滇中三类典型地表植被的机载高光谱特征分析

高光谱遥感技术因为具有图谱合一的优势,并且相较于传统多光谱遥感技术,可以实现对目标的精确识别,逐渐运用于地表植被的探测。选择以滇中地区的竹林、华山松、杂木林这三类典型地表植被为研究对象,基于机载高光谱影像数据,通过对原始高光谱、一阶微分处理光谱、连续统去除处理光谱进行处理与对比分析,获得滇中三类典型地表植被类型高光谱特征的初步探测认识。主要结果包括：(1）基于对原始光谱特征分析得出,三类典型地表植被的原始高光谱的最佳波段窗口出现在690~946 nm,且在该波段范围内光谱反射率特征为竹林>华山松>杂木林;(2）运用一阶微分处理光谱特征分析得出,利用光谱微分变换处理能够增强植被的光谱差异。经过一阶微分处理后光谱的最佳波段窗口出现在670~774 nm,在该波段范围内的一阶微分系数为竹林>华山松>杂木林。且发现718 nm为三类植被的敏感波段,即可用718 nm敏感特征波段区分开三类植被类型;并且综合运用一阶微分光谱特征参数中的红边位置,蓝边幅值、黄边幅值、红边幅值、蓝边面积、黄边面积和红边面积可以将三类植被类型进行区分;(3）最后基于连续统去除处理光谱特征分析得出,连续统去除方法能够有效地增强植被光谱曲线反射和吸收的特征。经过连续统去除处理后的光谱,三类典型植被的最佳波段窗口在458~554和570~690 nm,这两个波段范围内的连续统去除系数均为竹林>华山松>杂木林,且发现502和674 nm为三类典型植被的敏感波段,即可用此特征综合区分三类植被类型。该研究结果有助于对滇中森林植被精细判别提供技术方法,同时,为今后发展天-地-空的高光谱影像数据一体化遥感植被精细分类提供技术支撑。     

铜铅离子胁迫下玉米污染程度的光谱识别

重金属铜离子(Cu2+)与铅离子(Pb2+)污染对玉米叶片光谱的影响微弱、隐蔽而难于探测。研究中设置不同浓度Cu2+, Pb2+胁迫的玉米盆栽实验,测定了玉米叶片光谱、叶片中Cu2+, Pb2+含量与叶绿素相对含量,分析了Cu2+, Pb2+污染胁迫下玉米叶片光谱响应特征,并选取480～670与670～750 nm范围来进行分析,在光谱维中定义了光谱微分差信息熵指数与在频率域中通过谐波分析提取了前三次谐波振幅(c₁, c₂与c₃)指数,并用所定义的指数探测分别受Cu2+, Pb2+胁迫玉米叶片光谱微弱差异。实验结果表明,在480～670与670～750 nm范围内,玉米叶片中重金属离子浓度越大,其光谱微分差信息熵就越大;在480～670 nm波段,谐波分解后第一谐波振幅c₁与第二谐波振幅c₂可用于识别Cu2+, Pb2+污染程度;在670～750 nm波段,第一谐波振幅c₁、第二谐波振幅c₂与第三谐波振幅c₃可用于识别Cu2+污染程度,而c₂则可以识别Pb2+污染程度,污染胁迫越大振幅越大。在480～670与670～750 nm波段内,光谱微分差信息熵与前三次谐波振幅可作为识别玉米受Cu2+, Pb2+污染胁迫程度的指数,从光谱维与频率域两种维度来识别玉米受Cu2+, Pb2+胁迫程度的方法可行,文中定义的两类指数可稳健、可靠地探测与识别玉米受Cu2+, Pb2+影响所产生的光谱微弱差异,研究结果对利用高光谱来探测植被受重金属污染胁迫程度具有一定的参考价值。     

