中红外光谱检测不同浓度乙醇柴油性能指标

利用中红外光谱和化学计量学实现了对乙醇柴油各项性能指标的定量分析。实验样品96个,为32种不同浓度的乙醇柴油溶液。采用S-G平滑、MSC、微分处理(1stD和2ndD)、SNV等四种方法对光谱数据进行预处理,并结合八种波段筛选方法(UVE,CARS,SPA,RPLS,UVE-SPA,UVE-CARS,SPA-CARS,UVE-SPA-CARS)对乙醇柴油MIR光谱数据进行处理,分别建立乙醇柴油密度、粘度、乙醇含量的PLSR模型,得出以下主要结论：综合比较八种变量筛选方法,发现UVE-SPA-CARS-PLS对乙醇含量的建模效果最好,模型预测集的R_p和RMSEP分别为0.978 1和0.825 5。变量筛选较原始光谱建立的模型来说,不仅模型输入数量减少,预测效果也有所提高。     

小米米粉碱消值的高光谱快速预测

小米米粉的主要成分是淀粉,其食味品质决定小米米粉的市场价值。糊化特性是小米米粉的重要物理特性,而碱消值是能够直接反应其糊化特性的主要特征指标。通过小米米粉碱消值的差异,可以间接反映直链淀粉含量,当碱消值降低时,相反,糊化温度和直链淀粉含量却很高,而小米米粉口感粘糯性越差。采用高光谱技术结合化学计量学方法,建立快速检测小米米粉碱消值预测模型,旨在探索一种快速、无损、低成本预测小米米粉碱消值的方法。实验采集小米米粉高光谱数据,在被测样品感兴趣区域(ROI)按像素点逐一选择,提取高光谱数据矩阵,并进行均值运算,得到每个样品在各个光谱波段的平均光谱值。利用粘度测定仪(RVA)测定小米米粉碱消值指标。光谱数据采用全波段、竞争性自适应重加权采样法(CARS)及随机蛙跳(RF)法选择特征波段处理,建立偏最小二乘回归(PLSR)模型;全波段建立预测模型R_p值最高为0.77,说明能够利用小米米粉高光谱反射率反演小米米粉的碱消值,而采用其他两种计算方法所得R_p值分别为0.72和0.7,与前者较为接近,也反映了采用CARS和RF建立的回归模型具有可行性。为提高预测精度,采用Savitzky-Golay(S-G)法、多元散射校正(MSC)和S-G+MSC对数据预处理。可以看出采用MSC预处理光谱数据建立PLSR模型性能较好(R_p=0.83)。对MSC预处理后的数据再次CARS和RF法选择特征波段,建立PLSR模型,与未进行预处理的回归模型相比,R_p值变化不大,这也说明CARS和RF具有一定的稳定性,可以作为小米米粉高光谱反射率预测碱消值的参考方法。结果表明：为实现对小米米粉碱消值的快速、无损检测,通过运用高光谱技术能够利用小米米粉高光谱反射率预测碱消值,进而为小米米粉品质评级、加工及碱消值传感器的开发提供参考依据和数据支撑。     

