相干反斯托克斯拉曼及相干反斯托克斯超拉曼光谱微观极化率张量元的简化方案-C∞v对称性

相干反斯托克斯拉曼光谱(CARS)和四阶相干反斯托克斯超拉曼光谱(CAHRS)广泛应用于分子界面和生物膜表面的研究。然而,高阶非线性光学过程中分子微观极化率张量元数量众多,关系复杂,使研究者对CARS和CAHRS很难进行定量分析。采取以下方案对属于C_∞v对称性的分子基团的CARS和CAHRS的微观极化率张量元进行简化。首先将CARS微观极化率张量元β_{i′j′k′l′}表示成拉曼微观极化率张量元微分α′_i′j′的乘积,CAHRS微观极化率张量元β_{i′j′k′l′m′}表示成超拉曼微观极化率张量元微分β′_i′j′k′和拉曼微观极化率张量元微分α′_i′j′的乘积,再利用α′_i′j′之间的比值及β′_i′j′k′之间的比值得到β_{i′j′k′l′}和β_{i′j′k′l′m′}之间的比值。使用这些CARS和CAHRS微观极化率张量元之间的关系,能够得到CARS和CAHRS光谱的广义取向泛函及其广义取向参数,进而对界面分子取向信息进行定量分析。     

基于无人机高光谱特征参数和株高估算马铃薯地上生物量

地上生物量（above-ground biomass, AGB）是评价作物长势及其产量估测的重要指标,对指导农业管理具有重要的作用。因此,快速准确地获取生物量信息,对于监测马铃薯生长状况,提高产量具有重要的意义。于马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期获取成像高光谱影像、实测株高（heigh, H）、地上生物量和地面控制点（ground control point, GCP）的三维空间坐标。首先基于无人机高光谱灰度影像结合GCP生成试验田的DSM（digital surface model, DSM）,利用DSM提取马铃薯的株高（H_dsm）;然后利用无人机高光谱影像计算一阶微分光谱、植被指数和绿边参数,进而分析高光谱特征参数（hyperspectral characteristic parameters, HCPs）和绿边参数(green edge parameters, GEPs)与马铃薯AGB的相关性,每个生育期筛选出相关性较高的前7个高光谱特征参数和最优绿边参数(optimal green edge parameters, OGEPs);最后基于HCPs,HCPs加入OGEPs,HCPs加入OGEPs和H_dsm的组合利用偏最小二乘回归（partial least square regression, PLSR）和随机森林（random forest, RF）估算不同生育期的AGB。结果表明：（1）提取的H_dsm与实测株高H高度拟合（R2=0.84,RMSE=6.85 cm,NRMSE=15.67%）;（2）每个生育期得到的最优绿边参数不完全相同,现蕾期、块茎增长期和淀粉积累期OGEPs为R_sum,块茎形成期和成熟期OGEPs分别为Dr_min和SDr;（3）与仅使用HCPs估算AGB相比,使用HCPs加入OGEPs,HCPs加入OGEPs和H_dsm在马铃薯不同生育期可以提高AGB估算精度,且以后者为自变量提高精度的幅度更大;（4）每个生育期利用PLSR和RF估算AGB的建模和验证R2从现蕾期到块茎增长期呈上升趋势,随后开始降低,整体上R2呈先上升后下降的趋势,通过PLSR方法构建的估算AGB模型效果优于RF方法,其中块茎增长期表现效果最好。因此,高光谱特征参数中结合最优绿边参数和株高,并使用PLSR方法可以改善马铃薯AGB的估算效果。     

