高光谱技术融合图像信息的牛肉品种识别方法研究

高光谱图像包含了大量的光谱信息和图像信息,采用高光谱成像技术对牛肉品种进行识别。获取可见-近红外(400~1000 nm)光谱范围内的安格斯牛、利木赞牛、秦川牛、西门塔尔牛、荷斯坦奶牛五个品种共252个牛肉样本的高光谱图像。在ENVI软件中对高光谱图像进行阈值分割并构建掩膜图像,获取样本的感兴趣区域(ROI),并结合伪彩色图对牛肉样本的反射率指数进行可视化表达;采用Kennard-Stone(KS)法对样本集进行划分以提高模型的预测性能;对原始光谱采用卷积平滑(SG)、区域归一化(Area normalize)、基线校正(Baseline)、一阶导数(FD)、标准正态变量变换(SNV)及多元散射校正(MSC)等6种方法进行预处理;采用竞争性自适应重加权算法(CARS)提取特征波长。然后利用颜色矩对不同牛肉样本的颜色特征进行提取;对原始光谱图像进行主成分分析,结合灰度共生矩阵(GLCM)算法,提取主要纹理特征。最后结合偏最小二乘判别(PLS-DA)算法建立牛肉样本基于特征波长、颜色特征以及纹理特征的识别模型。KS法将牛肉样本划分为校正集190个,预测集62个;将未经预处理的光谱数据与经过6种不用预处理的光谱数据进行建模分析,结果发现经FD法处理后的光谱数据所建模型的识别率最高;结合CARS法对经FD法预处理后的光谱数据进行特征波长提取,共提取出22个波长;利用颜色矩和GLCM算法分别提取出每个牛肉样本的9个颜色特征、48个纹理特征。将特征波长数据与颜色、纹理特征信息进行融合建模,结果表明,基于特征光谱+纹理特征的模型识别效果最佳,其校正集与预测集识别率分别为98.42%和93.55%,均高于特征光谱数据模型识别率,说明融合纹理特征后使样本分类信息的表达更加全面;融合颜色特征后模型的校正集识别率均有所增加,但预测集识别率稍逊,颜色特征虽携带了部分有效信息,但这些信息与牛肉样本的相关性不大。因此,寻找与牛肉样本相关性更大的颜色特征是提高模型识别率的重要途径之一。该研究结果为牛肉品种的快速无损识别提供了一定的参考。     

高光谱成像技术的库尔勒梨早期损伤可视化检测研究

利用高光谱成像技术对库尔勒梨早期损伤进行快速识别检测。以60个库尔勒梨为研究对象,采集380～1 030 nm波段范围内完好样本和损伤后1～7天样本的480幅高光谱图像。提取图像中感兴趣区域(ROI)的平均光谱信息,利用小波变换(WT)对光谱数据进行去噪平滑,将去噪后的全部样本按2∶1的比例分成建模集(320个)和预测集(160个)。利用二阶导数从全谱信息中提取出19个特征波长,分别基于全谱和提取出的特征波长对建模集和预测集进行支持向量机(SVM)建模分析。结果表明,基于全谱和特征波长的判别分析模型中,两者预测集的识别率都达到93.75%,表明提取的特征波长包含了光谱数据中的关键信息。然后,基于特征波长运用波段比运算挑选最佳波段比,根据波段比F值的分布确定光谱图像分割的最佳波长684和798 nm。对最佳波段比(684/798 nm)下的图像,利用选择性搜索(SS)对高光谱图像中样本的完好和损伤区域进行分割,从分割结果来看,1～7天损伤样本的受损区域能够被准确检测出来。研究结果表明：基于高光谱成像技术对库尔勒梨进行损伤鉴别是可行的,该研究所获得的特征波长和波段比为研发在线实时的库尔勒梨损伤检测系统提供支撑。     