基于高光谱反射率的喀斯特地区土壤重金属锌元素含量反演

针对传统土壤重金属锌元素含量测定效率低下和喀斯特地区山高坡陡土壤样品采集难度大，亟需先进手段获取土壤重金属锌元素含量的要求，以喀斯特流域为研究区，利用电感耦合等离子质谱测定土壤样品的锌元素含量和分光光广度计采集土壤光谱数据。将所测定的原始光谱，经过连续统去除、一阶、二阶微分、倒数、倒数对数、倒数对数一阶、倒数对数二阶微分7种数学变换，基于高光谱吸收重金属元素的特征吸收带初步判断光谱特征变量，利用相关分析进一步筛选特征变量，运用逐步回归最终确定有效建模光谱变量。采用非线性和线性算法，揭示光谱敏感波段反射率与重金锌元素含量之间的映射关系，进行土壤重金属含量估测。结果表明：基于耦合的光谱特征变量甄选方式，锌元素的特征波段580，810，1 410，1 910，2 160，2 260，2 270，2 350，2 430 nm与铁氧化物、有机质、粘土矿物吸收带关联，表明一定程度上捕捉到喀斯特地区土壤重金属锌元素的光谱吸收特性；运用随机森林、支持向量机、偏最小二乘3种算法进行元素含量与光谱变量建模后，采用决定系数和均方根误差评价模型精度。从光谱变换形式和模型性能二个维度综合判断，基于二阶微分变换的随机森林算法准确度最高，为最佳估算模型。通过高光谱反射率估测重金属锌元素含量，实现了喀斯特地区土壤重金属锌元素含量的高效快速反演，为喀斯特地区重金属元素含量动态监测提供了可靠的技术支撑。     

粉尘环境下典型煤岩近红外光谱特征及识别方法

针对煤矿井下近红外煤岩识别中所存在的粉尘问题,采用无烟煤与抑爆剂9∶1混合的混合物模拟煤矿井下粉尘环境,构建了粉尘环境煤岩光谱识别实验装置。为了研究粉尘环境对典型煤岩近红外光谱的影响,从全国各地收集了页岩、砂岩、灰岩3类岩石样本及无烟煤、烟煤、褐煤3类煤类样本的原位典型煤岩试样23个,采集无粉尘情况下的23个煤岩样本表面近红外波段1000-2500nm的反射光谱作为实验标准数据库,分别从实验标准样本库中3类典型煤样本与3类典型岩样本中随机选择1个样本作为实验样本,分别采集测试样本在600, 1 000, 1 500和3 000 mg·m~(-3)粉尘浓度下的近红外波段的反射光谱数据,结果显示:粉尘的加入导致1 000～1 200 nm波段与2 400～2 500 nm波段的光谱图像信噪比降低;随着粉尘浓度的增加,粉尘中的无烟煤的不透明物质使得实验样本中的特征吸收谷减弱;采用光谱角度匹配SAM以及皮尔逊相关系数对试样和标准样本库进行相关性分析,无烟煤类样本、烟煤类样本、砂岩类样本、灰岩类样本在光谱角度匹配SAM匹配模型下有着较高的匹配度,匹配度在各个粉尘浓度下均处于0.9以上;相关系数匹配模型匹配度受粉尘的影响剧烈,平均相关系数为0.73;实验标准数据库及实验样本经SG卷积和SNV标准正态预处理后,预处理后的样本数据库与实验样本光谱角度匹配SAM匹配模型匹配度无明显变化,相关系数匹配模型匹配度显著提升,平均相关系数为0.78;除褐煤2号外,所有的样本光谱相关系数平均提升0.13,无烟煤2号样本各个浓度平均相关系数提升76.3%,而样本12褐煤2号的光谱相关系数经光谱预处理降低。建立光谱角度匹配SAM以及皮尔逊相关系数煤岩识别模型,二值化煤岩样本,煤为"0"岩为"1",通过两种识别模型对不同浓度下的6个实验样本进行煤岩识别,光谱角度匹配SAM的识别准确率P为100%,识别时间为8 ms,皮尔逊相关系数的识别准确率P为87.5%,识别时间为852 ms。     

基于叶片高光谱特性分析的树种识别

高光谱遥感技术的出现将为解决森林树种的精细识别难题提供有效的途径。利用高光谱遥感技术进行树种鉴别时,光谱特征的选择及提取是个非常重要的过程。与多光谱数据相比,高光谱数据具有波段多、数据量大、冗余度大等特点。该文利用光谱微分法对原始光谱数据进行处理,分析不同树种原始光谱、光谱一阶微分和光谱二阶微分曲线图,从中选择差异较大的波段用于鉴别不同树种。最后利用欧氏距离对所选择的波段进行检验识别不同树种的效果,检验的结果显示选择的波段能有效地区分不同树种。区分不同树种的有效波段大都位于近红外波段, 并且差异最大的波段也是近红外波段,其分别为1 657～1 666和1 868～1 877 nm。     