土壤水分去除算法的田间原位光谱反演棉田有机质

田间原位可见-近红外光谱(VIS-NIR)能够有效的提高土壤属性的检测效率,但由于原位土壤中水分因素的影响,土壤属性的预测精度很难达到预期。如何有效去除土壤中的水分对土壤其他属性光谱预测的影响,是利用田间原位光谱高精度预测土壤属性所面临的难题,也是土壤光谱技术由室内转向田间的突破口。该问题的有效解决,可减除土壤样品的采集与室内预处理等过程,实现土壤属性的田间原位光谱测定。以新疆南部地区阿拉尔垦区十二团棉田为研究区,采用网格采样法共采集了116个0～20 cm深度的表层土壤样品,剔除1个异常值样品,得到115个有用样品,利用SR-3500型便携式地物光谱仪采集了231个样点的田间原位光谱数据,土样经风干、研磨和过筛等处理后测定其室内光谱和有机质含量。利用Kennard-Stone算法将115个土样分为69个转换子集及46个预测集,采用外部参数正交化法(EPO)、光谱直接转换法(DS)及光谱间接转换法(PDS)三种去除水分算法结合原位光谱反射率(R)、反射率一阶微分(R′)、反射率对数(LOG(R))以及反射率倒数(1/R)四种数学变换方式,运用随机森林(RF)模型进行不同组合模型的构建及精度评价。结果表明：(1)土壤有机质含量越高,土壤光谱反射率越低。土壤田间原位光谱反射率低于土壤室内光谱反射率;(2)室内光谱反射率与土壤有机质含量之间的相关性大于田间原位光谱,室内光谱经一阶微分变换后与土壤有机质含量之间的相关性显著提升。(3)土壤室内光谱反射率模型预测精度(R2=0.86, RPD=2.08, RMSE=1.55 g·kg-1, MAPE= 0.14)高于田间原位光谱反射率模型(R2=0.71, RPD=1.49, RMSE=2.17 g·kg-1, MAPE=0.20)。在去除水分算法模型中,以EPO一阶微分模型去除水分效果最好,决定系数R2由0.71提高到0.83,RPD由1.49提高到2.04,RMSE由2.17 g·kg-1降低至1.58 g·kg-1,MAPE由0.20降低至0.14。本研究实现了去除土壤水分因素的影响,提高了田间原位光谱预测土壤有机质的精度,为南疆棉田大尺度土壤有机质的预测及土壤肥力的评价提供了重要的参考。     

基于键极化加和模型及其实验修正方法的超拉曼微观极化率张量元微分的简化方案-C2v对称性

相干反斯托克斯拉曼光谱(CARS) 和相干反斯托克斯超拉曼光谱(CAHRS)等高阶非线性光谱技术已经应用在动力学过程、基因表达谱筛选、高分辨率光谱分析等诸多领域。但因其涉及到的高阶微观极化率张量元数量众多,对其光谱信号进行定量分析非常困难。文献通过理论分析将CARS和CAHRS的微观极化率张量元分解为拉曼微观极化率张量元微分α′_i′j′和超拉曼微观极化率张量元微分β′_i′j′k′的乘积,将高阶光谱定量分析的困难简化为对低阶光谱的分析。该研究处理了具有C_2v对称性分子基团,提出一种利用键极化加和模型及其实验修正的方法简化超拉曼微观极化率张量元微分β′_i′j′k′比值的方案。首先利用键极化加和模型方法,在对C_2v分子基团局域模式假设的基础上,进行单键的局域模式假设,通过对单键伸缩振动进行简正振动模式的分析,并与单键的偶极矩表达式进行比较,得到单键的超拉曼微观极化率张量元微分β′_i′j′k′。在单键β′_i′j′k′结果的基础上利用键极化加和模型,对C_2v分子基团进行对称性分析,将基团中两个单键伸缩振动的β′_i′j′k′耦合,得到C_2v分子基团对称振动和反对称振动两种简正振动模式的超拉曼微观极化率张量元微分β′_i′j′k′的表达式。在此基础上对C_2v分子基团对称振动和反对称振动的β′_i′j′k′表达式进行理论推导,结合对应振动模式下不同偏振组合的超拉曼退偏率ρ_HR-SS和ρ_HR-AS及HV偏振组合时实验测量的超拉曼光谱强度比,得到超拉曼实验修正的C_2v分子基团β′_i′j′k′之间的比值。再结合文献中拉曼实验修正的拉曼微观极化率张量元微分α′_i′j′之间的比值,即可得到C_2v分子基团CARS和CAHRS的微观极化率张量元之间的比例关系,为定量分析高阶非线性光谱信息提供理论基础。     