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。     

基于近红外光谱的SG-MSC-MC-UVE-PLS算法在全血血红蛋白浓度检测中的应用

为提高全血血红蛋白浓度预测模型的预测精度,基于近红外光谱分析,首先对原始全血透射光谱数据分别进行均值中心化、标准化、标准正态变量变换(SNV)、多元散射校正(MSC)以及Savitzky-Golay（SG）卷积平滑结合MSC的预处理操作,最终选择预处理效果最好的SG-MSC方法作为数据预处理方法,其最大相关系数达到0.944 1。对SG平滑的平滑窗口宽度进行讨论,找出平滑效果最好的窗口宽度为27。数据预处理消除了全血吸收光谱的基线失真,提高了全血吸收光谱数据的信噪比。将190个样本（190个血红蛋白浓度对应的透射光谱数据）分为具有相近血红蛋白浓度分布的校正集和测试集,其中校正集为143个样本（对应血红蛋白浓度分布为10.6～17.3 g·dL-1）,测试集为47个样本（对应血红蛋白浓度分布为10.3～17.3 g·dL-1）,确保建立模型的适用性。对校正集数据预处理后利用蒙特卡洛无信息变量消除（MC-UVE）方法对其进行波长变量选择,剔除含信息量少的波长点,提高含信息量多的波长占比。设置蒙特卡洛迭代次数为1 000,最终从全血吸收光谱的700个波长变量中筛选出191个波长变量用于建立全血血红蛋白浓度偏最小二乘（PLS）回归模型。对比分析原始全血透射光谱全谱PLS模型、原始全血吸收光谱全谱PLS模型、预处理全血吸收光谱全谱PLS模型、SG-MSC-MC-UVE-PLS模型以及已有二阶导数PLS模型的模型效果,表明基于SG-MSC-MC-UVE-PLS算法的全血血红蛋白浓度预测模型效果较其他模型效果更优,预测相关系数由0.676 3提高到0.979 1,预测集均方根误差由0.898 1减小到0.220 3,最大绝对误差由2.426 1减小到0.411 2。同时,利用MC-UVE方法进行波长变量选择,在保证预测精度的前提下,筛选出建模的波长个数更少,有利于提高模型计算效率。研究结果表明,SG-MSC-MC-UVE-PLS方法能够提高全血吸收光谱信号的信噪比,简化模型结构,提高模型的预测精度和计算效率,对推动血红蛋白浓度检测技术的发展具有进步意义。     

基于高分五号高光谱影像的干旱区盐渍化土壤盐分含量估算

目前星载高光谱传感器较少,基于高光谱影像的土壤盐分含量估算研究仍处于探索之中。高分五号(GF-5)是目前国内光谱分辨率最高的卫星。目的是研究高分五号高光谱影像大面积估算干旱区盐渍化土壤盐分含量的可行性。选择新疆焉耆为研究区域,采集了198个土壤样本。首先,检测土壤样本中的全盐量、Na⁺、Ca²⁺、SO₄^2-、Cl^-的含量,利用ASD FieldSpec3地物光谱仪在实验室测定土壤样本的光谱反射率。然后,对实验室土壤光谱进行SG(Savitzky-Golay)平滑预处理,采用竞争自适应重加权采样法选择土壤盐分的特征波段,再利用偏最小二乘、岭回归和支持向量机建立土壤盐分含量的回归模型,发现实验室光谱反演土壤盐分的模型精度较高,五种土壤盐分反演模型的校正集决定系数均大于0.97,预测集决定系数均大于0.90。接着,获取土壤采样同期的高分五号高光谱影像数据并进行预处理,根据采样点位置在影像上提取了198个土壤样本的光谱曲线,使用与实验室光谱相同的反演方法,建立了高分五号影像光谱与土壤盐...     

可见近红外光谱的甘蓝叶片毒死蜱农药残留定性分析

有机磷农药毒死蜱是目前农业生产中使用最广泛的农药之一,但有机磷农药过度使用导致的农药残留却给自然环境和人类生命健康造成严重威胁,因此,开发一种快捷、准确、经济的毒死蜱农药在农产品表面残留的直接检测方法意义重大。配制4组不同体积浓度（1∶200, 1∶500, 1∶800, 1∶1 000）的毒死蜱农药溶液,对照组为纯净水,分别浸泡甘蓝叶片3 min,每组采集30个叶片样本,5组共计150个样本。采用可见近红外光谱仪获取其谱图信息,然后开展不同浓度毒死蜱农药在甘蓝叶片上残留的可见近红外光谱定性分析研究。建模时,将每组数据中24个样本,5组共计120个样本作为建模训练集,剩下每组6个样本,5组共计30个样本作为预测集。鉴于甘蓝叶面不平整、皱褶较多,叶片颜色深浅不一等因素会给近红外光谱分析带来干扰,给预测模型的建立增加难度,提出一种光谱全波段平均分组积分（求和）预处理方法,将光谱波段平均分成n组,再对分组后每组数据积分求和,用预处理后的数据训练BP神经网络。实验表明,光谱全波段平均分组积分（求和）预处理方法,对光谱反射率一阶导数（FD）且分组数为25的神经网络训练效果最好,建模集识别准确率为97.50%,预测集识别准确率为96.67%,建模效果优于通常采用的提取光谱敏感、特征波段建模方法（建模集识别准确率为91.67%）。光谱全波段平均分组积分预处理方法在保留光谱数据更多特征波段的同时探索更多潜在敏感波段,能够降低光谱数据维度,减小单个光谱数据噪声对建模效果的影响,选择合适的分组数n,能取得较好的建模预测效果。     

