基于水内标的NO-3，SO2-4，ClO-4拉曼光谱定量分析研究

拉曼光谱由于重现性差,在进行定量分析时往往需要内标。在水溶液中,水在2 700~3 900 cm-1范围伸缩振动拉曼峰很强,有作为内标的可能性,但水与溶质的相互作用会导致水伸缩振动拉曼峰形状发生变化,此外水的占比也会随着溶质浓度的变化而变化,当溶质浓度较高时需要对水的含量进行校正。将这两点因素考虑在内,研究了以水为内标,采用拉曼光谱法测量水溶液中NO-₃,SO2-₄和ClO-₄浓度的适用性。不同浓度NaNO₃,Na₂SO₄和NaClO₄溶液的拉曼光谱显示随着盐浓度的升高水在2 700~3 900 cm-1范围内的拉曼峰呈现出左肩下降右肩上升的变化趋势。将三种盐溶液拉曼光谱中酸根离子拉曼峰面积（A_盐）和水的拉曼峰面积（A_H2O）的比值（Ｒ_S=A_盐/A_H2O）与溶液中酸根离子和水的含量的比值（c_盐/c_H2O）作图,均呈现出良好的线性关系,拟合得到三条相关曲线的R2分别为0.999 1,0.999 1和0.999 4,说明酸根离子和水的拉曼散射系数均未发生变化或者在同比例变化。虽然水拉曼峰的形状发生了改变,但并不会影响水作为内标的可行性。在引入水的含量修正后,经理论推导c_盐与R_S符合关系式：c_盐=AR_S/(1+BR_S)。在0.1 mol·L-1到近饱和的宽浓度范围内,将R_S对c_盐作图,通过数据拟合获得的NaNO₃,Na₂SO₄和NaClO₄的工作曲线分别为c_NaNO3=18.8R_S/(1+0.6R_S) (R2=0.999 1),c_Na2SO4=20.2R_S/(1+1.0R_S) (R2=0.998 8),c_NaClO4=15.0R_S/(1+0.7R_S) (R2=0.999 8)。NaNO₃,Na₂SO₄和NaClO₄的检出限分别为0.008 0,0.005 2和0.007 3 mol·L-1。在水拉曼峰形状变化不影响其作内标可行性的基础上,当溶液中同时存在两种阴离子时,通过在水含量修正部分加入干扰离子对水含量的影响,可以在单盐溶液定量工作曲线中加入校正项来消除溶液中干扰离子对待测离子分析结果的干扰,但当干扰离子浓度较大而待测离子浓度较小时,干扰离子拉曼峰强度过大会影响到待测离子拉曼峰面积的准确性,从而使得校正的效果下降。     

