黑土有机质含量野外高光谱预测模型

以田间原状黑土野外实测高光谱反射率为研究对象,分析黑土有机质的光谱响应波段,运用光谱分析方法提取光谱指数,建立基于反射光谱特征的黑土有机质高光谱预测模型。得出如下结论:(1)黑土反射光谱特征差异主要在小于1 250 nm的光谱范围,尤其是在小于1 100 nm的范围,随着有机质含量的变化,该波谱范围内黑土反射光谱特征呈现单/双谷现象,有机质是影响黑土反射光谱特征的决定因素。(2)有机质与黑土反射率倒数对数微分的相关系数最高,最高值在1 260 nm,达到-0.77(R2),相关系数高的波谱范围为750~1 260 nm。(3)基于黑土野外光谱反射率的有机质含量高光谱预测模型稳定性强,预测能力较好,能够用于黑土有机质含量野外速测。     

一种间接从高光谱数据中提取黑土硒含量的新方法

我国东北黑土富含养分,随着土壤数字制图、精确农业和土壤资源调查等研究的深入,引入航空高光谱数据并提供科学的预测结果成为研究热点。硒元素相对于黑土土壤的主要成分属于微量元素,但其对作物的正常生长的作用与大量元素是同等重要的,亦是人体健康所必要的营养元素。针对硒含量反演,建立了一个基于主要成分的间接提取模型,该模型能够显著提升硒含量回归系数,降低实测值与预测值的误差。数据源自CASI-1500航空高光谱成像系统,光谱范围380~1 050 nm,空间分辨率1.5 m。在黑龙江建三江地区采集60个土壤样本,化验获得硒、有机质、全铁、pH和氧化钙含量数据,选择BP神经网络,建立光谱与含量的反演模型。分析不同含量的黑土成分在可见-近红波段范围内光谱变换规律,掌握了硒元素随着含量升高,光谱反射率会逐步升高的规律。但当硒含量较低时,在其他成分的干扰下,这一规律会逐渐减弱,直至不显著。有机质的光谱特征与硒元素相反,总体上随着含量的增高,反射率整体下降,这与有机质的光谱特性紧密相关。全铁光谱呈现出与有机质光谱类似的规律,说明二者具有较高的相关性。不同pH值和氧化钙含量的光谱特征与检测值没有呈现出明显的特征规律,反射规律不明显。对60个采样点不同养分含量进行逐波段求反射率对养分的相关系数。结果表明,pH值各个波段相关系数最高,均值达到0.63;其次是全铁的相关系数,为0.54;有机质和氧化钙的相关系数接近,分别为0.42和0.47;而硒元素含量与逐波段的平均相关系数最低,为0.38。选取相关系数较高的前5个波段,作为建模波段。硒特征波段为447,437,456,466和475 nm;有机质特征波段为447,456,466,437和475 nm;全铁特征波段为752,695,800,762和733 nm;pH特征波段为905,752,800,943和695 nm;氧化钙特征波段为752,695,800,523和762 nm。通过计算样本点硒含量与其他成分的相关系数,硒与有机质呈正相关,相关系数为0.79;与全铁、pH、氧化钙呈负相关,相关系数分别为-0.80,-0.94和-0.69。针对有机质、全铁、pH和氧化钙反演精度较高,而硒元素含量较低,直接反演精度不足的问题,设计了一种先提取4种成分含量,再根据其提取结果建立硒元素函数关系,间接反演硒元素含量的方法。首先将五种成分与特征光谱进行神经网络分析,计算每种成分的回归系数R2和RMSE。显示全铁和pH具有较高的反演精度,有机质和氧化钙归系数虽低于0.8,但也显著高于硒元素的反演精度。建立硒元素与其他4种成分含量的回归模型,得出Se=0.522 9+0.041 8Som-0.016 6Fe₂O₃-0.035 6pH-0.005CaO,进行硒元素间接提取,回归系数从0.516增长到0.724,均方根误差从0.182降低到0.136,显著改进了反演硒含量的精度,为硒元素大范围精确制图提供了一种新技术。     

