSGA2-ELM算法的粳稻叶片氮素含量反演

为提供一种高效、快速和无损的粳稻叶片氮素含量反演方法,以粳稻小区试验为基础,利用高光谱技术和室内化学实验,获取粳稻分蘖期、拔节期和抽穗期三个生育期共280组叶片高光谱数据以及相对应的水稻叶片氮素含量数据,分析不同施氮水平的粳稻叶片光谱特征,采用随机青蛙算法(random_frog)与迭代和保留信息变量算法(IRIV)相结合的方式筛选特征波段,并将任意两个光谱波段随机组合构建差值植被指数DSI(R_i, R_j)、比值植被指数RSI(R_i, R_j)和归一化植被指数NDSI(R_i, R_j),分别将较优的特征波段组合和植被指数组合作为模型输入,构建BP神经网络、支持向量机（SVR）和非支配的精英策略遗传算法优化极限学习机（NSGA2-ELM）粳稻叶片氮素含量反演模型,并对模型进行验证分析。结果表明：随着施氮水平的增加,粳稻叶片近红外波段范围反射率逐渐升高,在可见光波段范围反射率逐渐降低。采用random_frog与IRIV相结合的方式筛选特征波段共得到8个特征波段,其中可见光波段7个,分别为414.2, 430.9, 439.6, 447.9, 682.7, 685.4和686.3 nm,近红外波段仅有1个为999.1 nm,该方法较好地剔除了干扰信息,大大降低了波段间的共线性。同时从三种植被指数（DSI(R_i, R_j),RSI(R_i, R_j),NDSI(R_i, R_j)）与粳稻叶片氮素含量的决定系数等势图中可知,DSI(R_648.1, R_738.1),RSI(R_532.8, R_677.3)和NDSI(R_654.8, R_532.9)与叶片氮素含量相关性最好,R2分别为0.811 4,0.829 7和0.816 9。在输入参量不同的建模效果对比分析中,以特征波段组合作为模型输入所构建的模型反演效果略优于植被指数组合,R2均大于0.7,RMSE均小于0.57。而在反演模型间的对比分析中,提出的NSGA2-ELM反演模型的估测效果要优于BP神经网络模型和SVR模型,训练集决定系数R2为0.817 2,均方根误差RMSE为0.355 5,验证集R2为0.849 7,RMSE为0.301 1。鉴于此,random_frog-IRIV筛选特征波段方法结合NSGA2-ELM建模方法在快速检测粳稻叶片氮素含量中具有显著优势,可为粳稻田间精准施肥提供了参考。     

近红外光谱的玉米种子穗腐病特征提取与判别模型研究

玉米种子穗腐病是危害玉米产量的主要病害之一。利用近红外光谱开展了玉米种子穗腐病判别模型研究。246粒玉米种子由吉林省农业科学院海南育种基地提供,其中96粒玉米种子为穗腐病染病样本,其他150粒玉米种子为同种玉米正常样本。利用MATRIX-Ⅰ型傅里叶近红外光谱仪采集了样本800～2 500 nm范围的近红外光谱信息,并对样本近红外光谱数据利用多元散射校正（MSC）进行预处理。结合玉米内部有机物质的近红外光谱的敏感波段和样本近红外光谱吸收峰挑选了4个优选区间,并采用相关系数法(CA)、连续投影算法（SPA）和竞争性自适应重加权算法（CARS）三种不同原理的特征波长提取算法分别提取了4（1 362,1 760,2 143和2 311 nm）、5（1 227,1 310,1 382,1 450和1 728 nm）和10（1 232,1 233,1 257,1 279,1 313,1 688,1 703,1 705,2 302和2 323 nm）个特征波长。以提取得到的特征波长作为玉米种子穗腐病判别模型输入变量,用0-1（染病-正常）表示样本染病状况作为输出真实值建立支持向量机（SVM）模型,使用网格搜索法结合十折交叉验证法对模型参数进行优化。结果表明,CA-SVM,SPA-SVM和CARS-SVM三种判别模型中训练集和测试集建模准确率均在90%以上。该研究成果为玉米种子病害诊断装置提供了模型基础,且针对优选区间进行特征波长选择的方式也可以为建立其他种子病害判别模型提供参考。     