基于高光谱成像的牧草粗蛋白含量检测研究

粗蛋白（CP）是评价牧草营养价值和品质参数的关键指标。快速、准确地对牧草中粗蛋白含量进行评估在畜牧业生产研究中具有重要意义。为确定牧草粗蛋白含量的高光谱特征波段及最优检测模型,研究分别于2017年5月至9月间在黑龙江省杜尔伯特自治区的人工牧草场（羊草）内每月随机选取35个样本,5个月共采集175个样本。采样时在样本点处放置1 m×1 m的样方,将样方内所有牧草全部齐地面收割采集后称重并冷藏保存。将样本带回实验室后,立即进行牧草叶片高光谱图像采集,同时采用凯氏定氮法对采集的牧草样本进行粗蛋白化学值测定,以此建立牧草粗蛋白含量高光谱数据集。研究首先通过Savitzky-Golay卷积平滑（SG）、多元散射校正（MSC）、变量标准化（SNV）、一阶导数（1-Der）和直接正交信号校正（DOSC）方法5种预处理方法对高光谱数据进行处理后分别建立偏最小二乘回归（PLSR）检测模型,从中确定最优预处理方法。利用最优预处理结果,分别采用连续投影算法（SPA）和随机蛙跳算法（RF）进行牧草粗蛋白含量的特征波段选择,并利用选择结果分别进一步建立PLSR模型,以此确定适合粗蛋白含量的特征波段选择方法,确定最优高光谱检测模型。结果表明,在五种高光谱预处理方法中,基于SNV方法预处理后所建立的高光谱PLSR模型表现最优（R2-P=0.929,RMSE-P=6.344 mg·g-1,RPD=4.204）。利用连续投影算法筛选的粗蛋白含量特征波长为30个,分布于530～700和940～1 000 nm范围内。经随机蛙跳算法确定的粗蛋白含量特征波段为6个,分别为826.544,827.285,828.766,971.012,972.494和973.235 nm。因此,该研究中牧草粗蛋白含量最优高光谱检测模型为SNV-RF-PLSR（R2-P=0.933,RMSE-P=6.034 mg·g-1,RPD=4.322）,模型精度较高。该研究结果为牧草粗蛋白含量的高光谱检测提供了最优模型和理论基础,同时为指导草业生产开拓了新的技术思路。     

光谱重构油菜叶绿素含量快速检测方法及设备研制

为了实现油菜叶片中叶绿素含量的快速无损检测,开发了手持式多光谱成像系统用于采集油菜叶片在460,520,660,740,840和940 nm 六个波段的光谱图像。将一台能够采集可见光/近红外（380～1 023 nm）512个波段光谱图像但是价格高昂且体积大的室内高光谱成像系统作为参考仪器,将手持式多光谱成像系统作为目标仪器后,采用伪逆法（pseudo-inverse method）求得高光谱成像系统和多光谱成像系统两台仪器之间的转换矩阵F,从而实现6个波段的多光谱图像向512个波段的高光谱图像的重构,提高了手持式设备的光谱分辨率。运用偏最小二乘回归算法（PLSR）建立了重构的光谱与油菜叶片的叶绿素含量之间的关系模型。结果表明,重构的可见光范围内的光谱反射率与叶绿素浓度之间具有很强的相关性,PLSR回归模型建模集的决定系数R2_c为0.82,建模集均方根误差RMESC为1.98,预测集的决定系数R2_p为0.78,预测集均方根误差RMESP为1.50,RPD为2.14。虽然应用本文开发的手持式成像系统结合PLSR模型实现油菜叶绿素含量快速无损预测的精度低于基于室内高光谱成像系统获得的高光谱图像建立的PLSR模型（R2_c,RMESC,R2_p,RMESP和RPD分别为0.90,1.41,0.82,1.36和2.37）,但是明显优于基于原始多光谱成像系统4个波段（460,520,660和740 nm）反射率建立的PLSR模型得到的结果（R2_c,RMESC,R2_p,RMESP和RPD分别为0.78,2.06,0.72,1.85和1.88）。表明光谱重构技术可提高多光谱成像预测油菜叶绿素含量的精度,并且与室内高光谱成像系统相比,开发的手持式设备具有体积小、成本低廉和操作简便等优点,可为田间油菜叶片的生理状态和养分检测及可视化表达提供技术支持。     