基于支持向量机的水稻叶面积指数高光谱估算模型研究

为了研究支持向量机(SVM)对于作物农学参数高光谱估算的能力,通过大田小区试验,测定了2个品种、3个供氮水平处理的水稻在不同生长期的冠层高光谱反射率(350～2 500 nm)。依据Ladsat-5的TM传感器波段宽度,将高光谱反射率转换为10种不同的植被指数。利用所有样本的植被指数和水稻叶面积指数(LAI),通过不同统计模型的模拟分析,依据模型的R2选取了三种相关性较高的统计关系(包括NDVI_green的指数关系、TCARI/OSAVI的乘幂关系和RVI₂的乘幂关系)。对这三种关系,通过具有不同核函数的SVM模型和相应统计模型对LAI进行估算。结果表明：所有的SVM模型都具有较低的均方根误差值,估算精度都高于相应的统计模型;基于TCARI/OSAVI的POLY核SVM具有最高的估算精度,其RMSE比相应的统计模型降低近11个百分点。因此,SVM方法用于水稻LAI高光谱估算具有良好的学习能力和鲁棒性。     

基于反射率模拟模型的黑土有机质含量估测

定量分析了黑龙江省黑土室内高光谱反射率曲线特征,确定了影响反射光谱曲线的主要特征控制点,建立了黑土光谱反射率模拟模型并对其进行评价,分析比较反射率数据、模拟后的光谱数据与土壤有机质含量的关系,建立了土壤有机质含量光谱预测模型。结果如下：有机质是小于1 000 nm范围黑土反射光谱特征的决定因素,随有机质含量变化,黑土光谱反射率在该范围呈现单/双吸收谷特征;黑土反射光谱曲线在450～930 nm范围内有５个主要特征控制点;黑土反射率模拟模型能较准确地描述黑土反射光谱曲线,直线模型的模拟效果更好;以反射率模拟模型系数为自变量的有机质含量预测模型优于基于反射率及其一阶微分的模型,说明反射率模拟模型的曲线控制点选择合理且有代表性,反射率曲线模拟方法能够准确描述黑土的实际光谱反射率。     

应用近红外高光谱成像预测三文鱼肉的水分含量

应用近红外高光谱成像技术实现三文鱼肉水分含量的快速无损检测。采集来自不同部位的三文鱼肉共90个样本的高光谱图像, 提取样本感兴趣区域(ROI)的平均光谱。随机取60个样本作为建模集, 其余30个样本作为预测集。分别采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)对全波段和水分含量建立相关性模型, 并对预测集样本的水分含量进行预测。再用一种新的变量提取方法random frog选择特征波长, 并基于特征波长分别建立水分检测的PLSR和LS-SVM模型。特征波长模型的预测精度虽然稍逊于全波段模型, 但是仅用12个变量代替了全波段的151个变量, 大大简化了模型, 更便于实际应用。PLSR和LS-SVM特征波长模型的预测相关系数(Rp)分别为0.92和0.93, 预测均方根误差(RMSEP)分别为1.31%和1.18%, 取得了满意的结果。研究表明, 近红外高光谱成像与化学计量学方法结合可以准确预测三文鱼肉的水分含量, 为鱼肉品质的快速监测提供重要的参考。     

估测田间烟叶色素含量的光谱模型研究

田间烟叶色素含量的光谱无损快速测量,对烟草营养生长期的营养诊断与长势监测、成熟期的烟叶品质评判具有重要的生产指导意义。该研究的目的是利用烟叶田间光谱估测烟叶的叶绿素和类胡萝卜素含量。研究采集了营养生长期和成熟期烟叶田间反射光谱,测量了样品烟叶的色素含量,利用支持向量机(SVM)和光谱指数法,对营养生长期和成熟期烟叶样品用分期建模和混合建模两种方法建立色素含量估测模型,并对模型的预测性能进行比较。研究结果表明,分期建模和混合建模对于烟叶色素含量的估测效果差异不显著。对于叶绿素含量,SVM和光谱指数法均有较好的估测效果;对于类胡萝卜素含量,SVM方法比光谱指数法具有更高的估测精度。采用SVM方法对烟叶样品的叶绿素含量分期建模得到的估测决定系数和均方根误差分别为0.862 9和0.015 5,对叶绿素含量混合建模得到的估测决定系数和均方根误差分别为0.898 5和0.012 3;采用SVM方法对烟叶样品类胡萝卜素含量分期建模得到的估测决定系数和均方根误差分别为0.873 0和0.002 4,对类胡萝卜素含量混合建模得到的估测决定系数和均方根误差分别为0.852 7和0.002 4。该研究的创新点是通过支持向量机和光谱指数法采用分期建模以及混合建模的方式建立了烟叶样品色素含量的估测模型,为烟草田间生产的质量控制、烟叶的采收品质保证提供科学依据和技术支持。     