基于高光谱技术反演大豆生理信息的特征波长提取方法研究

生理信息的准确获取及预测可为种植的精细化管理提供依据。传统的大豆生理信息反演方法检测效率低、操作过程繁琐且多为有损检测。利用高光谱技术建立大豆生理信息的快速无损反演方法。以大豆开花结荚期叶片为研究对象,在2个日期（D1和D2）获取高光谱、叶绿素含量、净光合速率和光合有效辐射数据。首先分别采用多元散射校正（MSC）、标准正态变量变换(SNV)、一阶导数(FD)、二阶导数(SD)、Savitzky-Golay平滑(SG)、MSC-SG-FD、MSC-SG-SD、SNV-SG-FD和SNV-SG-SD共9种方法对原始光谱数据进行预处理,随后结合偏最小二乘法（PLS）建立全波段模型,比较分析,选出最优预处理方法。再分别利用竞争性自适应权重取样法（CARS）、连续投影法（SPA）和相关系数法（CC）对特征波长进行筛选提取。最后将优选出的预处理方法与特征波长变量进行PLS建模并对比分析,以校正集和预测集相关系数R_c和R_p为模型评价指标,最终优选出与大豆生理信息相关性最高的反演模型。结果表明：采用MSC-SG-FD预处理后建立的叶绿素含量全波段PLS模型的Rc和Rp最高,分别为0.909和0.882（D1）,0.909和0.880（D2）,采用SNV-SG-FD预处理后建立的光能利用率全波段PLS模型的R_c和R_p最高,分别为0.913和0.894,0.902和0.869,与原始及其他预处理后建立的模型相比表现出最高的模型性能特征。进一步对比3种特征波长提取方法的建模,发现SPA法筛选出的变量能将叶绿素含量反演模型的建模变量数由512个压缩至20个（D1）和23个（D2）,变量压缩率高达96.09％和95.51％,同时能将光能利用率反演模型的建模变量数压缩至27个和37个,变量压缩率高达94.73％和92.77％。最终得出反演叶绿素含量的最优建模方法为MSC-SG-FD-SPA-PLS,R_c值为0.944（D1）和0.941（D2）,R_p值为0.911和0.903,反演光能利用率的最优建模方法为SNV-SG-FD-SPA-PLS,R_c值为0.929（D1）和0.925（D2）,R_p值为0.912和0.907,所建模型精度较高,可为大面积检测大豆生理信息提供技术支持。     

高光谱技术无损检测单粒小麦种子生活力的特征波段筛选方法研究

种子活力是种子质量的一项重要指标,高活力的种子具有较强的抗逆性、生长优势及生产潜力。而种子活力在种子生理成熟时最高,随后随着贮藏时间的延长而发生着自然不可逆的降低。因此,在播种前及时、准确地对种子活力进行检测和筛选具有重要的实践意义。针对传统种子活力检测方法存在的操作过程复杂繁琐、耗时长、重复性差且对种子有破坏性等缺点,研究尝试利用高光谱成像技术建立单粒小麦种子生活力快速、无损、精确的检测方法。以高温高湿老化后的190粒小麦种子（发芽128粒,不发芽62粒）作为研究样本,先利用可见-近红外(Vis-NIR)高光谱成像系统采集样本种子的光谱图像和进行标准发芽试验,并确保光谱采集试验和标准发芽试验的小麦种子一一对应。随后提取种子光谱图像的感兴趣区域并对其光谱数据进行平均和特征分析。分别采用一阶导数（FD）、均值中心化（MC）、正交信号校正(OSC)和多元散射校正（MSC）对原始光谱数据进行预处理,结合偏最小二乘辨别分析（PLS-DA）建立全波段PLS-DA模型,比较分析,并筛选出最适预处理方法。分别利用无信息变量消除算法（UVE）、竞争性自适应重加权算法(CARS)、连续投影算法(SPA)及耦合不同变量筛选方法对特征波段进行筛选提取,再分别基于所提取出的特征波段建立PLS-DA定性判别模型,对比分析,最终确立提取与单粒小麦种子生活力相关性最高的高光谱特征波段方法体系。结果表明：不同光谱预处理建立的模型其表现有所差异,在MC,FD,OSC和MSC中,采用MC对原始高光谱数据进行预处理,建立的全波段MC-PLS-DA判别模型,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为82.5%和83.0%,优于原始及其他预处理后建立的全波段PLS-DA判别模型,其校正集和预测集对小麦种子活种子鉴别正确率分别为94.8%和90.6%。进一步对比3种单特征波段提取方法及其耦合分析建模中,发现3种变量筛选方法耦合（UVE-CARS-SPA）的方式能够将光谱全波段的688个变量压缩至8个变量（473,492,811,829,875,880,947和969 nm）,利用所筛选出的8个变量建立的MC-UVE-CARS-SPA-PLS-DA模型获得了最优秀的鉴别效果,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为86.7%和85.1%,较全波段模型（MC-Full-PLS-DA）分别提升了4.2%和2.1%,活种子的鉴别正确率分别为93.8%和84.4%,经过此优秀模型筛选后,种子批最终发芽率可达到93.1%。实验结果表明,基于高光谱成像技术结合UVE-CARS-SPA-PLS-DA模型能够实现对单粒小麦种子生活力的定性判别。研究工作为小麦种子活力的快速、精确且无损的检测提供理论支持。     