加权SPXYE(WSPXYE)算法及其在近红外光谱模型转移中的应用

样本选择是模型转移的重要组成部分,其目的是在主光谱和从光谱中选择合适的样本,建立二者的转移模型,使得从光谱的预测样本能通过转移模型校正成类似于主光谱的样本,进而用主光谱的模型直接预测其浓度。目前,常用的样本选择算法有：Kennard-Stone 法 (KS法), SPXY法和SPXYE法。根据上述算法的特点,提出了一种新的样本选择方法：加权SPXYE法(WSPXYE法),进而将其用于选择合适的转移集样本。WSPXYE同样先计算样本间的距离,其距离有三个部分组成：光谱(X)之间的归一化距离d_xs,浓度(y)之间的归一化距离d_ys,以及校正误差(e)之间的归一化距离d_es。其加权代数和d_wspxye=αd_xs+βd_ys+(1-α-β)d_es即为WSPXYE距离。计算了WSPXYE距离之后,可以根据其距离选择距离较大的样本作为转移集样本。WSPXYE是Kennard-Stone法(KS法), SPXY法和SPXYE法的推广,而KS法（α=1,β=0）、SPXY法（α=0.5,β=0.5）以及SPXYE法（α=0.333,β=0.333）则是WSPXYE法的特例。直接校正法（DS）、有信息成分提取-典型相关分析法(CCA-ICE)作为模型转移算法验证了WSPXYE方法的效果。结果显示,与KS法、SPXY法以及SPXYE法相比,WSPXYE法可以通过调节参数,选择合适的样本,获得较低的误差。     

基于分数阶微分算法的大豆冠层氮素含量估测研究

氮素与作物的生长发育、产量和品质密切相关。作物冠层氮素含量的快速、准确、无损检测对于作物营养诊断和长势评估具有重要意义。传统的氮素检测方法检测周期长、操作复杂,同时具有破坏性,无法实现作物氮素含量在时间和空间上的连续动态监测。基于光谱遥感技术快速、无损地获取作物氮素含量是近年来作物组分快速检测研究的热点。当前的研究大多基于原始光谱或整数阶微分(一阶、二阶)预处理后的光谱进行氮素含量预测,原始光谱或整数阶微分预处理后的光谱会忽略光谱曲线间的渐变信息,影响氮素含量的预测准确度。与原始光谱和整数阶微分方法相比,分数阶微分算法在背景噪声去除、有效信息提取等方面较有优势。为研究分数阶微分预处理算法在作物氮素检测中的应用,本文以不同施肥处理下的盆栽大豆作物为研究对象,获取大豆苗期、花期、结荚期和鼓粒期四个生育期共256组冠层高光谱及对应的大豆冠层氮素含量(CNC)数据,运用分数阶微分算法对光谱数据进行0～2阶微分预处理,微分间隔为0.1,分别采用归一化光谱植被指数NDSI、比值光谱指数RSI对预处理后的光谱数据和大豆冠层氮素含量数据进行相关性分析,得到各阶微分预处理下NDSIα(α代表分数阶微分阶数)与大豆CNC,RSIα与大豆CNC相关系数绝对值的最大值及其对应的波段组合--最优波段组合NDSIα(opt)和RSIα(opt),采用线性回归方法,建立各阶微分下NDSIα(opt)与CNC,RSIα(opt)与CNC的预测模型,并与常用植被指数(VOGII, MTCI, DCNI, NDRE)建立的氮素含量预测模型进行比较,研究分数阶微分算法对大豆作物冠层氮素含量预测模型的效果。结果表明：(1)在0～2阶微分范围内,最优波段组合NDSIα(opt),RSIα(opt)与大豆CNC的相关系数随阶数增加呈现先升高后下降趋势。其中,0.8阶微分下NDSI_0.8(R₇₂₅, R₇₆₉)与大豆CNC的相关系数最大,为0.875 9;0.7阶微分下RSI_0.7(R₅₄₈, R₇₆₇)与大豆CNC的相关系数最大,为0.865 1;(2)分数阶微分预处理能够细化光谱数据中的有效信息,增强光谱数据对冠层氮素含量的敏感性,尤其是增强红边平台波段与氮素含量的正相关性及绿波段与氮含量的负相关性;(3)与整数阶微分、常用植被指数相比,分数阶微分能够提高大豆CNC预测模型的准确性。其中,基于0.7阶微分RSI_0.7(R₅₄₈, R₇₆₇)建立的大豆CNC预测模型与0阶微分RSI₀(R₇₂₅, R₇₆₉)相比建模集决定系数(R2_C)和预测集决定系数(R2_P)分别提高了0.061 9和0.016 6,建模集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别降低了0.552 5和0.180 9,预测相对偏差(RPD)提高了0.110 4。基于0.7阶微分RSI_0.7(R₅₄₈, R₇₆₇)建立的大豆CNC预测模型与VOG II相比R2_C和R2_P分别提高了0.086 6和0.025 5,RMSEC和RMSEP分别降低了0.757 5和0.248 3,RPD提高了0.146 88;(4)基于0.7阶微分比值光谱指数RSI(R₅₄₈, R₇₆₇)建立的大豆LNC预测模型较优,其R2_C为0.748 4,R2_P为0.800 3,RMSEC为4.752 9,RMSEP为3.511 1,RPD为2.253 7,能够较好的估测大豆冠层氮素含量。研究表明分数阶微分算法在大豆冠层氮素含量的定量预测中具有一定的优势,为光谱遥感技术在作物氮营养检测中的应用开拓了新的思路。     