结合高光谱图像的光谱和纹理信息预测羊肉可溶性蛋白和GSH含量

可溶性蛋白和谷胱甘肽（GSH）是羊肉重要的生理生化指标，是衡量机体抗氧化能力大小的重要因素，传统检测方法程序复杂，检测费时。为此应用可见-近红外（400～1 000 nm）高光谱成像技术实现可羊肉可溶性蛋白和还原性谷胱甘肽（GSH）含量无损、快速检测。首先，对采集的180个羊肉样本的原始光谱信息采用4种方法进行预处理，再运用竞争自适应加权算法（CARS）、区间变量迭代空间收缩算法-迭代和保留信息变量法（iVISSA-IRIV）进行特征波段的提取。同时使用灰度共生矩阵法（GLCM）提取贡献率最高的主成分图像的纹理信息。最后将优选出的预处理方法和特征波长信息作为光谱信息和光谱-纹理融合信息分别结合多元线性回归（MLR）、最小二乘支持向量机（LS-SVM）模型建立羊肉可溶性蛋白和谷胱甘肽含量的预测模型。结果显示未经预处理的原始光谱建立的羊肉可溶性蛋白含量PLSR模型效果最佳，其R_c和R_p分别为0.875 7和0.854 7；采用SNV法预处理后光谱建立的羊肉GSH含量PLSR模型效果最佳，其R_c和R_p分别为0.804 8和0.826 5。利用iVISSA-IRIV共筛选出31个特征波长，建立的羊肉可溶性蛋白LS-SVM模型的R_c和R_p最优，分别为0.914 6和0.881 8；同时利用iVISSA-IRIV筛选出29个特征波长，建立的羊肉GSH-MLR模型的R_c和R_p最优，分别为0.844 6和0.870 5。最终经光谱特征信息和图谱信息融合模型对比发现，建立iVISSA-IRIV-LS-SVM模型对羊肉可溶性蛋白预测效果最佳，其R_c和R_p分别为0.914 6和0.881 8；利用SNV-iVISSA-IRIV法提取的光谱特征信息与纹理信息融合建立的MLR模型为预测羊肉GSH含量的最优模型，其R_c和R_p分别为0.849 5和0.890 4。利用最优iVISSA-IRIV-LS-SVM和iVISSA-IRIV-MLR模型和成像处理方法，结合伪色彩图像直观的表示羊肉样本的可溶性蛋白和GSH含量的空间分布情况。研究结果表明利用高光谱图像的光谱和纹理信息能够用来预测羊肉可溶性蛋白和GSH含量。     

基于高光谱技术的厌氧发酵液固形物含量检测的研究

实时监测发酵液中固形物含量的变化,对控制厌氧发酵过程的稳定性具有重要作用。研究中采用近红外高光谱技术结合化学计量学方法,对水葫芦和稻草秸秆混合厌氧发酵过程中的固形物含量进行定量检测研究。与传统2540G(APHA,1990)标准方法相比,近红外高光谱技术具有无损、快速的优点。实验过程中,首先获取发酵液样本的高光谱信息,应用移动平均平滑法(MAS)进行光谱预处理,并采用竞争自适应重加权采样算法(CARS)、连续投影算法(SPA)和Random frog算法提取光谱特征信息,然后基于全谱和所选特征波长下的光谱信息分别建立总固形物含量(TS)和挥发性固形物含量(VS)的校正模型,建模方法包括偏最小二乘回归(PLSR)和最小二乘-支持向量机(LS-SVM)。研究表明,SPA-LS-SVM模型的预测结果最好,其中TS的预测均方根误差(RMSEP)及相关系数(R_p)分别为0.005 8和0.841;而VS的RMSEP和R_p分别为0.004 1和0.874。结果表明,利用近红外高光谱结合化学计量学方法可以实现厌氧发酵液中的固形物含量的检测,为布置光谱传感器以便定量检测厌氧发酵过程中的固形物含量奠定了理论依据。     

不同贮藏期水蜜桃硬度及糖度的检测研究

糖度和硬度作为水蜜桃的两个重要指标,决定其内部品质。在运输或售卖期间,水蜜桃果内水分流失,表面开始松软进而腐烂,内部品质发生变化。研究旨在探讨可见/近红外光谱预测水蜜桃不同贮藏期糖度和硬度的可行性,进一步预测水蜜桃的最佳贮藏期。采用漫透射和漫反射方式采集4个贮藏阶段的水蜜桃光谱,并测量糖度和硬度。分析了4个阶段水蜜桃的平均光谱,光谱强度随着贮藏天数增加而不断提高,且在650～680 nm区域内受果皮颜色及色素的变化产生波峰偏移。同时,分析了糖度和硬度的变化,糖度在贮藏期间逐渐提高,硬度在贮藏期间快速下降,最终糖度增加了3.31%,硬度下降了58.8%。采用多元散射校正、S-G卷积平滑、归一化处理及基线校正等预处理方法来减少噪声和误差对光谱的影响,并使用无信息变量消除(UVE)和连续投影算法(SPA)筛选特征波长,最后利用偏最小二乘回归(PLS)分别建立糖度和硬度的预测模型。分析糖度、硬度的PLS回归系数与平均光谱的波形发现,糖度的高回归系数分布在光谱多处,而硬度的该系数均在波峰波谷附近。SPA和UVE筛选的特征波长建立的糖度模型效果不佳,而硬度模型效果良好。结果表明,漫透射和漫反射检测方式下,糖度的最佳预测相关系数(R_p)及预测均方根误差(RMSEP)分别为0. 886,0.727和0.820,1.003,预处理方法分别是多元散射校正、平滑窗口宽度为3的S-G卷积平滑。此外,漫透射建立的硬度SPA-PLS模型,选用15个光谱变量,得到的R_p和RMSEP为0.798和0.976;而漫反射建立的UVE-PLS模型,选用113个光谱变量,得到的R_p和RMSEP为0.841和0.829。可以看出,漫透射方式预测水蜜桃贮藏期间的糖度更佳,而漫反射预测硬度更佳。利用可见/近红外光谱所建立的糖度和硬度预测模型,能够可靠地预测水蜜桃贮藏期内糖度和硬度的变化,对指导采摘、售卖时间和减少腐烂具有一定的参考价值。     