高光谱成像的牛肉丸掺假检测

牛肉丸是一种口感独特的肉类深加工食品。不法商贩为了谋取利益,在牛肉中掺入猪肉、鸡肉等廉价肉制作肉丸冒充纯牛肉丸售卖。传统的肉品掺假检测方法费时费力,成本高昂。高光谱成像技术具有快速无损、低成本等优点,因此对牛肉丸中掺假猪肉和鸡肉进行高光谱成像检测。首先分别制作纯牛肉丸和混有掺假肉猪肉和鸡肉的牛肉丸,掺假肉占原料肉质量比例分别为5%, 10%, 15%, 20%, 25%。采集所有肉丸样本的高光谱信息并提取光谱数据。分别采用1st Der,2nd Der,MC,MSC,SG和SNVT六种预处理方法对所提取光谱进行预处理,建立全波段下偏最小二乘（PLS）掺假含量预测模型,并比较模型预测效果得出最佳预处理方法。对最佳预处理方法处理后的光谱数据进行特征波长的筛选,筛选方法有：连续投影法（SPA）、竞争性自适应重加权算法（CARS）、联合区间偏最小二乘法（siPLS）,并创新性地联用siPLS与CARS的联合区间偏最小二乘-竞争性自适应重加权算法（siPLS-CARS）。最后比较不同波长筛选方法下的模型预测效果。研究表明,牛肉丸掺猪肉和鸡肉PLS预测模型最佳预处理方法分别为MSC和1st Der。SPA,CARS和siPLS-CARS分别筛选了掺猪肉样品光谱中的13,51和32个特征波长,siPLS将全光谱分为14个子区间,联合第1, 3, 7, 13子区间进行建模,其中CARS筛选波长后的PLS预测模型效果最好,R_C和R_P分别为0.981 4和0.972 1,RMSECV和RMSEP分别为0.016 3和0.020 3。SPA,CARS和siPLS-CARS分别筛选了掺鸡肉光谱中的15,61和28个特征波长,siPLS将全光谱分为15个子区间,联合第7, 8, 11, 12子区间进行建模,最佳波长筛选方法也是CARS,此时PLS预测模型R_C和R_P分别为0.990 2和0.987 8,RMSECV和RMSEP分别为0.012 3和0.012 6。siPLS-CARS相比于siPLS不仅缩减了特征波长数量,且提高了模型预测的精度;相比于CARS筛选出的波长更少,但精度略低。掺鸡肉样品预测模型效果整体优于掺猪肉样品。研究结果表明高光谱成像技术可以实现牛肉丸中掺假的含量预测,为牛肉丸掺假快速检测提供理论基础。     