无人机多光谱影像的马铃薯地上生物量估算

地上生物量（AGB）是评估作物生长发育和指导田间农业生产管理的重要指标。因此,高效精准地获取作物AGB信息,可以及时准确地估算产量,对于保障粮食供应和贸易提供有力依据。传统获取AGB的方法是采用破坏性取样法,这使得大面积、长期的测量变为困难。然而,随着精准农业的快速发展,无人机遥感技术被认为是估算大面积作物AGB最有效的技术方式。通过无人机平台搭载多光谱传感器获取马铃薯块茎形成期、块茎增长期和淀粉积累期的多光谱影像,地面实测株高和AGB以及地面控制点（GCP）的空间位置信息。首先,基于SFM（structure from motion,SFM）技术利用无人机影像数据结合GCP的三维坐标生成试验田的DSM（digital surface model,DSM）,通过DSM提取出马铃薯各生育期的株高（Hdsm）;然后,选取原始4个单波段植被指数、9个多波段组合的植被指数、红边波段的高频信息（HFI）和提取的Hdsm分别与AGB作相关性分析;最后基于单波段植被指数（x₁）、多波段组合的植被指数（x₂）、植被指数结合Hdsm（x₃）、植被指数结合HFI（x₄）以及植被指数融合HFI和Hdsm（x₅）为模型输入参数,采用偏最小二乘回归（PLSR）和岭回归（RR）估算各生育期的AGB。结果表明：（1）提取的Hdsm和实测株高拟合的R2为0.87,NRMSE为14.34%;（2）各模型参数都与AGB达到极显著水平,相关性均从块茎形成期到淀粉积累期先升高后降低;（3）各生育期以5种变量使用同种方法估算马铃薯AGB的效果,均从块茎形成期到淀粉积累期先好后变差,其估算精度由高到低依次为x₅>x₄>x₃>x₂>x₁;（4）各生育期使用PLSR以不同变量估算AGB的效果要优于RR方法,其中在块茎增长期基于x₅变量估算马铃薯AGB效果最佳,R2为0.73,NRMSE为15.22%。因此,选取多光谱植被指数结合红边波段的高频信息和Hdsm并使用PLSR方法可以明显提高AGB的估算精度,这为大面积马铃薯作物AGB的监测提供了新的技术支撑。     