不同颜色冬枣可溶性固形物可见-近红外光谱分析模型构建

冬枣品质受其品种和生长环境等因素的影响,引起采后化转红指数不同,导致果实的颜色差异较大,从而影响其可溶性固形物（SSC）检测模型的分析精度。采用可见-近红外（Vis-NIR）光谱结合Norris-Williams平滑（NWS）、连续小波导数（CWD）、多元散射校正（MSC）、标准正态变量变换（SNV）和NWS-MSC五种光谱预处理方法构建不同颜色（红绿相间MJ,绿色GJ和红色RJ）冬枣SSC的偏最小二乘（PLS）定量分析模型,分别采用MJ,GJ,RJ,MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型,并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价;以不同建模样品集（校正集）的校正相关系数（R_c）和交互验证均方根误差（RMSECV）作为构建最优模型的评价指标;测试集的预测相关系数（R_p）和预测均方根误差（RMSEP）用于模型预测精度的评价。研究结果表明：分别采用MJ,GJ和RJ的独立样品集进行建模时,模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测;分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时,MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果,其RMSECV,R_c,RMSEP,R_p分别为1.108,0.698,0.980,0.724和1.108,0.698,0.983,0.822,而对RJ样品的预测误差较大,模型的RMSECV,R_c,RMSEP,R_p为1.108,0.698,1.928,0.597;而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果：MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.077,0.668;对GJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,0.881,0.861;对RJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.140,0.841;采用蒙特卡罗无信息变量消除（MCUVE）方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后,模型的R_c和R_p分别由原来的0.796和0.864提高到0.884和0.922,模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721,模型具有较好的分析精度。采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时,当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时,模型具有更好的通用性。     

基于激光诱导击穿光谱技术的咖啡豆中咖啡因含量快速检测方法

应用激光诱导击穿光谱(LIBS)技术研究了快速检测咖啡豆中咖啡因含量的可行性。将咖啡豆磨粉压成片状作为采集LIBS光谱数据的样本,应用原子吸收分光光度计测量每个样本中咖啡因的含量。应用基线校正,小波变换和归一化等数据预处理方法;针对基于全部变量的偏最小二乘(PLS)模型会出现过拟合,分别应用回归系数和主成分分析(PCA)选择特征变量,并建立了基于特征变量的PLS和BP神经网络模型。结果表明：基于回归系数所选特征变量的PLS模型中,建模集相关系数R_c=0.96,预测集R_p=0.91;基于PCA提取特征变量的PLS模型中,R_c=0.94,R_p=0.90;基于PCA所选特征变量的BP神经网络模型中,R_c=0.96,R_p=0.96。两种方法所提取特征变量均对应C,H,O,N,Na,Mn,Mg,Ca和Fe,且基于上述两种方法所选特征变量的PLS模型均对预测集样本有较好的预测结果,说明上述元素与咖啡因含量存在联系,应用回归系数和PCA选择的特征变量是有效的,但是咖啡豆内C,H,O,N,Na,Mn,Mg,Ca,Fe与咖啡因含量的确切关系需要进一步研究。基于PCA所选特征变量的BP神经网络模型有更优的预测结果,说明所选特征变量适用于不同的建模方法。研究表明LIBS技术结合化学计量学方法可以实现咖啡豆中咖啡因含量的快速检测。     