基于天宫一号高光谱数据的荒漠化地区稀疏植被参量估测

为了精准地估测荒漠化地区的稀疏植被信息,选取内蒙古苏尼特右旗为研究区,以天宫一号高光谱数据为数据源,结合野外实地调查数据,通过归一化植被指数(normalized difference vegetation index, NDVI)和土壤调节植被指数(soil adjusted vegetation index, SAVI)对研究区内的植被覆盖度和生物量进行反演,并对比两种植被指数的优劣。首先,分析了每种波段组合下的植被指数与覆盖度、生物量的相关性,确定了最大相关的波段组合。覆盖度和生物量与NDVI的最大相关系数可达0.7左右,而与SAVI的最大相关系数可达0.8左右。NDVI的最佳波段组合的红光波段中心波长为630 nm,近红外波段的中心波长为910 nm,而SAVI的组合为620和920 nm。其次,分别构建了两种植被指数与覆盖度、生物量之间的线性回归模型,所建模型的R2均能达到0.5以上。SAVI所建模型R2要比NDVI略高,其中植被覆盖度的反演模型R2高达0.59。经留一交叉验证,SAVI所建模型的均方根误差RMSE也比基于NDVI的模型小。结果表明：天宫一号高光谱数据丰富的光谱信息能有效地反映地表植被的真实情况,并且SAVI比NDVI更能较为精准地估测荒漠化地区的稀疏植被信息。     

晚播条件下基于高光谱的小麦叶面积指数估算方法

利用高光谱遥感技术,分析晚播条件下小麦叶片与冠层模式光谱特征和叶面积指数（LAI）的变化规律,建立了适用于晚播小麦的叶面积指数估算方法。研究结果表明：（1）从红光和蓝紫光420～663 nm波段提取的叶绿素光谱反射率植被指数（CSRVI）与旗叶SPAD值做相关性分析,结果表明正常播期和晚播处理在叶片模式的相关系数分别为0.963*和0.997**,达显著和极显著水平。（2）利用相关性分析,得出两个播期处理的LAI与SPAD值相关系数分别是0.847*和0.813*,均达到显著水平。SPAD值与LAI及CSRVI指数均具有相关性,可以用CSRVI指数建立LAI的估算模型。（3）对叶片模式和冠层模式光谱曲线特征分析得出,叶片模式中在680～780 nm处的反射率呈现陡升趋势,在可见光波段的446和680 nm和近红外波段的1 440和1 925 nm处各有两个明显的吸收波谷,在540～600,1 660和2 210 nm波段处有两个明显的反射波峰;三种冠层模式中60°模式下的光谱反射率整体表现为最高。（4）将各波段反射率与叶面积指数做相关性分析得出在可见光波段范围内,光谱反射率与LAI总体呈现负相关性,500～600 nm处有一个波峰。（5）将三种冠层模式下（仪器入射角度分别与地面呈30°,60°和90°夹角）的等效植被指数与LAI做相关性分析得出：60°冠层模式下八种植被指数与正常播期LAI的相关性均未达显著水平,比值植被指数（RVI）、归一化植被指数（NDVI）、增强型植被指数（EVI）、再次归一化植被指数（RDVI）、土壤调整植被指数（SAVI）、修改型土壤调整植被指数（MSAVI）的等六种植被指数与晚播条件下的LAI具有显著和极显著相关关系;90°冠层模式下CSRVI指数与正常播期处理的LAI具有显著相关关系,NDVI指数与晚播处理的LAI具有显著相关关系;30°冠层模式下的八种植被指数与两播期处理的LAI的相关性均未达显著水平。综合分析CSRVI指数、NDVI指数的相关性最高,这两种指数最具有估算LAI的潜力。（6）通过三种冠层模式所计算的植被指数估算LAI模型,结果表明,正常播期条件下,其最佳估算模型是90°冠层模式CSRVI指数所建立的线性模型Y=-7.873 6+6.223 8X;晚播条件下的最佳模型是60°冠层模式RDVI指数所建立的幂函数模型Y=30 221 333.33X17.679 1,两个模型的决定系数R2分别为0.950*和0.974**。研究表明试验中所提取的CSRVI指数能够反映旗叶叶绿素含量,可以通过光谱仪器的叶片模式对小麦生育期内叶绿素含量进行监测;通过冠层模式计算的CSRVI指数和RDVI指数所建立的LAI估算模型可以对小麦的LAI进行无损害观察。     