基于高光谱的牛奶中真蛋白质含量反演

牛奶蛋白质的分析和监测是奶制品行业中不可或缺的环节利用可见光/近红外反射光谱(350～2 500 nm)进行纯牛奶中真蛋白质含量的快速定量反演。分别通过ASD地物光谱仪和CEM真蛋白质测定仪采集牛奶样本的反射光谱数据以及蛋白质含量数据,对比分析不同的光谱预处理方法和波段筛选方法,得到特征波段,最后利用主成分回归(PCR)和最小二乘支持向量机(LS-SVM)模型建立牛奶反射光谱和蛋白质含量之间的定量校正模型,并对其预测能力进行比较,从而确定最优的牛奶中真蛋白质含量反演模型。实验结果证明：(1)比较不同光谱预处理方法,发现多元散射校正与二阶微分联合使用效果较好;(2)相对于全光谱建模,适当的特征变量优选有助于提高建模精度,缩短建模时间;(3)PCR的验证集决定系数R2_P为0.952 2,验证集均方根误差RMSEP为0.048 7,而LS-SVM的R2_P为0.958 0,RMSEP为0.048 2,其预测精度要优于PCR。研究表明,可见光/近红外高光谱反射率数据可以为牛奶真蛋白质含量的检测提供一种快速、无损的新方法。     

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。     

卷积神经网络模型的遥感反演水质参数COD

化学需氧量(COD)是水体污染监测的常用水质指标之一,传统采集手段耗时耗力;利用遥感反演COD浓度能够快速获取整个水域的COD浓度空间分布状况,对于水污染治理和水环境保护具有重要意义。目前利用多光谱遥感数据反演COD浓度精度较低,主要原因是目前的反演模型多是以皮尔逊相关系数大小为指标选取建模波段的经验方法,对于多光谱遥感数据而言,其光谱波段范围较宽,波段的组合数量有限,难以找到有效的变量作为建模变量。针对这一问题,以郑州市天德湖为例,基于Planet多光谱高分辨率遥感影像,对遥感影像进行预处理和分析水样的高光谱数据,利用卷积神经网络对天德湖COD浓度进行反演;同时选取单变量回归模型、多变量回归模型进行精度对比。主要研究结论有：(1)相比于以皮尔逊相关系数为衡量标准选择不同波段组合的反演方式,卷积神经网络反演具有更高的空间反演精度,其决定系数为0.89, RMSE为2.22 mg·L^-1,这是因为卷积神经网络不仅充分利用了遥感影像的光谱特征,而且能够提取目标像元周围的领域空间信息,学习到图像深层的抽象特征以及水质参数浓度和遥感数据之间的“内在规律”,可以在一定程度上...     