SiPLS-CARS与GA-ELM对哈密瓜冠层叶片含水率的反演估测

传统的叶片含水率检测方法效率低、操作繁琐且是有损的检测,不利于大田哈密瓜叶片含水率的快速获取。为实现对大田哈密瓜生长期进行更精细的田间灌水管理,利用光谱技术分别获取了哈密瓜植株在成长期（M₁）、开花期（M₂）、结果期（M₃）、成熟期（M₄）四个时期内的冠层叶片样本,采用烘干法测得叶片样本的含水率。为提高预测模型的精度和稳定性,首先开展并讨论极限学习机（ELM）模型中的核函数与隐含层神经元个数的选择对ELM模型精度的影响。随后分别利用联合子区间偏最小二乘法（SiPLS）及其与竞争性自适应重加权采样法（CARS）、遗传算法（GA）、连续投影算法（SPA）的组合算法对全波段光谱数据中与叶片含水率相关性高的特征波长进行筛选提取。再分别使用GA与粒子群算法（PSO ）对已经确定最佳核函数与隐含层神经元个数的ELM模型中的输入层与隐含层间的连接权值（W）和隐含层神经元阈值（B）进行优化选择,获取最优且稳定的W与B值,进一步提高模型的稳定性和预测精度。最后将四种特征波长提取算法优选出的特征波长分别进行ELM,GA-ELM,PSO-ELM建模分析,以校正集和预测集的相关系数R_c与R_p为模型评价指标,经过对比分析优选出能准确预测哈密瓜冠层叶片含水率的反演估测模型。采用SiPLS及其与CARS,GA和SPA的组合算法提取特征波长,筛选出的变量数分别为273,20,32和6,占全光谱变量的15.6%,1.2%,1.9%和0.03%。进一步将筛选出的特征波长作为自变量,叶片的含水率作为因变量,建立了ELM的预测模型,最佳预测精度R_p值为0.845 0,预测精度不是很理想。故引入GA与PSO对ELM中随机产生的W与B值进行优化选择。最终,经过研究发现,利用GA优化后的ELM模型结合SiPLS-CARS筛选出的特征波长建立的哈密瓜冠层叶片含水率预测精度最优,故反演叶片含水率的最优建模方式为SiPLS-CARS-GA-ELM,R_c值为0.928 9,R_p值为0.903 2,所建模型精度较高,可为大田哈密瓜冠层叶片的含水率进行快速检测,为田间灌溉管理提供科学依据。     

高光谱技术融合纹理信息的羊肉总酚浓度快速检测

为了研究可见-近红外（Vis-NIR）高光谱成像对滩羊肉中总酚浓度（TPC）快速检测的可行性,基于光谱信息融合图像纹理特征建立TPC含量的预测模型,实现滩羊肉中TPC含量的可视化表达。将样本集根据3∶1的比例划分成校正集和预测集,采用多元散射校正（MSC）、基线校准（Baseline）、去趋势（De-trending）、卷积平滑（S-G）、标准正态变量变换（SNV）、归一化（Normalize）等校正方法去除原始光谱中不良散射等干扰信息。通过竞争性自适应加权抽样（CARS）、引导软收缩（BOSS）、区间变量迭代空间收缩法（iVISSA）和变量组成集群分析-迭代保留信息变量（VCPA-IRIV）提取TPC浓度的代表性特征光谱。采用灰度共生矩阵（GLCM）算法依次提取肉样第1主成分图像中纹理特征。基于特征光谱及图谱融合信息建立滩羊肉中TPC含量的偏最小二乘回归（PLSR）与最小二乘支持向量机（LSSVM）预测模型并进行对比分析。结果表明,（1）利用De-trending+SNV预处理后的光谱数据建立的PLSR预测模型性能较好,其R2_C=0.874 9,R2_P=0.793 2;（2）采用CARS,BOSS,iVISSA和VCPA-IRIV分别提取出了23,35,57和43个特征波长,占全光谱的18.4%,28%,45.6%和16.8%;（3）采用BOSS法提取的关键性波长建立的LSSVM模型性能较好,其R2_C=0.851 3,R2_P=0.745 9,RMSEC=0.116 8和RMSEP=0.155 0;（4）与基于特征波长建立的预测模型相比,BOSS-ASM-ENT-CON-LSSVM模型为滩羊肉中TPC浓度的最佳图谱融合预测模型（R2_C=0.850 0,R2_P=0.770 9,RMSEC=0.116 0,RMSEP=0.144 7）;（5）利用BOSS-PLSR简化模型将TPC浓度反演到样本的高光谱图像上,通过色彩直观化形式展现出来,实现TPC含量的可视化表达。     