高光谱的草本植物水分含量检测模型构建

基于高光谱开展植物水分盈缺检测是当前植物生理学研究的热点。羊茅草是我国北方草坪使用量最大的草本植物之一,其生长对水分需求量大,水分亏缺会使其叶片颜色、纹理、形态等物理特征和组织生理特性发生系列变化。开展基于高光谱的草本植物水分含量检测模型构建,可实现对羊茅草等草本植物水分盈缺状况的快速无损监测,利于全面、可靠的诊断草本植物水分状况并及时采取应对措施,为预测未来气候变化下北方常见草本植物生理响应及变化过程提供重要依据。以北方使用量最大的草本植物--羊茅草为例,采用盆栽控制实验法开展基于高光谱的植物水分含量观测模拟实验研究。实验在恒温恒湿培养箱中进行。经查阅有关文献,该实验共设置空气CO₂浓度(CX)(包括400和700 μmol·mol-1两个梯度)和土壤持水量(WX)(包括：100%田间持水量,40%田间持水量,20%田间持水量三个梯度)两个变量,共六种不同情景;在不同情景条件下,借助ASD Field Spec HandHeld光谱仪于每天10:00-14:00测定羊茅草叶片光谱反射参数,主要包括：光谱反射率(R_i)、一阶导数光谱(Dλ_i)、红边幅值(Dλr)、红边位置(λr)、红谷吸收深度(D)、红边面积(Sr)、光化学反射指数(PRI)、叶绿素指数(Rch)、归一化植被指数(NDVI)、比值植被指数(RVI)、归一化光谱指数(NDSI)、比值光谱指数(RSI)、分形维数(Fd)等。通过采集不同情景下植物光谱反射参数,采用多元线性逐步回归分析、方差分析、数学统计模型构建等多种方法,探讨不同生境条件下羊茅草叶片水分含量与光谱反射率(R_i)、红边幅值(Dλr)、红边面积(Sr)等光谱参数之间的量化关系,筛选出可以用于检测羊茅草水分含量状况的最优光谱特征参数,并构建了基于高光谱的羊茅草水分含量检测模型公式。研究结果表明：归一化植被指数(NDVI)、叶绿素指数(Rch)、分形维数(Fd)与羊茅草叶片含水量之间相关性在99%置信水平上达到极显著水平(p<0.01),且对于不同土壤水分胁迫条件下的羊茅草长势分辨效果较好,是监测羊茅草水分含量的有效参数和最优参数。同时发现,羊茅草叶片水分含量(Y)与诸多光谱特征参数(X)之间具有良好的多元线性关系,拟合得到羊茅草水分含量检测模型公式为：Y=-0.125X_Rch+1.714X_NDVI-0.023X_Fd+0.018,相关系数平方(R2)达到0.89,通过F检验,模型检验达到极显著水平(F=15.588>7.21,p<0.01),说明建立的回归模型具备统计学意义,可以用于羊茅草水分含量检测。为快速便捷且准确无损的监测羊茅草受旱程度,指导大面积草坪灌溉和管理等提供;重要的技术支撑,对于丰富植被水分光谱探测研究具有重要理论与实践意义。     

基于机器学习的水体化学需氧量高光谱反演模型对比研究

化学需氧量（COD）是水体有机污染的一项重要指标,如何快速准确检测水体的COD含量尤为重要。机器学习在水质反演领域应用日益增多,并取得了较多的研究成果,高光谱遥感具有光谱空间分辨率高、成像通道多等优势,使其在水体COD反演方面有着极大的潜力。利用不同的高光谱预处理方法对原始高光谱数据进行处理,并利用处理前后的高光谱数据对比研究了不同机器学习模型、不同高光谱预处理方法对水体COD的反演性能。首先利用ZK-UVIR-I型原位光谱水质在线监测仪在扬州宝带河实地收集了1 548组COD和对应的高光谱数据（400~1 000 nm）样本,为降低光谱噪音干扰以及消除光谱散射影响,分别使用Savitzky-Golay（SG）平滑、多元散射校正数据（MSC）以及SG平滑结合MSC对原始光谱进行预处理。其次,将样本集随机划分为训练集和测试集,其中训练集占比80%,测试集占比20%。对预处理后的训练集全波段光谱基于线性回归、随机森林（random forest）、AdaBoost、XGBoost四种机器学习方法建立COD高光谱反演模型,并选取了决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）三种指标在测试集数据中评估高光谱反演模型的精度。结果表明,随机森林、AdaBoost、XGBoost均优于线性回归,无论光谱处理与否,通过XGBoost建立的反演模型预测能力均为最佳,其中使用XGBoost对经过SG平滑和MSC处理后的光谱数据进行建模的反演模型精度最高,其R2达到0.92,RMSE为7.1 mg·L-1,RPD为3.4。考虑到原始光谱可能存在冗余,通过主成分分析法（PCA）对经过SG平滑和MSC处理后的光谱进行降维,并选取累计贡献率达到95%的前十个主成分作为模型的输入变量。通过XGBoost建立反演模型,结果表明经过PCA后的反演模型不仅精度有所上升,RPD达到3.8,而且模型的训练时间也由72 s缩短到2.9 s。以上研究可为该水域及类似水域的高光谱水质反演模型的建立提供新的方法及思路。     