应用近红外高光谱成像预测三文鱼肉的水分含量

应用近红外高光谱成像技术实现三文鱼肉水分含量的快速无损检测。采集来自不同部位的三文鱼肉共90个样本的高光谱图像,提取样本感兴趣区域(ROI)的平均光谱。随机取60个样本作为建模集,其余30个样本作为预测集。分别采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)对全波段和水分含量建立相关性模型,并对预测集样本的水分含量进行预测。再用一种新的变量提取方法random frog选择特征波长,并基于特征波长分别建立水分检测的PLSR和LS-SVM模型。特征波长模型的预测精度虽然稍逊于全波段模型,但是仅用12个变量代替了全波段的151个变量,大大简化了模型,更便于实际应用。PLSR和LS-SVM特征波长模型的预测相关系数(R_p)分别为0.92和0.93,预测均方根误差(RMSEP)分别为1.31%和1.18%,取得了满意的结果。研究表明,近红外高光谱成像与化学计量学方法结合可以准确预测三文鱼肉的水分含量,为鱼肉品质的快速监测提供重要的参考。     

连续小波变换高光谱数据的土壤有机质含量反演模型构建

土壤有机质含量是反映土壤肥力的重要指标,对其进行动态监测是实施精准农业的重要措施。近年来,众多学者尝试采用土壤近地传感(proximal soil sensing),尤其是近地高光谱技术,在田间和实验室获取不同形态土壤的高光谱数据,不断引入新方法建立适用于不同地域和不同土壤类型的有机质含量的反演模型。该研究在实验室内利用ASD FS3采集了土壤高光谱数据,采用“重铬酸钾-外加热法”测得了土壤有机质含量;分析了土壤原始光谱反射率(R)与有机质含量的相关性,选取R2>0.15的敏感波段的反射率;利用CWT对土壤原始光谱反射率(R)、光谱反射率的连续统去除(CR)进行不同尺度的分解,分析小波系数与土壤有机质含量的相关性,选取R2>0.3的敏感波段的小波系数;利用R选取的波段信息和R-CWT,CR-CWT的选取的小波系数,分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)、支持向量机回归(SVMR)三种不同的土壤有机质含量反演模型。结果表明：相比R与土壤有机质含量的决定系数R2,R-CWT,CR-CWT变换后得到的小波系数与土壤有机质含量的决定系数R2分别提高了0.15和0.2左右;CR-CWT-SVMR的模型效果最为显著,预测集的R2和RMSE分别为0.83,4.02,RPD值为2.48,具有较高的估测精度,能够全面稳定地估算土壤有机质含量;CR-CWT-PLSR的模型精度与CR-CWT-BPNN,CR-CWT-SVMR相比虽有一定差距,但是其计算量要明显小于非线性的BPNN和SVMR方法,具有模型简单、运算速度快等特点,对开发与设计田间传感器具有较大的应用价值。     

高光谱图像信息的柑橘叶片光合色素含量分析技术研究

暗箱环境下采集柑橘叶片高光谱图像,采用阈值法提取整叶有效光谱信息区域的平均光谱,比对分析了柑橘叶片光谱信息不同预处理方法和光谱PLS、BPNN和LS-SVM预测模型对叶绿素a、叶绿素b和类胡萝卜素等光合色素含量的预测精度。结果显示,采用MSC对原始光谱进行预处理和LS-SVM建模对叶绿素a含量的预测效果较好,Rp达0.898 3,RMSEP为0.140 4;采用SNV光谱预处理和LS-SVM模型对叶绿素b含量的预测其Rp为0.912 3,RMSEP为0.042 6;采用MAS预处理和PLS模型对于类胡萝卜素含量预测的Rp和RMSEP分别为0.712 8和0.062 4。结果表明:采用高光谱图像信息可较好地进行柑橘叶片叶绿素a,叶绿素b和类胡萝卜素等光合色素含量的预测,为进一步研究柑橘叶片光合色素含量与组分构成的非损伤实时检测提供了依据。     