高光谱成像技术的三文鱼多品质指标的预测与分布可视化研究

采用颜色、剪切力和K值评价冰鲜与冻融三文鱼的品质,利用高光谱成像技术结合化学计量学方法对三个品质指标进行预测,并讨论了不同波长选择算法所建模型的预测效果。准备不同冻融次数三文鱼样本,进行高光谱数据采集和品质指标真实值的测定。采用六种预处理方法减少光谱数据中暗电流以及噪声的干扰,采用竞争性自适应重加权算法（CARS）、区间变量迭代空间收缩法(iVISSA), iVISSA-CARS筛选出与待测指标相关的变量,通过比较三种波长选择算法筛选的特征变量所建偏最小二乘(PLS)模型的预测结果,优选出三个品质指标最佳的变量选择方法。结果表明1st Der-CARS-PLS模型对颜色中的a*预测效果最好,筛选出的51个变量建立模型的R_c和R_p分别为0.931 6和0.929 7,RMSECV和RMSEP分别为0.716和0.735;2nd Der-CARS-PLS模型对剪切力的预测效果最好,筛选出的61个特征变量建立模型的R_c和R_p分别为0.892 1和0.887 3,RMSECV和RMSEP分别为0.67 N和0.80 N;模型N-CARS-PLS取得了K值最好的预测效果,筛选出的51个特征变量所建模型的R_c,R_p,RMSECV和RMSEP分别为0.951 4, 0.950 0, 1.33, 1.53。说明CARS变量筛选方法能够有效提取与特征指标相关的变量,提高模型的预测性能。除此之外,特征变量筛选联合算法iVISSA-CARS-PLS对三个指标的预测也取得了较好的结果,对三个指标测试集的R_p分别为CARS-PLS预测模型的97.48%,97.02%,98.98%,而所用变量数仅为CARS-PLS的60.78%,62.29%,60.78%,说明变量筛选组合算法极大的减少了建立模型所用的数据量。三个指标的CARS-PLS以及iVISSA-CARS-PLS模型取得的预测效果均高于iVISSA-PLS,说明对于三文鱼三个品质指标的预测,CARS波长点筛选策略优于iVISSA波段选择策略。将优选出来的PLS模型分别用于构建三个品质指标的可视化分布图,清楚的展示了不同冻融次数三个品质指标的大小以及空间分布。因此,高光谱成像技术结合化学计量学方法可以较好的表征三文鱼的品质指标,为三文鱼多品质指标的同时快速检测提供了部分理论参考。     

多模式可调节光学机构的苹果可溶性固形物近红外光谱检测

利用多模式可调节的光学机构采集了苹果漫透射、全透射和漫反射三种检测方式的光谱,研究在不同的检测方式下苹果的光谱特征并采用PLS建立苹果可溶性固形物含量SSC预测的模型。首先分别采集每个样品赤道上四点的漫透射、全透射和漫反射光谱,然后分别使用多元散射校正MSC、基线偏移校正BOC、归一化Normalize和高斯滤波平滑GFS等方法对平均后的120个光谱做预处理,并结合竞争性自适应权重取样CARS法对漫反射光谱进行特征波长筛选,最后采用偏最小二乘法PLS回归建立预测苹果SSC的模型,并另购30个苹果验证模型性能。结果表明,苹果在三种检测方式下采集的光谱吸收峰和波谷所处的波段大致相同,但光谱强度有差异。三种光谱经3点高斯滤波平滑GFS预处理后建立预测苹果SSC含量的模型均取得很好的结果。漫透射的模型性能为R_cal=0.972,R_pre=0.967和RMSEC=0.436%,RMSEP=0.507%;全透射的模型性能为R_cal=0.964、R_pre=0.957和RMSEC=0.5%,RMSEP=0.574%;漫反射的模型性能为R_cal=0.963,R_pre=0.949和RMSEC=0.522%,RMSEP=0.536%;三种光谱经归一化预处理后融合建模的模型性能为R_cal=0.894,R_pre=0.857和RMSEC=0.836%,RMSEP=0.966%。进一步将漫反射光谱结合CARS算法筛选特征波长,使用119个变量建立模型的性能为R_cal=0.986,R_pre=0.977和RMSEC=0.323%,RMSEP=0.362%。最后将该模型导入新型多模式可调节的水果检测系统中,使用30个未参与建模的冰糖心苹果检验该模型预测苹果SSC的性能。结果显示30个外部验证集的相关系数为0.906,验证均方根误差为0.707%。进一步表明使用多模式可调节的水果内部品质检测系统采集的漫反射光谱结合光谱预处理、波段筛选算法和偏最小二乘回归方法可以建立较好的模型预测苹果可溶性固形物SSC含量。本研究为苹果的品质检测提供新的技术支持。     

