可见-近红外光谱的土壤养分快速检测

在测定土壤养分中,可见-近红外光谱技术具有很大的应用空间。该研究探讨了基于可见-近红外光谱(250~950nm)离线、快速测定土壤总氮(TN)、总磷(TP)、总钾(TK)、总碳(TC)等土壤养分的方法及应用。采集青岛三个不同地区土壤样品(异质性较高的山地土壤与河畔土壤)各60份,总计180份,并测定其TN,TP,TK,TC含量及其可见-近红外反射光谱,利用Kennard-Stone法按2∶1比例划分校正集和检验集,采用遗传算法分别提取TN,TP,TK,TC特征波长,以偏最小二乘法建立定量分析模型。TN,TP,TK,TC含量所建光谱模型的相关系数分别为0.970,0.964,0.680和0.967,检验集的相关系数分别为0.980,0.937,0.717和0.972,检验集的RPD值分别为4.570,2.424,1.411和4.135。结果表明,该方法能够对土壤TN,TP,TC含量进行精确预测,对土壤TK含量进行粗略预测。该研究主要依靠可见光波段,较好的预测了异质性较高的土壤的氮磷钾等养分含量,有望降低未来土壤养分速测的成本。此外,该研究还提供了青岛土壤养分的光谱库,为我国土壤大数据库的建立提供技术支撑。     

利用土壤的近红外光谱特征测定土壤含水量

以新疆玛纳斯县不同质地土壤(砂壤土、粉粘壤土和粘土)室内光谱反射率作为研究对象,采用包络线去除法对土壤光谱曲线进行处理,与土壤含水量进行相关分析并建立模型。结果表明：不同质地土壤光谱反射率大小依次为：粘土>粉粘壤土>砂壤土;砂壤土、粉粘壤土和粘土分别以田间持水量20.01%,24.10%和30.43%为临界点,在低于该临界点范围内含水量与反射率呈反比,在高于该临界点范围内含水量与反射率呈正比;在1 390～1 623 nm波段内,土壤含水量与光谱归一化反射率有较好的负相关,并达到显著水平,所建立的土壤含水量预测模型R2值达到0.8以上,模型平均相对误差为10%。结果表明,建立不同质地土壤含水量光谱预测模型可以较准确反映土壤含水量,其快速、无损、准确的优点,为测定土壤含水量提供了一种新方法。     

高光谱遥感监测土壤含水量研究进展

土壤含水量是监测旱情墒情的关键参量,近年来在利用高光谱遥感数据监测土壤含水量方面,国内外进行了大量的研究。文章首先在分析利用不同波段监测土壤含水量的原理及优缺点基础上,指出高光谱遥感监测的独特优势和问题。并以此为出发点,从机理上归纳了土壤含水量对土壤反射率的整体影响,以及对不同波段响应的差异。在此基础上,从物理机理和统计方法两个方面,总结了土壤含水量与土壤反射率的关系。并分析和评价了各模型及统计方法中的关键问题和优缺点。以往研究土壤含水量与土壤反射率关系的实验方法中往往存在一些问题,文章也一一指出并提出了解决方案。同时,探讨了高光谱在消除植被影响,更好地反演土壤含水量方面的可行性。最后对未来的研究方向进行了展望。     