基于仿生优化算法的水稻叶绿素含量反演模型

用光谱信息精准、高效地检测水稻叶片叶绿素含量,对诊断和优化水稻叶片氮素营养、开发和优化稻田氮素追肥系统、监测和评价水稻病虫害具有重要的实际意义。针对单纯采用机器学习模型反演水稻叶片叶绿素含量模型精确性和稳定性差的问题,以粳稻吉粳88为研究对象,通过网格试验获得分蘖期等关键生育期的叶片表型高光谱数据和相对叶绿素含量。选取核极限学习机（KELM）为基础建模模型,提出了一种先依据基础KELM建模效果选择预处理方法后,再利用仿生优化算法对所选预处理组合所对应的KELM模型的训练过程进行优化的新思路,以提高模型预测精度。首先,对光谱数据的各类预处理方法展开研究,通过对4类预处理方法进行全排列组合共得到72种预处理组合。利用连续投影算法（SPA）选择特征波段输入KELM模型以筛选较优预处理组合。依据建模效果,预处理组合CWT+MMS,CWT+MSC+SG+SS和CWT+SS所对应KELM的测试集决定系数（R2_p）较高,分别为0.850,0.835和0.828。其次,为使KELM模型在保证稳定性和泛化性的前提下性能达到最优,引入哈里斯鹰优化算法（HHO）,通过模拟鹰群在捕食时的合作行为和追逐策略,自动最优调节上述三种KELM模型参数,使得HHO-KELM模型R2_p分别为0.957,0.867和0.858,模型精度得到有效提升,最高提升10.7%。通过研究,证明了HHO算法优化机器学习模型反演水稻叶片叶绿素含量的可行性,为东北粳稻叶绿素含量的测定和评估提供了有力的参考和借鉴。     

基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究

为探究遥感监测水稻冠层叶片氮素含量的较优高光谱反演模型,以水稻小区试验为基础,获取了不同生长期水稻冠层高光谱数据。在综合比较一阶导数变换(1-Der)、标准正态变量变换(SNV)和SG滤波法等处理方法基础上,提出一种将SNV与一阶导数变换的SG滤波法相结合的光谱处理方法(SNV-FDSGF),并将处理后的数据经无信息变量消除法(UVE)与竞争自适应重加权采样法（CARS）选出不同生长期的敏感波段。将各生长期的敏感波段两两随机组合,并构建与水稻叶片含氮量相关性较高的差值光谱植被指数(DSI)、比值光谱植被指数(RSI)、归一化光谱植被指数(NDSI)。其中分蘖、拔节和抽穗3个时期的最优植被指数和决定系数R2分别为：DSI(R₈₅₇, R₆₂₃), 0.704; DSI(R₆₇₀, R₅₇₈), 0.786; DSI(R₉₉₅, R₅₀₈), 0.754。以各生长期内的较优的三种植被指数作为输入分别构建自适应差分优化的极限学习机(SaDE-ELM)、径向基神经网络(RBF-NN)以及粒子群优化的BP神经网络(PSO-BPNN)反演模型。结果表明：SaDE-ELM建模效果最好,在模型稳定性和预测能力上比RBF-NN和PSO-BPNN都有了明显提高,各生长期反演模型的训练集和验证集决定系数R2均在0.810以上,RMSE均在0.400以下,可为东北水粳稻冠层叶片含氮量的检测与评估提供科学和技术依据。     

环二硅氨烷的29Si和13C NMR研究

本文报道了十种环二硅氨烷衍生物(R₁=Me、ф;R₂=Me、ф1 R₃=Me;X=Me、ф、OH、OSiMe₃、H和cl)及与此有关的九种聚合物m+n(m=2,3,4,7,10)的²⁹Si和¹³C化学位移,讨论了取代基X、R₁、R₂及硅氧链节数m对化学位移的影响。通过考察化学位移随R₁、R₂的变化,推断环二硅氨烷中N与其周围的三个Si之间存在(p→d)π相互作用。     