基于太赫兹时域光谱技术的诺氟沙星浓度检测研究

畜禽养殖中抗生素的不合理使用导致畜禽产品中抗生素残留问题时有发生,进而通过食物链影响食品安全,威胁人类健康。准确、快速检测出抗生素药物的含量对保障食品安全具有重要意义。以残留较为常见的喹诺酮类诺氟沙星抗菌药为研究对象,开展基于太赫兹光谱技术的诺氟沙星较大梯度和较小梯度的全浓度含量检测研究。在较大梯度诺氟沙星样本中,首先,在1%～100%范围内设置了11个浓度,完成较大梯度压片样本制备;然后经太赫兹时域光谱系统扫描获取其时域光谱,提取样本的吸收系数,用卷积平滑S-G二项式拟合滤波去除噪声、平滑样本光谱数据。发现纯净的诺氟沙星在1.205 THz处存在一个强烈吸收峰,在0.816 THz处存在一个弱吸收峰。最后,利用逐步回归和连续投影法(SPA)选择变量并结合特征吸收峰进行多元线性回归建模预测分析。进一步在较小梯度诺氟沙星样本研究中,首先在浓度100 μg·mL-1(0.01%)以下设置了29个浓度系列,完成较小梯度溶液样本制备;然后获得其太赫兹时域光谱,用S-G二项式拟合滤波进行数据预处理,发现各浓度的吸收光谱未出现明显差异,最后利用逐步回归和连续投影法(SPA)选择变量结合特征吸收峰实现多元线性回归建模预测分析。结果表明：在较大梯度诺氟沙星样本中逐步回归选择变量的多元线性回归达到了模型最优(R_p=0.962, RMSEP=2.74%),准确率优于当前已有最优预测模型(R_p=0.867, RMSEP=16.6%);小梯度诺氟沙星样本的逐步回归选择变量的多元线性回归模型最优(R_p=0.728, RMSEP=18.79 μg·mL-1),该方法有一定的预测能力,但是准确率有待提升。利用太赫兹光谱技术实现了较全浓度诺氟沙星的检测,为后续诺氟沙星检测限的探索等进一步研究提供了一定的研究基础。     

基于荧光光谱法与深度信念网络的稻种发芽率检测方法研究

针对传统稻种发芽率检测效率低、精度差、专业化要求高等问题,通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。首先,将连粳7号和武运粳均分别老化0~7 d后,以5 min为间隔在纯净水中分别浸泡5~30 min。然后用荧光光谱仪检测浸泡液的荧光光谱,光谱数据经中心化后用集合经验模态分解(EEMD)去噪,并通过主成分分析法提取441.5 nm的特征荧光波长。最后,利用偏最小二乘回归(PLSR),反向传播神经网络(BPNN),径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。比较后得出,DBN模型在少数据、弱信号情况下的预测精度最高,预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。同时,通过分析混合稻种荧光数据R_p的变化趋势,得到最佳浸泡时间为22.1 min,实际上,精确度超过0.95(R_p)需要5 min左右。研究结果表明,结合荧光光谱法和EEMD-DBN模型,非破坏性地预测水稻种子发芽率具有可行性和高准确性,并且适用于不同颜色和污染水平的水稻种子的检测。     