基于高光谱成像技术的滩羊肉新鲜度快速检测研究

滩羊肉的新鲜度是其品质安全的一个重要衡量指标,也是肉品品质安全控制的关键环节。挥发性盐基氮（TVB-N）是表征肉品腐败过程主要的化学信息,能有效地评价出滩羊肉的新鲜度。然而,TVB-N的传统检测过程繁琐且人为影响因素大,检测结果缺乏客观性和一致性,不能满足当今肉品检测过程无损、快速、高效的需求。高光谱成像技术符合现代检测技术向多源信息融合方向发展的需求,已在食品安全领域得到广泛应用。利用可见/近红外高光谱成像技术（400~1 000 nm）结合动力学和化学计量学方法以及计算机编程技术,将同时实现滩羊肉贮存期内（15 ℃环境）TVB-N 浓度的快速检测和贮藏期的预测。研究中提取每个样品感兴趣区域的平均光谱数据,选用蒙特卡洛算法剔除异常样本。采用X-Y共生距离（SPXY）法划分为校正集和预测集,分别选用多元散射校正（multiplicative scatter correction, MSC）、卷积平滑（savitzky-golay, SG）、标准变量变换（standard normalized variate, SNV）、归一化（normalization）、基线校准（baseline）五种方法对原始光谱数据进行预处理,优选出最佳预处理方法。采用竞争性自适应重加权法（campetitive adaptive reweighted sampling, CARS）和连续投影算法（successive projections algorithm, SPA）分别提取了21个和6个特征波长。为优化模型并提高其模型精度,采用SPA算法对 CARS 所选特征波长进行二次提取,优选出14个特征波长。基于所提取的特征波长建立TVB-N浓度的PLSR模型,优选出 SNV-CARS-SPA-PLSR 模型具有较高的预测能力（R2_c=0.88,RMSEC=2.51, R2_p=0.65, RMSEP=2.11）。同时,建立了滩羊肉TVB-N变化与贮藏时间的动力学模型,并将优化后的光谱模型和动力学反应模型相结合建立了滩羊肉光谱吸光度值与贮藏时间的高光谱动力学模型,实现对贮藏时间的预测,并通过 PLS-DA判别模型对滩羊肉贮藏时间进行判别分析（校正集判别准确率为100%,预测集为97%）。研究表明,利用可见/近红外高光谱成像技术结合动力学和化学计量学方法以及计算机编程技术,可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析,为开发实时在线检测装备提供理论参考。     

不同质量含水量的土壤反射率光谱模拟模型

土壤含水量的时空分布与变化情况对土壤温度变化、陆地—大气间热量平衡以及陆面大气环流产生显著的影响,因此,对大范围内土壤含水量进行实时动态监测,获得某段时间内土壤含水量的连续变化情况具有重要的意义。研究目的是借助高光谱遥感手段,通过构建不同质量含水量的土壤反射率光谱模拟模型,深入了解土壤质量含水量与土壤反射率光谱之间的关系,为监测土壤含水量提供有效手段。利用ASD Field Spectral FR野外光谱仪和加水称重法获得北京市8个采样点的土壤样品不同质量含水量下的土壤反射率光谱实测数据,利用其中2个土壤样品不同质量含水量下的光谱数据构建含水土壤反射率光谱模拟模型,并利用未参与建模的另外6个土壤样品数据对该模型的模拟效果进行了检验。通过数据验证发现,当土壤质量含水量小于田间持水量时,该模型的模拟精度较高;而且对于不同的土壤样品,模型的模拟效果都比较好。最后又利用北京大学校园内三个采样点的实地测量光谱数据对模型进行了验证,光谱的模拟值与实测值之间的均方根误差最小可达0.005 8。因此该模型可实现对质量含水量小于田间持水量的不同类型土壤的反射率光谱进行较高精度的模拟。     

汽轮机油中含水量的近红外光谱研究

汽轮机油在使用过程中会因为种种原因混入水分,使油液理化性能发生变化,影响系统的正常工作,采取合理的措施有效地对汽轮机油中的含水量进行分析一直是汽轮机油的研究热点之一。应用近红外光谱技术结合连续投影算法(SPA)实现了汽轮机油中含水量的分析,通过对汽轮机油中含水量为0～0.156%的57个油样进行光谱扫描,运用原始光谱、一阶导数光谱和多项式最小二乘拟合求导算法Savitzky-Golay(SG)的不同预处理方法,并应用SPA提取近红外光谱的有效波长,以相关系数(r)和均方根误差(RMSE)作为模型评价指标对汽轮机油中含水量进行了研究。结果表明原始光谱经过一阶导数与SG预处理后,应用SPA提取近红外光谱的16个特征波长,作为最小二乘支持向量机(LS-SVM)模型的输入变量,建立了SPA- LS-SVM模型。运用此模型对验证集样本进行预测的相关系数和均方根误差分别为0.975 9和2.656 8×10-3,说明应用SPA结合近红外光谱技术来检测汽轮机油中含水量是可行的,并能获得满意的预测精度,为进一步应用光谱技术进行汽轮机油中其他污染物的检测提供了新的方法。     