基于紫外光谱的水产养殖水质总氮含量快速检测研究

应用紫外(Ultraviolet,UV)光谱技术对水产养殖水质总氮含量进行快速检测。为了消除各种系统误差与偶然误差对模型预测性能造成的影响,将88个水样的总氮浓度实测值数据和光谱吸光度数据作为原始数据,将模型建立分为样本集划分、数据预处理、特征波段提取、模型选择与LV数量选择5个阶段,以求达到最优预测效果,其中前4个阶段分别使用多种方法进行比较。结果证明每个阶段都是必不可少的,只有通过对比其优劣才能找到最适合总氮含量测定的建模过程及方法。首先用浓度梯度(CG)法对原始数据进行相同的样本集划分处理,然后在此基础上分别建立主成分回归(PCR)、逐步回归(SR)和偏最小二乘回归(PLSR)三种模型,选择预测效果最好的PLSR作为本文的预测模型。PLSR的建模效果会在很大程度上受到潜在变量(LVs)数量的影响,通常选取模型预测均方根误差RMSEP值最小时所对应的LV个数为最优LV个数。其次,选用CG法、随机抽样(RS)法、 Kennard Stone(KS)法和SPXY法4种样本集划分算法对样本进行处理,并对所建立的PLSR模型预测效果进行比较,最终选择SPXY算法作为最优样本划分算法。然后在对样本集进行SPXY法划分的基础上,运用多种预处理算法对光谱吸光度数据进行预处理,包括小波变换(WT)、一阶导数法(Der1st)与二阶导数法(Der2nd)三种单一算法和小波变换与两种导数法的组合预处理算法WT-Der1st和WT-Der2nd。然后在预处理的基础上分别使用连续投影变换(SPA)和逐步回归(SR)两种特征波段提取方法,对比可知, SPA特征提取方法比SR的提取效率高且建模效果好。SPA算法既可以大大地简化模型,又可以在一定程度上提升模型的预测精度。基于WT-Der1st-SPA提取的特征波段为218 nm,与总氮特征波段区间相一致,由此说明该方法比较科学。综合上述建立的10个PLSR模型,考虑到预测精度与模型复杂度2个因素,最终选择基于WT-Der1st-SPA建立的PLSR模型作为最优模型,该模型预测决定系数r~2为0.996,预测均方根误差RMSEP为0.042 mg·L~(-1)。由此可见,所建立的模型预测效果非常好,可以快速准确地测定水体的总氮含量,为实现光谱技术在水产养殖其他水质监测指标的在线检测以及快速测定提供了经验。     

高光谱图谱融合检测羊肉中饱和脂肪酸含量

为探究高光谱成像(400~1000 nm)对羊肉中饱和脂肪酸(SFA)含量检测的可行性,提出一种基于特征光谱信息和图像纹理特征融合的SFA含量预测模型,实现对羊肉中SFA含量的快速检测及分布可视化。利用分段阈值法构建掩膜图像,获取羊肉样本感兴趣区域(ROI),结合SPXY法对样本集进行划分并对相关光谱信息进行预处理,分别采用连续投影算法(SPA)、变量组合集群分析法(VCPA)和β权重系数法提取特征光谱;通过获取羊肉样本主成分图像,结合灰度共生矩阵(GLCM)算法提取图像纹理信息;分别对特征光谱、图像信息及图谱融合信息建立的偏最小二乘回归(PLSR)与最小二乘支持向量机(LS-SVM)预测模型进行对比分析。利用5种不同对原始光谱数据进行预处理,经SNV法预处理后的光谱其校正集与预测集相关系数分别为0.921和0.875,较原始光谱分别增加了0.001和0.04,均方根误差模型分别为0.244和0.268,较原始光谱模型分别减少了0.003和0.06;对SNV法预处理后的光谱数据进行特征波长提取,SPA法、VCPA法及β权重系数法分别提取出12,10和9个特征波长;获取羊肉样本的前5个主成分图像,选择所含信息量最多的第一主成分图像进行纹理特征提取,依次提取0,45°,90°和135°方向下的能量、熵、同质性和相关性共4个主要纹理特征。利用SPA法提取的特征波长建立的PLSR与LS-SVM模型性能较好,PLSR模型校正集与预测集相关系数分别为0.8849和0.8807,均方根误差分别为0.3001和0.2606;LS-SVM模型校正集与预测集相关系数分别为0.8987和0.8926,均方根误差分别为0.2767和0.2476;图谱信息融合模型中,PLSR模型校正集与预测集相关系数分别为0.9071和0.9078,较特征光谱模型分别增加了0.02和0.03,均方根误差分别为0.3269和0.2992,较特征光谱模型分别增加了0.03和0.04;LS-SVM模型校正集与预测集相关系数分别为0.9206和0.8946,较特征光谱模型分别增加了0.02和0.002,均方根误差分别为0.2519和0.2458,较特征光谱模型分别减少了0.02和0.002。光谱预处理中经SNV法处理后的光谱所建模型性能优于其他预处理方法;采用SPA法提取的12个特征波长简化了光谱模型,提高了模型性能,特征光谱建模的最优方法为SPA-LS-SVM;图谱信息融合模型较特征光谱模型,模型相关系数增加较少,表明图像纹理信息虽携带了部分有效信息,但这些信息与羊肉中SFA含量之间的相关性有待进一步研究。基于图谱信息融合模型的预测性能最优,其次为光谱信息模型。择优选取SPA-PLSR模型计算羊肉样本中每个像素点的SFA含量,利用伪彩色图直观表示了羊肉样本中SFA的含量分布。实现对羊肉样本SFA含量的无损检测及分布可视化表达。     