光谱分辨率对土壤组分建模影响分析

实验室可见-近红外高光谱数据（VIS-NIR）具有快速、高效、无损等技术优势,被越来越多应用于土壤组分反演中。光谱分辨率越高所能表达的土壤信息越丰富,但也带来了数据冗余。目前,对于不同光谱分辨率对土壤组分建模影响效应分析的研究相对较少。以欧洲土壤中心数据集19036个土壤样本为数据源,以土壤总氮（N）、有机碳（OC）、碳酸钙（CaCO₃）、粘土（Clay）为例,基于偏最小二乘回归方法（PLS）并选择30%的随机样本独立验证的方式开展相关研究。首先将所有样本原始0.5 nm分辨率4 200个波段的高光谱数据采用等间距取均值方法分别重采样到2,4,8,…,1 024 nm开展分析。结果表明：随着光谱分辨率的降低,土壤各类组分反演精度均呈下降趋势,光谱分辨率在64 nm以上,4类土壤组分普遍具有较高的模型验证精度（R2>0.65,RPD>1.7）,光谱分辨率在128 nm以下CaCO₃和Clay组分精度显著变差;4类组分中,CaCO₃对光谱分辨率敏感性最强,在高光谱分辨率下反演精度较高（R2>0.86,RPD>2.72）,但随光谱分辨率降低精度下降最快。此外,基于光谱响应函数将样本光谱重采样到GF2,S3A,L8,Aster,Modis和S3OLCI六种常见卫星传感器的光谱分辨率展开评价。结果表明：土壤N、OC在各传感器中均可获得较高的精度,甚至在GF2传感器仅有4个波段情况下,也具有不错的验证精度（R2=0.56; RPD=1.51）,而土壤CaCO₃及Clay反演精度普遍较差;除传感器光谱波段数量外,波段位置对土壤组分的反演能力的影响也很显著,拥有近红外长波（1 100～2 500 nm）光谱范围的传感器对土壤组分的反演能力优于缺少该光谱波段的传感器,特别是粘土矿物的吸收峰多位于近红外长波段,S3A,L8,Aster和Modis传感器的Clay反演能力均优于光谱波段数更多的S3OLCI。该研究成果对土壤组分高光谱数据预处理、卫星数据源的选择及未来传感器光谱通道的设计具有指导意义。     

基于CARS-CNN的高光谱柑橘叶片含水率可视化研究

柑橘叶片水分亏缺是影响柑橘生长发育的重要因素之一,为研究水分胁迫对柑橘含水率的影响,利用高光谱快速无损检测柑橘叶片含水率,并应用伪彩色处理实现含水率可视化。收集100片柑橘叶片,使用烘干法得到鲜叶和烘干叶片一共500个不同梯度含水率的数据样本,将样本按7∶3的比例划分为训练集(350个样本)和测试集(150个样本),使用决定系数(R²)和均方根误差(RMSE)来评估模型预测的好坏。采用卷积神经网络(CNN)对高光谱数据进行预测,CNN模型使用一维卷积核,一共三层卷积池化层,使用RELU激活函数激活,输出层采用linear激活函数回归预测,使用nadam算法对模型进行优化更新,迭代次数为1 000次;将原始光谱数据和SG,MSC和SNV三种预处理后的光谱数据,与全波段、CARS筛选的特征波段、PCA提取的特征波段组合,导入CNN模型,确定最佳模型为原始光谱数据的CARS-CNN,训练集的R²_c和RMSEC分别为0.967 9和0.016 3,测试集的R²_v和RMSEV分别为0.9...     

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。     

基态S和D原子的低能弹性碰撞及SD(X2Π)自由基的准确相互作用势与分子常数

使用Gaussian03程序包提供的CCSD（T）理论及Duning等的相关一致基cc-pVnZ和aug-cc-pVnZ （n=2, 3, 4, 5）, 对SD（X²Π）自由基的平衡核间距、谐振频率及相互作用势进行了计算, 并拟合出了相应的光谱常数. 在CCSD（T）/aug-cc-pV5Z理论水平下, 光谱常数D₀, D_e, R 关键词： 弹性碰撞 总截面 光谱常数 分子常数     

PROSPECT模型的特征波长优化与作物叶绿素含量检测

叶绿素是作物生长诊断的重要参数,对其进行高效检测是农田精细化管理的基础.PROSPECT模型是作物光谱学检测研究的重要工具,可为建立高精度叶绿素诊断模型提供数据集基础.为了建立具有普适性的田间玉米作物叶绿素含量检测模型,使用PROSPECT模型输入叶片结构参数和生化参数模拟叶片400～2500 nm波段反射率曲线106...     