应用近红外光谱对低碳数脂肪酸含量预测

应用近红外光谱技术结合支持向量机回归(support vector machine regression, SVR)方法测量食用植物油脂低碳数脂肪酸(C≤14)含量。使用SupNIR-5700近红外光谱仪采集58个样品的近红外光谱图,通过偏最小二乘(partial least square, PLS)算法剔除奇异样品。选择其中具有代表性的52个样品进行主成分分析(principal component analysis, PCA),选取径向基(radial basis function, RBF)核函数建立支持向量机回归模型,并对光谱预处理方法和参数寻优方法进行了详细的分析和讨论。实验表明,经过粒子群算法(particle swarm optimization, PSO)优化后模型的性能都有所提高,泛化能力更强,预测的准确度和稳健性更好;其中预处理方法2经过PSO优化寻优后的参数C=2.085, γ=22.20时,预测集和校正集相关系数(correlation coefficient, r)分别达到了0.998 0和0.925 8,均方根误差(root mean square error, MSE)分别为0.000 4和0.014 3。研究结果表明,应用近红外光谱结合PSO-SVR方法进行食用植物油脂低碳数脂肪酸含量快速、准确的预测是可行的。     

不同含水量黑土土壤光谱反射率半经验模型构建

土壤含水量的变化情况与时空分布对热量平衡、农业墒情等具有显著的影响。利用反射率光谱信息反演土壤含水量的研究,可为实现土壤含水量速测、揭示土壤含水量时空变异规律提供科学依据。构建不同含水量黑土土壤反射率光谱半经验模型,深入探究土壤重量含水量与反射率光谱的关系。 制备了12种不同湿度的土壤样品。 采用ASD Field Spec Pro 3地物波谱仪对制备的不同湿度梯度的黑土土壤进行反射率光谱测量。 利用菲涅耳反射率建立土壤表面反射模型;在以往的研究中,Kubelka-Munk (KM)模型中的漫反射率R_∞通常被视为对于给定材料和照明波长的常数或需要反演的参数。通过研究发现,漫反射率R_∞不仅与材料和波长有关,还与土壤含水量相关。利用与土壤含水量相关的吸收系数及散射系数描述了土壤含水量与漫反射率R_∞的关系,并基于KM理论对体散射分量进行建模;进而构建不同含水量黑土土壤反射率光谱半经验模型。 根据实际测量数据选用最小二乘算法对模型参数进行反演,并通过分析反演参数简化模型。最后,将未参与建模的不同含水量梯度的数据代入模型中,验证模型的有效性。结果表明：对比不同含水量土壤反射率光谱的模拟值与实测值在400～2 400 nm波段范围内的模拟精度发现,含水量为200 g·kg-1的土壤反射率光谱的均方根误差最大,为0.008,含水量为40 g·kg-1的土壤反射率光谱的均方根误差最小,为0.000 6,不同含水量下土壤样品反射率光谱的均方根误差的均值是0.005 1。在400～2 400 nm波段范围内,不同波长下黑土土壤反射率光谱的预测均方根误差基本低于0.008,1 920 nm波长处的预测均方根误差最小,为0.002 062。采集长春地区的土壤检验模型的可靠性,配制15个不同含水量样品并对其进行反射率光谱测量。选取9个样品数据用于建模,6个样品数据用于验证。结果表明：在400～2 400 nm波段范围内,不同波长下的长春土壤反射率光谱的预测均方根误差基本低于0.015,525 nm波长处的预测均方根误差最小,为0.000 922 5。综上所述,所建立的模型具有很高的预测精度,可很好地适用于不同含水量黑土土壤反射率光谱的模拟。     

东北黑土的光谱特性及其与土壤参数的相关性分析

选取我国东北黑土作为研究对象,研究其光谱特性并分析黑土主要参数与近红外光谱的相关性。通过比较东北黑土和北方潮土光谱特征的差异,显示当水分含量较高时,两种土壤的光谱特性差别不是很明显,当水分含量较低时,受土壤质地的影响,两种土壤的吸光度光谱及微分光谱均有很大差异。土壤水分值和吸收光谱有很大相关系数,土壤全氮与光谱呈现出了一定的相关性,提高土样全氮含量的方差,可以获得高的相关系数;由于黑土中有机质的含量很高,使基于土壤有机质的光谱吸收达到饱和,二者之间呈现较低的相关性。     