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。     

矿区复垦农田土壤重金属含量的高光谱反演分析

以矿区复垦农田土壤为研究对象,利用实验室获取的土壤重金属元素砷(As)、锌(Zn)、铜(Cu)、铬(Cr)和铅(Pb)的含量与土壤可见近红外高光谱数据建立重金属元素含量的定量估算模型。为了保证模型预测的精度和稳定性,首先,对原始光谱数据进行平滑处理,并进行光谱变换,即：一阶导数,标准正态变量变换及连续统去除变换;然后,通过相关性分析提取不同变换光谱的特征波段;最后,将最小二乘支持向量机与传统的多元线性回归和偏最小二乘回归方法的结果相比较。研究表明：(1)以不同变换光谱数据建立反演模型均有较好的稳定性并达到一定精度,其中以最小二乘支持向量机方法优于偏最小二乘回归优于多元线性回归模型(除少数几个情况外);(2)从不同光谱变换数据中提取的光谱特征对反演模型结果有一定影响,其中以连续统去除和标准正态变量变换建模结果较好,一阶导数变换稍差。因此,利用高光谱遥感技术来定量估算土壤重金属含量是可行的,而且,必要的光谱预处理对提高估算模型的精度很有帮助。     

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。     

水体COD激光诱导击穿光谱快速测量方法研究

水体化学需氧量（COD）是一个重要的水体质量指标,一般用来衡量有机物的污染程度。对COD的检测长期依赖采样后的实验室化学分析方法,目前应用最普遍的是重铬酸钾氧化法与酸性高锰酸钾氧化法。化学分析的方法操作复杂,耗时费力,且引入新的化学药剂,造成二次污染,因此,急需一种能够实现水体COD快速测量的检测技术。在前期研究基础上,对水体COD的激光诱导击穿光谱检测方法进行深入探索,重点是优化模型预测速度,目的是研究激光诱导击穿光谱技术用于对水体COD的快速测量方法。采集了不同COD浓度的99个水体样本,分为训练集和测试集两组,通过重铬酸钾氧化法测定各水样的COD值,作为真实值,利用实验室自建的激光诱导击穿光谱采集系统采集各水样波长在200～1 000 nm的光谱信息,利用偏最小二乘算法建立训练集水样COD的定量化测量模型,然后对测试集光谱数据进行预测,将预测结果与实验室化学方法测定的真实值进行对比,评估预测效果。通过对原始光谱建立的预测模型进行分析,发现在建模过程中,大量的激光诱导击穿光谱数据与COD浓度相关性很差,而这些无用数据参与计算,浪费了计算资源,延长了检测时间,造成系统负载过大,不利于便携式检测设备的开发。重点研究贡献度最大的前几个主成分,通过对COD测量原理和PLS模型载荷分析,找到LIBS光谱中与水样COD浓度相关性最高的主要特征峰,经过分析发现,主要为来源于水中有机物中的C,H,O,N以及水中一些还原性离子元素的特征峰,这些特征峰对COD的模型预测能力贡献最大,而COD的定义正是衡量水体中这些元素的多少,这与该研究分析结论相吻合。为了实现检测速度的提升,提取这些特征峰,对光谱数据进行降维,剔除大量无关或相关性较低的数据,经过多次筛选和降维,最终将原来参与计算的每条光谱的13 622个数据降到28个,大大降低系统的运算量,却依然能够保留不错的预测能力。筛选出的28个特征波长最能反映水体COD浓度,为水体COD便携式的多波段检测设备的研发,实现对COD的快速测量奠定了基础。     