基于NIR和SOM-RBF网络的兰州百合关键营养物质定量分析方法

为了实现兰州百合关键营养物质蛋白质和多糖的快速无损检测,在12 000～4 000 cm^-1光谱范围内采集了59份兰州百合粉的近红外光谱(NIRS)。首先运用SG、 Normalize、 SNV、 MSC、 Detrend、 OSC、 SG+1D、 SG+Normalize、 SG+SNV和SG+Detrend十种预处理方法对原始光谱数据进行处理,确定蛋白质的最佳预处理方法为SG+Detrend、多糖的最佳预处理方法为Detrend;然后运用CARS、 SPA和PCA三种算法对预处理的光谱数据进行特征波长筛选,确定蛋白质和多糖的最佳特征波长提取方法均为SPA算法;最后采用PLSR法建立了兰州百合关键营养物质蛋白质和多糖含量的预测模型,结果显示,经过SG+Detrend＿SPA处理所建立的蛋白质PLSR模型中,预测集相关系数R_p为0.810 6,预测集均方根误差RMSEP为1.195 3;经过Detrend＿SPA处理所建立的多糖PLSR模型中,预测集相关系数R_p为0.810 9,预测集均方根误差RMSEP为2.0946。...     

近红外光谱法检测乙醇柴油主要性能指标

乙醇柴油是柴油替代品的一种,它的使用越来越广泛,乙醇柴油品质由许多指标决定,采用传统方法检测这些指标不仅价格昂贵而且耗时长。近红外光谱技术是一种廉价、快速实时在线检测乙醇柴油品质的有效方法。本文采用近红外光谱技术结合最小二乘支持向量机检测了乙醇柴油的密度、粘度和乙醇含量,比较了线性和非线性校正技术(主成分回归、偏最小二乘回归和最小二乘支持向量机)对乙醇柴油品质的分析效果,同时也比较了不同预处理方法对预测模型能力的影响。实验结果表明,最小二乘支持向量机优于主成分回归和偏最小二乘回归模型,其对乙醇柴油密度、粘度、乙醇含量建模效果最优,相关系数分别是0.995 8、0.995 7和0.995 3;预测均方根误差分别为0.000 68、0.011 3和0.5714。     

Lasso算法的油砂钠元素近红外建模

以油砂中钠元素为研究对象,首次应用近红外光谱,结合Lasso(least absolute shrinkage and selection operator)建模方法,建立了油砂金属钠含量的近红外光谱定量校正模型,并与传统的PLS建模方法进行比较。结果表明,两种方法建立的油砂金属钠含量校正模型都具有很高的精度,预测性能方面略有差异。在实验验证集与预测集中,PLS与Lasso算法的相关系数分别是：R_v=0.878 8,R_p=0.857 9和R_v=0.887 4,R_p=0.860 0。实验验证了使用近红外光谱快速测定油砂金属钠含量的有效性,并分析了PLS与Lasso算法的适用范围。     

基于高光谱技术的土壤水分无损检测

利用高光谱成像仪(光谱范围400～1 000 nm)对土壤含水率进行了无损检测。比较了208个土样不同天数下土壤含水率与光谱变化、不同质量含水量光谱的差异;对比分析了不同光谱预处理方法、不同方法提取特征波长、采用多元线性回归(multiple linear regression,MLR)、主成分回归(principal component regression,PCR)与偏最小二乘回归(partial least squares regression,PLSR)建模,优选出最佳模型。结果表明：光谱曲线的反射率随着土壤含水率的增加而减小。当超过田间持水率时,光谱曲线的反射率会随着土壤含水率的增加而增大。对比分析了不同预处理方法,近红外波段优选出单位向量归一化预处理方法。采用无信息变量消除法(UVE)、竞争自适应加权采样(CARS)、β系数法、连续投影算法(SPA)方法提取特征波长为49,30,5和7。为了减少数据冗余,对UVE与CARS提取的特征波长进一步采用SPA方法进行特征提取,UVE+SPA,CARS+SPA提取特征波长数分别为5和8个。在此基础上,利用MLR,PCR和PLSR方法对400～1 000 nm范围的特征波长建立模型,对比分析不同建模效果,优选出β系数提取的特征波长的MLR模型。最优的特征波长为411,440,622,713和790 nm,最优模型的预测相关系数R_p=0.979,预测均方根误差RMSEP为0.763。因此,今后可采用不同波段对土壤含水率进行定量分析。