基于近红外漫反射光谱的农田原位表层土壤含水量定量建模方法比较

在农田尺度下,土壤表层因理化性状、粗糙度、作物根系和秸秆残茬等引起的空间异质性较为明显,样点间含水量差别相对较小,这对基于近红外漫反射光谱技术的表层土壤含水量原位测定带来极大的挑战。本研究分别利用基于单一波长(1 200,1 400,1 450,1 820,1 940,2 000和2 250 nm)反射率构建的指数衰减模型、基于归一化土壤湿度指数(NSMI)和相对吸收深度(RAD)构建的线性模型、基于土壤含水量高斯模型(SMGM)所得的拐点宽度(σ)、函数中心振幅(R_d)和高斯曲线面积(A)三个参数构建的线性或二次模型,以及基于波长区间反射率构建的偏最小二乘模型(PLS),对土壤体积含水量(VMC)进行定量分析。结果表明：(1)在单一波长反射率构建的所有指数衰减模型中,2 000 nm波长显示出最佳验证效果,RMSEp最低(2.463),RPD最大(1.06);(2)与RAD相比,NSMI的验证精度更令人满意,R2(0.312)和RPD(1.224)更高,RMSEp(2.133)更低;(3)在SMGM模型参数以及PLS模型拟合VMC的验证结果中,R_d具有最佳拟合精度,其R2(0.253)和RPD(1.175)最高,RMSEp(2.222)最低;(4)总的来看,NSMI指标构建的线性模型是所有方法中精度最高的,而且计算过程简单,易于操作,可作为表层土壤含水量原位测定的首选方法。     

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。     

可见/近红外光谱快速测定土壤中的有机碳含量和阳离子交换量

为实现土壤中有机碳(TOC)含量和阳离子交换量(CEC)的快速检测, 对300个土壤样品的可见/近红外光谱数据进行了分析。使用快速独立分量分析(FastICA)算法对光谱数据矩阵进行分解, 得到独立成分和相应的混合系数矩阵, 再利用误差反向传播算法(back-propagation, BP)构造三层神经网络结构。为了克服传统BP神经网络结构难以确定和易于陷入局部极小点的缺点, 采用遗传算法优化BP神经网络结构和初始权值, 得到ICA-GA-BP模型。利用此模型对土壤中TOC含量和CEC进行预测, 根据预测相关系数(R2)和预测标准偏差(RMSEP)来评价预测模型的性能, 表明该模型对TOC含量和CEC测定的相关系数R2均达到0.98以上。说明文章提出的ICA-GA-BP建模方法具有很好的预测效果, 为土壤品质的鉴别提供了一种新方法。     

双波段光谱融合的猪肉多品质参数同时检测方法研究

在双波段可见/近红外光谱系统(350~1 100和1 000~2 500 nm)中,由于两台仪器性能有所不同,导致在波段重叠区域对同一样品测得的反射率不同,出现数据交叉现象。针对此问题,提出一种波段连接数据融合的方法,以期对两个波段的光谱进行更好的应用。首先采集60个生鲜猪肉样品表面的反射光谱信息,利用Savitzky-Golay(S-G)平滑和标准正态变量变换进行预处理,然后利用单一波段和双波段光谱数据与猪肉品质参数(颜色参数L*, a*, b*,pH和蒸煮损失率)理化值建立偏最小二乘预测模型,并分析比较。利用提出的波段融合方法对两个波段重叠区域出现的交叉进行处理,处理后的双波段光谱融合数据对参数L*, a*, b*, pH以及蒸煮损失率建模,验证集的相关系数分别为0.948 8,0.920 0,0.950 5,0.930 1和0.903 5,模型效果与未融合前相当甚至更优。采用无信息变量消除法方法进行特征变量筛选,利用优选后的特征变量建立了更为简化的模型。实验结果表明,所提出的波段融合方法能够对两个波段光谱数据实现较好的融合,利用融合后的光谱数据有利于建立更简化、性能更佳的预测模型。     