一种基于无人机高光谱影像的土壤墒情检测新方法

土壤含水量(SMC)是生物地球化学和大气耦合过程的关键变量,在干旱区农业、生态和环境中扮演着重要角色。相较于星载遥感系统,无人机(UAV)具有可控性强、分辨率高等特点从而被广泛应用,为中小尺度地表参量的快速监测提供新的遥感平台。机载高光谱传感器的引入,为UAV遥感系统提供了高维海量、纳米级的数据源。然而基于UAV高光谱数据的研究并未深度挖掘,也尚未形成一个标准的技术方案。该研究立足于新疆维吾尔自治区典型农业区,利用6种预处理方案,包括一阶导数(FDR),二阶导数(SDR),连续体去除(CR)、吸光度(A)、吸光度一阶(FDA)和吸光度二阶(SDA),对所获取的UAV高光谱数据进行处理。在此背景下构建4种类型的适宜光谱指数:差值型指数(DI),比值型指数(RI),归一化型指数(NDI)和垂直型指数(PI),并从光谱机理上讨论指数的合理性。最后利用梯度提升回归树(GBRT)、随机森林(RF)和eXtreme Gradient Boosting(XGBoost)算法,以28个最适光谱指数为独立变量建立SMC估算模型,并通过不同集成学习算法的重要性对变量进行排序,从线性和非线性的角度对所构建光谱指数的效果进行考量评价。结果表明:(1)预处理和最适光谱指数能有效地消除了大气干扰和土壤背景,其中预处理A突出更多的光谱信息,PI相关性显著;(2)通过分析比较相关性系数(r)和集成学习算法的重要性,发现A_PI(|r|=0.773)是最适光谱指数,在线性和非线性关系中均有较优的表现;(3)在3种基于集成学习的SMC预测模型中,XGBoost估算模型效果拔群(R 2 val=0.926,RMSEP=1.943和RPD=2.556),其预测值的统计学特征与实测值的最为接近。3种模型效果排序为:XGBoost>RF>GBRT。综上所述,基于UAV高光谱影像,结合不同预处理和光谱指数,为低空遥感监测土壤墒情提出新的方案。该研究的方案具有潜在的高精度,是检测干旱区SMC的有效方法,针对快速易行地监测地表属性提供了崭新视角。相关结果为干旱区精准农业、生态系统给予更好的管理和保护策略。     

Using Copula distributions to support more accurate imaging-based diagnostic classifiers for neuropsychiatric disorders

Many investigators have tried to apply machine learning techniques to magnetic resonance images (MRIs) of the brain in order to diagnose neuropsychiatric disorders. Usually the number of brain imaging measures (such as measures of cortical thickness and measures of local surface morphology) derived from the MRIs (i.e., their dimensionality) has been large (e.g. > 10) relative to the number of participants who provide the MRI data (< 100). Sparse data in a high dimensional space increase the variability of the classification rules that machine learning algorithms generate, thereby limiting the validity, reproducibility, and generalizability of those classifiers. The accuracy and stability of the classifiers can improve significantly if the multivariate distributions of the imaging measures can be estimated accurately. To accurately estimate the multivariate distributions using sparse data, we propose to estimate first the univariate distributions of imaging data and then combine them using a Copula to generate more accurate estimates of their multivariate distributions. We then sample the estimated Copula distributions to generate dense sets of imaging measures and use those measures to train classifiers. We hypothesize that the dense sets of brain imaging measures will generate classifiers that are stable to variations in brain imaging measures, thereby improving the reproducibility, validity, and generalizability of diagnostic classification algorithms in imaging datasets from clinical populations. In our experiments, we used both computer-generated and real-world brain imaging datasets to assess the accuracy of multivariate Copula distributions in estimating the corresponding multivariate distributions of real-world imaging data. Our experiments showed that diagnostic classifiers generated using imaging measures sampled from the Copula were significantly more accurate and more reproducible than were the classifiers generated using either the real-world imaging measures or their multivariate Gaussian distributions. Thus, our findings demonstrate that estimated multivariate Copula distributions can generate dense sets of brain imaging measures that can in turn be used to train classifiers, and those classifiers are significantly more accurate and more reproducible than are those generated using real-world imaging measures alone.     