改进SVR的内陆水体COD高光谱遥感反演

高光谱数据可以捕获内陆水体中不同浓度的化学需氧量（COD）引起的光谱变化,因此研究光谱反射率与COD浓度之间的关系对于COD的遥感估算至关重要。支持向量回归模型（SVR）具有适合小样本、泛化能力好的特点,基于SVR模型能够更加准确获得COD浓度和光谱数据之间的关系,但仍然存在参数选取困难和易陷入局部极值的问题。为了解决这个问题,将模拟退火-粒子群算法（SA-PSO）引入到支持向量回归机的参数优化过程中,提出了一种改进SVR（SA-PSO-SVR）的内陆水体COD高光谱遥感反演方法。以潍河流域为研究区域,通过野外测量获得了COD浓度和水表面光谱反射率。首先根据光谱反射率对COD的响应来确定敏感因子,把SA-PSO算法引入SVR的参数优化过程中建立了COD浓度与敏感因子之间的反演模型。最后利用珠海一号高光谱数据验证模型的准确性,进而获得了COD浓度的分布情况。通过光谱分析,可知该区域实测的水面光谱具有典型的二类水体特征,光谱曲线形状呈现明显的双峰特征,当浓度增加时,反射峰具有向短波长方向移动而反射谷向长波长方向移动的趋势。通过计算Pearson相关系数分析COD浓度和光谱之间的相关性,结果表明最佳的反演因子为518 nm/940.4 nm,623.6 nm/636.8 nm,729.2 nm/890.9 nm和752.3 nm/857.9 nm的四个波段比值组合;经过SA-PSO-SVR方法建立的COD估计模型的平均相对误差（MRE）和均方根误差（RMSE）分别为1.62％和2.99 mg·L-1（R2=0.86）,反演结果优于其他模型（SVR、BP神经网络和线性回归模型）。将实测水面光谱建立的最优模型应用于高光谱卫星影像上,RMSE和MRE分别为4.47 mg·L-1和11.87%。获得的潍河-峡山水库区域的COD反演结果显示：COD的整体浓度介于17~42 mg·L-1之间,韩信坝、峡山水库的东北部、渠河注入潍河的交汇处等区域的COD浓度高于其他水域。证实了SA-PSO-SVR是一种有效的COD高光谱反演方法,可供潍河流域水资源管理提供参考。     

虫害胁迫下毛竹叶绿素含量高光谱估算方法

叶绿素作为参与植被光合作用最重要的色素,是监测毛竹虫害的一项重要指标。通过对不同光谱数据集进行波长筛选,建立虫害胁迫下竹叶叶绿素含量的高光谱估算模型,为利用高光谱遥感监测毛竹虫害提供理论依据。试验在福建省毛竹生产基地顺昌县进行,使用ASD FieldSpec 3光谱仪采集不同虫害程度竹叶光谱102条,并利用SPAD-502叶绿素计测定相应叶片叶绿素含量。通过对比不同虫害程度竹叶的光谱特征,探测利用高光谱数据估算叶绿素含量的机理。对竹叶原始光谱(OS)进行包络线去除(CR)、一阶导数(FD)、包络线去除一阶导数(CR-FD)变换,分析不同光谱数据与叶绿素含量的相关性,并利用连续投影算法(SPA)分别提取4种光谱的特征波长。采用基于x-y距离结合的样本划分法(SPXY)和随机法对4种光谱数据集进行划分,结合多元逐步回归(MSR)建立竹叶叶绿素含量估算模型,分析光谱变换及样本划分对估算叶绿素含量的影响。结果表明,不同虫害程度竹叶光谱反射率差异明显,主要表现为可见光波段范围内的"绿峰"和"红谷"的逐渐消失,"红边"斜率减小,近红外波长反射率降低。通过光谱变换可有效提升光谱与叶绿素含量的相关性,其中CR-FD光谱与叶绿素含量在724 nm处的相关系数最大。经连续投影算法提取的不同光谱数据集的特征波长集中分布在绿光、红光、"红边"位置,多个被选择波长位于与叶绿素含量相关性较高的波长区(600～750 nm)。基于SPXY样本划分法建立的MSR模型相比于随机样本划分法能显著提升叶绿素含量的估算精度,其中R~2和RPD平均提高0.1和0.5, RMSE平均降低0.7。以CR-FD光谱特征波长结合SPXY样本划分法建立的多元逐步回归模型对竹叶叶绿素含量的估算精度最高,R~2, RMSE和RPD分别为0.835, 2.604和2.364,可对虫害胁迫下毛竹叶片叶绿素含量进行准确的估算。     