宁夏盐池荒漠植物光谱特征分析及光谱识别

宁夏盐池县荒漠草地属于中温带干旱气候,由于过度利用出现不同程度的退化,退化指示种比重增大,造成不同荒漠草地群落组成差异也很大,如何区别不同荒漠草地植物,并据此对退化指示种进行动态监测是了解荒漠草地退化程度的关键。目前随机森林（RF）、支持向量机（SVM）与K-邻近（KNN）分类模型被广泛应用于森林植物和农作物的遥感分类,并取得了较好的分类识别效果,但针对草地尤其是荒漠草地植物的分类识别研究较少。因此使用ASD地物光谱仪于7月在宁夏盐池二步坑、冯记沟、高沙窝、麻黄山不同荒漠草地采集了32种植物作样本获得442条光谱进行光谱特征分析。筛选出7个植被指数：归一化植被指数705（NDVI₇₀₅）、绿通道植被指数（GNDVI）、光化学植被指数（PRI）、土壤调节植被指数（OSAVI）、可视化气压阻抗指数（VARI）、植被衰减指数（PSRI）和归一化水指数（NDWI）作为随机森林模型（RF）、支持向量机（SVM）模型、K-邻近（KNN）模型的原始变量,对32种荒漠草地植物进行分类识别,并通过分类模型精度的比较筛选较优模型。结果表明：(1）不同植物光谱反射率均符合绿色植物特征,但各植物原始光谱不同波段之间存在明显差异,植物原始光谱水分吸收波段差异明显,且有红边蓝移现象;(2）RF,SVM和KNN三个分类模型对32种植物的分类精度分别达到了0.98,0.94和0.98,识别效果较好,但3种分类模型均对白莲蒿与北芸香、虫实与甘草发生了误判;(3）随机森林模型重要性指标中NDWI与PRI为区分荒漠草地植物的关键指标,说明荒漠植物冠层水分与类胡萝卜素含量是影响荒漠草地植物光谱分类的重要因素。试验利用随机森林模型（RF）、支持向量机（SVM）与K-邻近（KNN）分类方法,建立了主要植物的分类模型。     

基于高光谱技术的蛋白粉掺假检测研究

蛋白粉是健身者必备的营养补剂,市场需求在不断增加,一些不法商家为了谋取利益,在蛋白粉中加入廉价的粉末售卖。传统的蛋白粉掺杂的检测方法费时、费力,操作复杂,且成本昂贵。高光谱技术具有易于操作、在不损害实验样本的情况下可快速检测等优点,因此,提出使用高光谱技术以实现蛋白粉掺假检测。在蛋白粉中分别加入质量百分数5%～60%,浓度间隔5%的三类掺假物（玉米粉、大米粉和小麦粉）,并采集所有样本的光谱信息。在对蛋白粉中的玉米粉、大米粉和小麦粉三类掺假物进行定性判别时,首先分别采用卷积平滑（SG）、标准化（Normalize）、多元散射校正法（MSC）、基线校正（Baseline）和标准正态变换（SNV）的预处理方法对光谱数据进行处理,然后建立基于主成分回归（PCR）、反向传播神经网络（BPNN）和随机森林（RF）的模型,其中基于全波段光谱MSC预处理方法下建立的RF模型最优,其整体准确率达到了100%,其对应的R_P和RMSEP分别为0.997 9和0.018 9。在对蛋白粉中不同掺假物浓度进行定量分析时,对三类掺假样本的光谱分别进行SG,Normalize,MSC,Baseline和SNV的预处理,并建立LSSVM模型;比较不同预处理方法下的各模型之间的性能,在蛋白粉中掺玉米粉、大米粉和小麦粉的LSSVM预测模型最佳预处理方法分别是无、Baseline和Normalize,然后,采用连续投影算法（SPA）和竞争性自适应重加权算法（CARS）对其筛选,并建立LSSVM模型,三类掺假样本的SPA-LSSVM模型对应的R_P为0.989 0,0.986 0和0.997 9,CARS-LSSVM模型对应的R_P为0.991 0,0.994 6和0.999 1,故三类掺假样本的CARS-LSSVM模型预测效果更佳。研究表明：高光谱技术可以实现对蛋白粉掺假的定性、定量的检测,并且操作简单、检测快速和无损。