基于无人机多光谱图像的土壤水分检测方法研究

以表层土壤为对象,探究土壤的多光谱反射率与土壤水分含量相关性,进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。选取中国农业大学通州实验站为研究区域,实地采集试验田的土壤样本100组,按照一定梯度配制土壤含水量,配成的土壤含水率为10%~50%之间,土壤含量的真实值采用土壤烘干法进行测定。多光谱相机灵巧便捷,可搭载在无人机上对土壤进行监测。将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上,选择阳光充足的采集环境,实时采集土壤样本的多光谱图像,建立土壤多光谱信息与水分含量之间的模型。利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息,以多光谱相机自带的标准白板反射率为100%,计算出土壤样本在蓝、绿、红、红边、近红外五个波段的光谱反射率。采用BP神经网络算法、支持向量机算法、偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。以80组土壤样本数据作为训练集,建立基于多光谱图像的土壤水分含量预测模型。采用莱文贝格-马夸特算法对BPNN进行改进,提高了其训练速度,当网络结构为5-10-1时,训练效果最好,本文选择该网络结构;SVM采取高斯核函数,当参数为0.56时,模型效果最好。本研究采用归一化均方根误差(NRMSE)和决策系数(R 2)对三种土壤水分含量的预测模型进行定量对比。以20组土壤样本数据作为测试集,结果可知,基于BP神经网络土壤水分含量预测模型的NRMSE为0.268,R 2为0.872;基于支持向量机的土壤水分含量预测模型的NRMSE为0.298,R 2为0.821;基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316,R 2为0.789。对三种模型分析可知,基于BPNN的土壤水分含量预测模型效果均较好。结果可知,土壤的光谱反射率与含水率间存在较密切的相关性,将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测,对监测土壤墒情提供技术支持和理论支撑。     

分数阶微分技术在机载高光谱数据估算土壤含水量中的应用

无人机高光谱遥感为精准农业和农业信息化监测提供崭新视角。高光谱传感器具有厘米级空间分辨率和精细的光谱分辨率,可获取高质量的高光谱数据。然而,高光谱数据通常伴随噪声和数据冗余,高光谱信息利用效率低,常规预处理难以满足精准估算的需求。因此,为解决上述现实问题,针对机载高光谱影像的数据挖掘必不可少。利用分数阶微分(FOD)技术逐像元处理机载高光谱数据(步长为0.1)。通过对比FOD技术与整数阶技术对高光谱数据的改善能力,从光谱层面探寻最佳FOD阶数。在梯度提升回归树(GBRT)算法下构建土壤含水量(SMC)估算模型,最终在最佳模型下评估SMC的空间分布。结果表明：FOD技术提高光谱与SMC的相关系数(r_max=0.768),与原始光谱、一阶微分和二阶微分处理后的光谱同SMC相关系数相比,分别提升0.168,0.157和0.158。FOD技术提升模型估算精度的主因是突出有效光谱信息的作用,特别是与水分胁迫密切敏感的叶绿素、植物结构和水分响应波段(430,460,640,660和970nm)。即使FOD技术取得理想的结果,不同阶数的效果仍有差异。高阶FOD对影像增加了一定噪...     

基于光谱反射率的两种土壤有机质数学建模方法对比

已有土壤有机质的光谱预测模型其适用性受建模样本的采样尺度、土壤类型及光谱参数限制,需要在大尺度及范围上进一步检验适用性,并比较分析不同建模方法的建模效果以寻求适用性更好、精度更高的定量模型.在黑河上游大尺度范围采得225个土壤样品,进行了土壤有机质(SOC)及光谱反射率测定后将样本划分为建模集(180个土样)与验证集(45个土样).将土壤光谱反射率(R)变换处理后得到连续统去除(CR)、倒数(REC)、倒数之对数(LR)、一阶微分(FDR)及Kubelka-Munck变换系数共6种指标,针对建模集分别采用逐步线性回归与偏最小二乘回归方法建立12种光谱指标与SOC的数学模型,并采用验证集进行模型预测效果评价.结果表明:(1)采用逐步线性回归或偏最小二乘回归方法建模,LR指标对SOC变化的解释效果都是最好,是SOC的最优预测因子.(2)基于LR指标建立的SOC模型中,采用偏最小二乘回归模型比逐步线性回归模型的预测精度更好,相较于黑河上游已有的经验模型,偏最小二乘回归法建立的模型的预测效果也更好.(3)采用本实验的225个土壤样品对比验证了黑河上游仅有的SOC模型.该模型的SOC预测值与实测值通过了均值T检验且Pearson相关系数达0.826,表明在局部典型区域建立的SOC预测模型,可以应用到更大尺度上的土壤有机质预测研究.     