顾及土壤类型的土壤Zn含量高光谱遥感反演

目前针对土壤重金属的高光谱反演方法大多集中在单一的研究区域或未考虑土壤类型对反演结果的影响,而土壤类型和成土因素的不同会对土壤属性参数的高光谱反演模型的普适性产生一定程度影响。该研究提出一种顾及土壤类型的重金属高光谱遥感反演方法,根据研究区土壤类型,从土壤样本的实验室光谱中提取对重金属起主要吸附作用的土壤光谱活性物质的特征谱段,分别建立基于土壤光谱活性物质特征谱段的重金属含量估算模型。使用改进的遗传算法(IGA)对特征谱段进行波段优选,使用偏最小二乘回归算法(PLSR)建模,使用决定系数(R²)、相对偏差(RPD)和预测均方根误差(RMSEP)三个指标对不同的建模方法进行评价。以湖南省郴州市东河流域铅锌矿矿区的黄壤和红壤样本数据为例,采集38个黄壤样本和35个红壤样本,从土壤样本的实验室光谱中提取对Zn起主要吸附作用的土壤有机质和黏土矿物的特征谱段,均采用IGA+PLSR方法进行建模。结果表明：不考虑土壤类型即利用全部土壤样本进行建模时,与全谱段建模结果相比,基于土壤有机质和黏土矿物特征谱段的重金属Zn含量反演精度的R²由0.624提升到0....     

一种快速有效鉴定CRISPR/Cas9诱导水稻突变体的方法

突变体的筛选与鉴定是育种工作中的重要环节。该研究基于高光谱成像技术实现了水稻CRISPR/Cas9突变体种子的可视化鉴别。采集了水稻HD野生型和CRISPR/Cas9突变体种子共1 200粒样本的高光谱图像数据,通过Kennard-Stone算法,按照2∶1的比例构建了建模集(800)和预测集(400)。对水稻种子的原始光谱经过WT预处理后,通过2nd derivative提取了24个特征波长,分别基于全谱和特征波长建立径向基函数神经网络(RBFNN),极限学习机(ELM)和K最邻近法(KNN)模型。试验结果表明,无论是基于全谱还是特征波长神经网络模型都取得了良好的识别能力。通过2nd derivative提取的特征波长结合RBFNN模型也取得了较好的鉴别结果,其建模集和预测集分别达到了92.25%和89.50%。基于2nd derivative-RBFNN结合图像处理技术,可以实现水稻CRISPR/Cas9突变体种子的可视化鉴别,实现种子的定位和识别。结果表明应用高光谱成像技术,结合化学计量学方法和图像处理技术对水稻CRISPR/Cas9突变体的鉴别具有可行性,可为水稻育种中大量突变体的快速、准确地筛选和鉴定提供技术手段。     

可见近红外高光谱成像对灵武长枣定量损伤等级判别

利用可见近红外（Vis-NIR）高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。采用定量损伤装置得到损伤Ⅰ,Ⅱ,Ⅲ,Ⅳ和Ⅴ级的灵武长枣,借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。提取感兴趣区域（region of interest,ROI）并计算样本平均光谱值。利用光谱-理化值共生距离算法（SPXY）将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。灵武长枣原始光谱建立偏最小二乘判别分析（PLS-DA）分类模型,得到校正集和预测集准确率分别为72.70%和86.67%;灵武长枣原始光谱数据采用移动平均（MA）、卷积平滑（SG）、多元散射校正（MSC）、正交信号修正（OSC）、基线校准（baseline）和去趋势（de-trending）等方法进行光谱预处理并建立PLS-DA分类判别模型。通过分析比较,得到MSC-PLS-DA为最优分类判别模型,校正集准确率为76.19%,预测集准确率为86.67%,其中校正集比原始光谱建模准确率提高了3.49%,预测集准确率较原始光谱建模结果未提高;为了提高建模效果,对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法（SPA）、无信息变量消除（UVE）、竞争性自适应加权抽样（CARS）和区间变量迭代空间收缩法（iVISSA）等算法提取特征波长,建立PLS-DA分类判别模型,结果表明,MSC-CARS-PLS-DA为最优模型组合,校正集准确率为77.14%,预测集准确率为89.52%,建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。结果表明,Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。