土壤铬的航空高光谱间接反演模型及可迁移性研究

铬(Cr)是我国东北黑土区土壤重金属污染评价中的主要目标元素之一,随着航空高光谱技术的引入,C r含量的高光谱反演具备了大范围应用的数据基础,其中影响调查质量的关键是高光谱模型的精度及应用范围.常用的建模方法是利用各类统计学手段进行光谱特征提取并建模,局限性表现为建模结果受样本选择的影响较大,模型泛化能力不强.研究以土...     

南疆农田土壤全氮含量的中红外光谱反演模型

快速准确监测农田土壤全氮含量,可显著提高土壤肥力诊断与评价工作的效率。传统测定土壤全氮的方法存在耗时费力、成本高、环境污染等缺点,而基于光谱学原理的土壤全氮定量方法克服了传统测量的劣势。中红外(MIR)光谱相较于可见光-近红外(VNIR)光谱而言,具有更多的波段数和信息量,如何利用中红外光谱监测土壤全氮含量是具有重要应用前景的研究课题。为了探索中红外光谱对土壤全氮监测的可行性,以新疆南疆地区采集的246个农田土样为研究对象,以室内测定的全氮含量和中红外光谱反射率数据为数据源,分析了不同全氮含量土样的中红外光谱特征差异,以主成分分析法(PCA)和连续投影算法(SPA)对光谱数据进行降维,然后采用偏最小二乘回归(PLSR)、支持向量机(SVM)、随机森林(RF)和反向传播神经网络(BPNN)四种建模方法分别构建基于全波段和降维数据的土壤全氮含量定量反演模型。研究结果表明：(1)土壤在中红外波段光谱反射率随全氮含量的增加而增加,在3 620, 2 520, 1 620和1 420 cm^-1附近存在明显的吸收谷;将中红外光谱数据进行最大值归一化处理后,可明显提高土壤光谱反...     

中红外光谱和支持向量机的梅花鹿角帽粉假冒与掺假识别模型

梅花鹿角帽具有较高的药用和经济价值,因其质地坚硬,故一般选择打成粉末使用。消费者很难从外观上去判别梅花鹿角帽粉是否为正品,导致其假冒与掺假事件层出不穷。因此,提出利用中红外光谱（FTIR）结合机器学习探索一种识别梅花鹿角帽粉假冒与掺假的方法,以解决用马鹿角帽粉、梅花鹿骨粉假冒梅花鹿角帽粉和牛骨粉掺假梅花鹿角帽粉的问题。从黑龙江、吉林、辽宁3省共5个地区采集梅花鹿角帽、马鹿角帽、梅花鹿骨各120份,共360份样品;牛骨采购于长春市南关区农贸市场,使用牛骨粉掺假梅花鹿角帽粉,掺假比例分别为5%,10%,20%,30%,40%,50%,每种比例各20份,共120份。采集样品中红外光谱数据,多元散射校正（MSC）对光谱进行预处理,经K-S法抽样,按3∶1的比例划分训练集和测试集后,对光谱数据进行归一化（normalization）和主成分（PCA）分析降维处理。根据主成分个数累积贡献率≥85%,主成分特征值≥1原则,选择前7个主成分构成降维后的光谱数据;分别将全光谱（FS）数据与PCA降维后的光谱数据作为模型输入,建立支持向量机(SVM)、随机森林(RF)、极限学习机(ELM)识别模型。结果表明,梅花鹿角帽粉正品与假冒伪品、掺假次品的波谱在波段1 300～1 800和2 800～3 600 cm-1处存在差异,尤其是掺假比例≥10%以上的梅花鹿角帽粉与纯梅花鹿角帽粉差异明显。在识别梅花鹿角帽粉假冒与掺假模型中,FS-SVM,PCA-SVM,FS-RF模型均有很好的识别效果,其训练集与测试集识别率均为100%,其他模型识别率均低于98%。从简化模型的角度上比较,FS-SVM,FS-RF建模时间分别为4 859.36和1 818.96 s,而PCA-SVM建模时间仅为19.91 s。因此,PCA-SVM在6种识别模型中整体效果最佳。研究表明,中红外光谱结合支持向量机建模可以作为一种快速、准确、无损鉴别梅花鹿角帽粉假冒与掺假的有效识别方法。