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。     

顾及粗糙度的土壤有机碳成像高光谱估测模型

可见近红外非成像光谱分析技术已被广泛用于土壤有机碳（SOC）含量估测,然而该技术的使用受土壤粗糙度的影响,对样本的前处理要求较高,导致模型的实用性受限。针对这一问题,以美国爱荷华州农田土壤为研究对象,使用成像及非成像光谱仪获取土壤样本研磨前后的可见近红外反射光谱,采用去包络线（CR）、吸光度变换（AB）、S-G平滑（SG）、标准正态变换（SNV）、多元散射校正（MSC）5种光谱预处理手段,利用偏最小二乘回归（PLSR）和支持向量回归（SVR）算法构建并对比土壤SOC光谱估算模型,探究利用成像光谱数据估测高粗糙度样本SOC含量的可行性。实验结果表明,使用成像光谱数据能够实现高粗糙度样本的SOC含量估算,而使用非成像光谱数据则无法估算高粗糙度样本的SOC含量;基于成像光谱数据建立的高粗糙度SOC最优PLSR估算模型R2能够达到0.739以及最优SVR估算模型R2为0.712,而基于非成像光谱数据建立的高粗糙度SOC最优PLSR和SVR估算模型R2仅仅分别为0.344和0.311。基于AB,SG,SNV和MSC这4种预处理手段之后的成像光谱数据建立的土壤样本研磨前的PLSR模型性能优于样本研磨之后建立的PLSR模型,而SVR模型性能正好相反。而对于非成像光谱数据来说,土壤样本研磨后建立PLSR和SVR模型精度总是强于样本研磨前建立的模型精度。对于这两种光谱数据和两个估算模型而言,不同的光谱预处理方法提高模型估算精度的能力不同。土壤样本研磨前后,基于成像光谱数据建立的PLSR和SVR模型性能均优于非成像光谱数据所构建的模型。成像光谱技术能够增强高粗糙度土壤样本可见近红外光谱与SOC的相关性,从而提高模型估算精度;能够克服土壤粗糙度的影响;为野外大尺度估测SOC含量提供了新的手段。     

土壤的光谱特征及氮含量的预测研究

应用近红外光谱分析技术(NIR)测定土壤参数具有快速、方便的特点.文章分析了不同含水率、不同颗粒大小的土壤样本在不同测试角、不同测试高度对土壤光谱的影响,并得到了不同含水率和不同粒径土壤的含氮量预测模型.研究了这些因素对含氮率测量的影响,分析了NIR技术在田间实地应用预测的可能性.研究表明,光谱仪在距土壤高度为100 mm,测试角为45°时,具有最大的吸光度.土壤粒径和含水率这2个参数明显影响,当粒径在0.5～5 mm变化时,含氮量预测相关系数r为0.81左右,当土壤粒径在＜0.25和＞5 mm模型的预测能力变差.当土壤样品呈天然潮湿状态时,氮的预测结果较差.而样品干燥以后,预测相关系数较高.为土壤原位光谱测试提供了依据.     

基于LLE-SVR的鸡蛋新鲜度可见/近红外光谱无损检测方法

鸡蛋新鲜度是反映鸡蛋内部品质的一个重要指标。为了能够实现鸡蛋新鲜度的快速无损检测,利用微型光纤光谱仪采集鸡蛋550～950 nm的透射率光谱曲线,与鸡蛋的哈夫单位值进行了定量分析。通过不同的预处理方式分别结合偏最小二乘回归(partial least squares regression, PLSR)与支持向量回归(support vector regression, SVR)建立模型,比较了不同模型的预测结果,发现一阶微分结合SVR能够实现较好地预测,且利用SVR建模要优于PLSR。为了提高运算效率,减少无用信息对建模的不良影响,分别利用线性降维主成分分析法(principal component analysis, PCA)与非线性降维局部线性嵌入(locally linear embedding, LLE)对一阶微分后的光谱数据降维,比较两种降维方法的预测效果,得出了LLE降维要优于PCA降维,其训练集和预测集的相关系数与均方根误差分别为92.2%,7.21和91.1%,8.80,训练集交叉验证的均方根误差相比减少了0.79。实验结果表明,利用局部线性嵌入结合支持向量回归进行非线性建模,能够提高鸡蛋新鲜度的预测能力,表明该方法对鸡蛋新鲜度的可见/近红外光谱检测可行。