高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定量测定

由于高光谱数据量大、维数高,光谱噪声明显、散射严重等特征导致光谱建模时关键变量提取较为困难,同时,高光谱图像的获取会受非单色光、杂散光、温度等多种因素的影响,从而使高光谱数据与待测性质之间有一定非线性关系。为此,提出采用正自适应加权算法(CARS)对可见-近红外高光谱高维数据进行关键变量筛选,并与全光谱和经典变量提取方法SPA,MC-UVE,GA和GA-SPA方法进行比较。以200个库尔勒香梨为研究对象,采用SPXY方法将样本划分为校正集和预测集,校正集和预测集分别包含150个和50个样本。基于不同方法筛选的变量,分别建立线性PLS模型及非线性LS-SVM模型,r2,RMSEP和RPD用于模型性能的评估。综合比较发现,GA,GA-SPA和CARS变量筛选方法能够有效地筛选出原始高光谱数据中具有强信息且对外界影响因素不敏感的变量,适用于高光谱数据关键变量的提取,其中CARS变量筛选效果最佳,基于CARS获取的关键变量构建的非线性LS-SVM库尔勒香梨SSC含量预测模型获得了最优的预测结果,r2_pre,RMSEP和RPD分别为0.851 2,0.291 3和2.592 4。研究表明,CARS方法是一种有效的高光谱关键变量筛选方法,利用高光谱数据,非线性LS-SVM模型比线性PLS模型更适合于香梨品质的定量预测。     

基于PCA的土壤Cd含量高光谱反演模型对比研究

土壤重金属污染对人类健康造成了极大的威胁,如何快速摸清土壤污染情况尤为重要。高光谱遥感具备光谱分辨率高,快速无损等优势,使其在土壤组分反演方面具有巨大的潜力。针对高光谱信息冗余及光谱变换对土壤镉（Cd）含量估算的影响进行分析,并利用变换前后的高光谱数据对比研究了不同高光谱模型对土壤Cd含量反演的性能。首先利用等离子体质谱法和FieldSpec4地物光谱仪收集了56组土壤样品的Cd含量和对应的高光谱曲线（350～2 500 nm）;为了弱化光谱测定中光亮变化和土壤表面凹凸对实验结果的影响,研究对高光谱数据进行倒数对数预处理;考虑到高光谱数据中存在大量的信息冗余,研究采用了主成分分析（PCA）对高光谱数据进行降维处理并最终保留了前12个主成分量作为特征变量。针对高光谱反演模型,研究选择了偏最小二乘（PLSR）、支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）四种回归模型建立PCA主成分与Cd含量之间的关系;最后,研究选取了决定系数（R2）、均方根误差（RMSE）和RPD三种精度评估指标评估回归模型的拟合精度,结果表明针对光谱采用PCA波段降维的方法处理后,选取的12个主成分对变化前后的光谱累计贡献率均达到99.99%,作为模型的输入变量,四种模型均具有一定的预测能力。无论光谱变换与否,PCA-RF反演模型的预测能力均为最好（R2分别为0.856和0.855,RPD均高达3.39）。利用PCA对高光谱数据降维处理可以有效降低高光谱数据冗余,有力的保证模型的预测能力。以PCA筛选出的主成分量可以作为模型极好的输入变量,以RF为基础的高光谱反演模型在反演土壤Cd含量时具有最佳效果,可为该区域及类似地区的土壤重金属污染物反演提供新的方法支撑。     

近红外高光谱图像结合CARS算法对鸭梨SSC含量定量测定

高光谱数据量大、 维数高且原始光谱噪声明显、 散射严重等特征导致光谱建模时关键波长变量提取困难。 基于此,提出采用竞争性自适应重加权算法(CARS)对近红外高光谱数据进行关键变量选择。 鸭梨作为研究对象。 采用决定系数r2、 预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。 基于选择的关键变量建立PLS模型(CARS-PLS)与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果,r2_pre,RMSEP和RPD分别为0.908 2,0.312 0和3.300 5。 进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法(GA)获得的特征变量建立的PLS模型比较发现,CARS不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,该方法能够有效地用于高光谱数据变量的选择。 结果表明,近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。 从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。     

草地退化的高光谱遥感监测方法

我国草地分布面积广,退化情况严重,实时、准确地监测草地的生态状况,对于区域气候、碳循环研究以及经济发展具有重要意义。利用地面实测光谱数据进行了高光谱草地退化监测研究。选择内蒙古呼伦贝尔市的温性草甸草原为研究对象,测量了草甸草原的羊草、克氏针茅、冷蒿等多种植物的叶片、冠层以及多种植物混合的群落反射率光谱数据。通过有效的光谱特征参量化方法,提取叶片和冠层光谱的光谱特征,准确区分了草甸草原的几种建群和退化指示草本植物,验证结果表明光谱识别的精度高于95%。以此为基础,利用线性光谱混合模型对群落植被的混合光谱数据进行混合光谱分解,得到各组分的覆盖度,误差在5%以内。该文的研究结果为高光谱遥感草地监测提供了有力依据。     