Cr4+在Al2O3多晶体中的光谱性能研究

采用传统无压烧结工艺制备Cr:Al₂O₃透明多晶陶瓷.测定了其退火前后的吸收光谱和荧光光谱，发现在Al₂O₃六配位的八面体结构中，Cr⁴⁺的荧光发射也处在1100—1600nm波段的红外区间，荧光发射峰位于1223nm附近，类似Cr⁴⁺在四面体中的发光行为.同时由于氧化铝晶格常数较小，晶体场强较强，使Cr⁴⁺:Al₂O_{3< 关键词： 4+')" href="#">Cr⁴⁺ 2}O₃透明陶瓷')" href="#">Cr:Al₂O₃透明陶瓷 光谱性质 八面体     

铅锌矿石稀散元素镉含量的高光谱反演研究

稀散元素矿产资源是国民经济中的关键性矿产资源,元素含量的提取是矿产资源潜力评价、靶区优选的基础。现有稀散元素含量分析面临快速检测、潜力评价的需求,基于高光谱的稀散元素含量反演是解决此问题的一种途径。因此,采集西藏斯弄多-则学矿集区的铅锌矿石,开展铅锌矿石稀散元素镉(Cd)含量的高光谱反演方法与反演模型研究。选用ASD Field Spec 3地物光谱仪及配套软件进行光谱数据采集和预处理;在光谱特征分析基础上,开展一阶微分(FD)、二阶微分(SD)、倒数的对数(AT)、倒数对数的一阶微分(AFD)、倒数对数的二阶微分(ASD)光谱数据变换处理,结合皮尔森相关性系数(r)筛选特征波段,进行随机森林(RF)、人工神经网络(ANN)、支持向量机(SVM)模型构建与反演,选用决定系数(R²)和均方根误差(RMSE)评价反演模型效果与预测精度。结果表明：样品反射率集中于40%～60%区间;1 420、 1 920和2 200 nm处形成吸收峰;特征波段覆盖可见光和近红外波段,771～2 051 nm为特征波段的最优区间。SD光谱变换的降维效果最好,筛选出15个特征波段;其次为...     

基于近红外光谱与误差反向传播神经网络技术的三种人工林木材识别研究

利用近红外光谱结合误差反向传播神经网络(BP)对三种人工林木材(尾叶桉、马尾松、南方无性系I-72杨)进行识别,探讨隐含层神经元个数、光谱预处理方法、光谱范围对BP网络模型的影响,并与SIMCA法所建模型做比较。结果表明：(1)BP网络结合全波段(780～2 500 nm)近红外光谱数据建模,识别正确率达到97.78%,并确定隐含层神经元数为13;(2)全波段光谱建模比短波段(780～1 100 nm)和长波段(1 100～2 500 nm)光谱建模识别效果好,其识别正确率分别为97.78%, 95.56%和96.67%,用一阶导数和二阶导数对全波段光谱进行预处理后,BP网络模型识别正确率分别为93.33%和71.11%;用多元散射校正(MSC)对全波段光谱进行预处理后,BP网络模型识别正确率为98.89%,(3)在三种波段(780～2 500,780～1 100和1 100～2 500 nm)光谱建模的情况下,BP网络建模识别正确率分别为95.56%, 96.67%和97.78%,SIMCA模型识别正确率分别为76.67%, 81.11%和82.22%,BP网络建模比SIMCA法建模对三种人工林木材的识别正确率高。     

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。     

不同探测距离与角度下典型煤岩近红外光谱特征与定性分析

近红外波段的反射光谱测量较方便,不需对试样进行预处理,同时也适用于在线分析。为利用近红外光谱实现综放开采自动化放煤技术中的煤岩识别,从某矿井的综放工作面收集了炭质泥岩、砂质泥岩、砂岩、气煤4种典型的块状煤岩试样,综合考虑工作面后部刮板输送机的堆煤情况,在实验室利用光谱仪采集了常见探测距离(1.3, 1.4和1.5 m)与探测角度(10°, 20°, 30°, 40°和90°)下的4种典型煤岩的近红外漫反射光谱。通过对4种典型煤岩光谱特征分析,发现探测角度与距离对光谱曲线波形和吸收谷位置无明显影响,但明显影响光谱曲线的反射率。炭质泥岩、砂质泥岩、砂岩这3种岩样,均在1 400, 1 900和2 200 nm波段附近出现较明显的吸收谷,此外,砂岩与炭质泥岩在2 200 nm波段附近出现双吸收谷,气煤在近红外波段内的漫反射光谱曲线整体呈水平趋势,无明显的吸收谷。在1.3 m探测距离下,光谱曲线反射率随着探测角度的增大而增大;在1.4和1.5 m探测距离下,光谱曲线反射率随着探测角度的增大而减小。在10°, 20°和30°探测角度下,光谱曲线的反射率随着探测距离的增大而增大;在40°和90°探测角度下,光谱曲线的反射率随着探测距离的增大而降低。使用一阶微分(FD)、 Savitzky-Golay卷积平滑(S-G卷积平滑)、标准正态变量变换(SNV)这三种方法来增强光谱曲线吸收特征以及消除探测条件对煤岩漫反射光谱的影响,发现S-G卷积平滑在增强光谱吸收特征的前提下,还有效的消除了探测角度与高度对光谱曲线的影响。利用余弦相似度与皮尔逊相关系数两种模型分别进行煤岩定性分析,结果发现,基于S-G卷积平滑预处理后的余弦相似度模型分类效果最优,其正确分类率为100%。最佳预处理方法与定性分析模型的获得可以为在不同探测距离与探测角度下直接利用反射光谱的波形进行快速、定性地识别煤岩提供参考意义。     

基于太赫兹时域光谱技术的煤岩识别方法研究

煤岩识别一直是制约煤矿无人化开采的关键问题之一。传统的人工采煤因为工作环境极其复杂,很难精准地找到煤岩的分界面,容易造成欠切割或过切割现象。太赫兹光谱技术作为一种无损探测技术,能够反映出被测物体的物理和化学信息,可以成为研究煤岩识别的有效方法。采用太赫兹时域光谱技术与多元统计法—聚类分析（CA）和主成分分析（PCA）相结合的方法来识别不同种类的煤岩。通过透射式太赫兹光谱仪获得六种煤岩样品的太赫兹光谱,对其进行FFT等一系列数学计算可以得到各种样品的折射率、吸收系数以及介电常数。计算结果表明不同种类的煤岩在折射率、吸收系数上都存在差异。分析各类煤炭样品的折射率和吸收系数与样品的各组成成分含量之间的关系,可以发现碳含量是影响其样品折射率大小的因素之一,灰分含量是影响其样品吸收系数大小的因素之一。聚类分析中两类样品的欧氏距离与主成分分析中的第一主成分（PC1）得分都能反映煤岩样品之间的相似性和相异性,并且CA与PCA的结果保持一致。分别将各类样品在0.5～2.5 THz频率范围内的折射率、吸收系数与CA和PCA结合,组成太赫兹数据与煤岩之间的模型。分析表明：根据不同样品之间的相似性,两种模型中六种煤岩样品均被分为两类;在各种样品的吸收系数与CA-PCA组成的模型中,四种煤炭被聚集在一起,并且石英砂岩（GSR-4）具有很好的独特性：石英砂岩拥有最小的PC1得分值以及石英砂岩与第二类之间的欧氏距离最大,为219.03。由此可见采用太赫兹技术与多元统计方法结合,可以实现煤岩的准确识别,识别准确率可以达到100%。     

部分可解释机器学习方法的高光谱人参产地识别和分析

人参是传统中药材中的贵重品种,具有较高的经济价值.人参生长的地域性很强,不同产地人参有效成分含量存在差异,人参因"道地"与否,会导致其质量、医学效用和经济价值的差异,因此人参产地识别的意义重大.目前常通过磨粉提取等制备,再采用化学或光学等多种手段检验人参产地,但会造成样本破坏.而基于外观性状或芦头特征的鉴别,因主观性差...     