去除土壤水分对高光谱估算土壤有机质含量的影响

土壤高光谱技术具有方便快捷、无破坏、成本低等优点,已被广泛应用于估算土壤有机质含量(SOMC)。然而,野外测量的土壤高光谱数据因受外部环境因素(土壤湿度、温度、表面粗糙度等)干扰,导致SOMC估算模型适用性有待提升。土壤含水率(SMC)是影响野外测量高光谱的最主要的障碍因素之一,它的变化严重影响可见-近红外(Vis-NIR)光谱反射率的观测结果。因此,消除SMC对高光谱数据的干扰是提高土壤高光谱估算SOMC模型预测精度的关键环节。以江汉平原潜江市潮土样本为研究对象,在室内人工加湿土样,分别获取6个SMC水平的土壤高光谱数据,采用标准正态变换(SNV)对光谱数据进行预处理,基于外部参数正交化法(EPO)去除土壤水分对高光谱的影响,利用偏最小二乘方法(PLSR)建立并对比EPO处理前、后不同SMC水平SOMC反演模型。结果表明,土壤水分对Vis-NIR光谱反射率有显著的影响,掩盖了SOMC的光谱吸收特征;EPO处理前不同SMC水平的光谱曲线之间的差异较为明显,而EPO处理后的各SMC水平的光谱曲线形态基本相似;采用EPO处理后的土壤高光谱数据建立SOMC估算模型,预测集的R2_p,RPD分别为0.84和2.50,其精度与EPO处理前所建模型相比有较大提升,表明EPO算法可以有效去除土壤水分的影响,从而提升SOMC的估算精度。对定向去除外部环境参数对土壤高光谱影响进行了实证,为完善野外原位获取SOMC信息技术提供理论基础。     

谐波分析法高光谱影像融合及其光谱信息保真度评价

提高高分辨率影像之间的空间信息融入度和光谱信息保真度是当今高光谱影像融合研究的热点问题。本文结合EO-1卫星的Hyperion高光谱影像与ALI高空间分辨率波段,针对最大限度地克制光谱信息失真与光谱形态变化等问题,提出了高光谱影像的谐波分析融合(HAF)算法和融合影像光谱信息保真度评价的导数光谱差值信息熵(DSD-IE)模型。通过计算和评价采样像元样本的导数光谱差值曲线信息熵、平均梯度和标准差等参量,同时比较主成分分析(PCA)、Gram-Schmidt(GS)和小波分析等方法的高光谱融合影像,证实了基于HAF的高光谱影像融合结果具有较高的空间信息融入度和光谱信息保真度,在空间信息和光谱信息的可靠性、准确性和实用性等方面都明显优于其他传统的高光谱影像融合方法。     

基于GA和CARS的真空包装冷却羊肉细菌菌落总数高光谱检测

在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares, PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm, GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling, CARS)分别对预处理后的473～1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS, CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R2_c)和均方根误差(root mean square error, RMSEC)分别为0.96和0.29,交互验证的决定系数(R2_cv)和均方根误差(root mean square errorof cross validation, RMSECV)分别为0.92和0.46,预测集的决定系数(R2_p)和均方根误差(root mean square error of prediction, RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation, RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。     

基于光谱技术的农林生物质原料组分和热值的快速测定

快速检测生物质原料特性对生产高品质压缩成型燃料具有重要意义。利用光谱技术建立松木、杉木和棉杆三类农林生物质组分(水分、灰分、挥发分和固定碳)和热值预测模型。相比原始光谱,基于一阶导数光谱的偏最小二乘回归(PLS)模型预测精度较高。灰分、挥发分和水分PLS模型交叉校验决定系数(R2)分别为0.97,0.94和0.90,预测偏差比率(RPD)分别为6.57,4.00和3.01。固定碳和热值PLS模型精度一般,R2分别为0.85和0.87,RPD分别为2.55和2.73。实验结果表明,利用可见-近红外光谱技术完全可以替代传统工业分析方法,从而实现农林生物质原料组分和热值的快速测定。