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。     

基于NIR高光谱成像技术的长枣虫眼无损检测

为了研究快速识别虫眼枣与正常枣的有效方法,利用特征波长主成分分析法结合波段比算法进行虫眼枣识别。首先,利用NIR高光谱成像系统采集130个长枣(50个正常、80个虫眼枣)图像,提取并分析不同类型长枣特征区域的平均光谱曲线,对970~1 670 nm范围内的光谱数据进行主成分分析,确定7个特征波长(990,1 028,1 109,1 160,1 231,1 285,1 464 nm)。然后,对长枣图像做主成分分析,选择PC2图像进行虫眼识别,虫眼与正常枣的识别率分别为67.5%、100%。为了进一步提高虫眼枣的识别率,采用波段比(R1231/R1109)对未识别的虫眼枣进行再次识别,识别率提高到90%。结果表明,基于NIR高光谱成像技术的检测方法对虫眼枣识别是可行的,同时也为多光谱成像技术应用于在线检测长枣品质提供了理论依据。     

高光谱成像的煤与矸石分类

煤与矸石分选是煤矿生产的必要工序,现有的人工分选与机械分选,存在效率低,易造成资源浪费以及环境污染等问题.鉴于可见/近红外高光谱成像具有分析速度快、样品无需预处理、无污染等诸多优势,旨在探讨基于可见/近红外高光谱成像对黑色背景下块状煤与矸石准确分类的可行性,并基于特征波长筛选算法简化模型,为构建多光谱煤与矸石分选系统提...     

典型煤的近红外反射光谱特征的方向性研究

高光谱遥感是煤矿区探测的有效方法,对于煤炭资源调查、矿区环境监测等具有重要意义,其中煤、矸石、植被、水体等被遥测物各个方向的反射光谱特征是煤矿高光谱遥感的基础,为此有必要针对典型煤的方向反射光谱特征进行研究.从我国不同矿区收集了无烟煤、烟煤、褐煤三大类煤中的4种典型煤样,4种煤样按煤阶由高到低顺序包括无烟煤一号、贫煤、...     

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。     

近红外高光谱成像的微破损棉种可视化识别

优质棉种是全面推广棉花精量播种技术的基础。采用近红外高光谱成像技术实现微破损棉种可视化识别,为棉种精选设备的研制奠定理论基础。以未破损和微破损两类棉种各540粒作为样本(其中405粒作为建模集,135粒棉种作为预测集),分批采集874~1 734 nm范围的样本高光谱图像,提取光谱数据并去除首尾两端明显噪声保留955~1 659 nm范围内光谱为棉种样本的光谱。首先使用Kennard-Stone(KS)算法进行样本划分,并通过平滑算法Savitsky-Golay(SG)对光谱进行预处理。采用二阶导数光谱(2nd spectra)方法、连续投影算法(SPA)和主成分载荷(PCA-loading)方法分别选取10,14和11个特征波长。基于全部光谱数据和特征波长建立偏最小二乘判别分析(PLS-DA)模型、K最邻近(KNN)模型和支持向量机(SVM)模型,SPA-PLS-DA模型取得了较好的结果,建模集和预测集的鉴别率分别为91.50％和90.33％。基于SPA-PLS-DA模型分别对未破损样本和微破损样本及其混合样本图像进行识别,取得了较好的识别结果,微破损棉种的识别率达90%以上。结果表明,结合近红外高光谱成像和图像处理技术,能够实现微破损棉种的可视化识别。     

紫外/可见光下海洋溢油油种光谱识别方法

为了考察高光谱技术对海洋溢油种类的鉴别能力,进行了模拟溢油实验。利用紫外三种波长光源(254nm、302nm、365nm)和可见光两种光源(日光灯和阳光)照射海水上的油墨,使用AvaSpec-2048地物光谱仪采集5个油种(汽油、柴油、煤油、机油、花生油)的高光谱数据(200~1160nm),基于这些数据,通过PCA进行特征优化,使用前10个主分量构建了支持向量机的油种识别模型,使用网格法对支持向量机参数C和gamma进行参数寻优,通过5折交叉验证法进行了结果测试。结果表明,阳光下的光谱识别率最高,日光灯下的识别效果最差,三种紫外灯在波长302nm透射下识别率较高,在254nm和365nm下的识别效果相当。由此可见,在油种鉴别过程中光源的类型、照射方式、光强都会影响到油种的识别效果。