透射光谱的水体亚硝酸盐含量模拟估算

亚硝酸盐是水体中重要的必测指标之一,对于水体质量的评估有着重要意义。但传统的检测方法操作复杂、受干扰因素多、测定时间长、不能及时反映水质变化、无法及时有效地预警突发水污染事件。鉴于此,探索准确、实时、环保的环境水体和饮用水中的亚硝酸盐含量检测办法具有重要意义。采用优级纯试剂配制10种浓度的亚硝酸盐氮标准溶液(0.02, 0.04, 0.06, 0.08, 0.10, 0.12, 0.14, 0.16, 0.18和0.20 mg·L^-1),采用OCEAN-HDX-XR微型光纤光谱仪扫描10次各浓度亚硝酸盐溶液在181.1～1 023.1 nm范围内的透射光谱,取平均值作为各浓度亚硝酸盐溶液原始透射光谱,之后以亚硝酸盐含量作为因变量,全波段原始透射光谱作为自变量,采用随机森林回归中特征变量重要性方法,筛选特征变量,再此基础上利用交叉验证法,挑选最为稳定的模型变量个数,建立亚硝酸盐优化随机森林反演模型。结果如下：(1)利用全波段建立的随机森林模变量解释率(var explained)=76.49%,均方残差(mean of squared residuals)=0.00...     

GF-6 WFV光谱植被指数模型的叶面积指数反演

农业是国家经济发展的基础支柱,同时也是社会发展的基础产业。我国农业遥感技术的进步和发展,大量遥感卫星发射升空,如高分1号、 2号和6号等,为我国农情监测、作物长势、农业产业结构调整提供了重要技术支撑。农业遥感成为农业科技创新和精准农业的重要手段。叶面积指数(LAI)是一种可用来衡量植被冠层生理与生化的关键指标,不仅可以用来评估植被冠层表面的最初能量交换情况,提供相应的结构定量数据,还能反映植被冠层的光谱能量信息。同时,在陆地气候变化情况下,叶面积指数是陆地生态系统和土地利用过程生产力模型的关键输入。此外,研究发现植被冠层受人为活动和气候变化的直接或间接影响时,叶面积指数也是陆地生态系统应对气候变化十分重要的衡量标准。因此,针对GF-6 WFV遥感影像叶面积指数反演研究较少和传统光谱植被指数模型机理性、稳定性较弱的问题。基于GF-6 WFV遥感影像以栾城县为试验区,通过光谱植被指数与实测叶面积指数构造5种传统光谱植被指数模型和15种红边参与的光谱植被指数模型反演乳熟期叶面积指数,采用R²和RMSE进行模型评价,同时利用未参与建模的实测叶面积指数和MODIS LAI产...     

耦合多种特征的森林蓄积量反演方法比较——以雅鲁藏布江流域森林为例

森林资源遥感监测是遥感的重要应用方向之一。传统的统测方法花费大量的人力、物力,科学的森林资源预测可以提升工作效率并降低测算成本。森林蓄积量是评价森林生态系统质量的重要指标。蓄积量反演模型是用来估测蓄积量的数学模型,具有学习和预测的功能。同样的地物在不同光照或阴影区域有较大的差别,利用波段比值可以在一定程度上减小光照和阴影区域在建模时得出结果的误差。森林蓄积量的预测模型通常选取光谱信息和纹理特征作为主要建模因子,但未充分考虑选取波段比值、植被指数、地形因子等多特征变量时不同模型对预测精度的影响。针对不同模型的精度问题,以西藏自治区米林县为研究区域,以Landsat OLI影像、 DEM数据以及森林资源二类调查数据为数据源,对光谱信息、纹理特征和地形因子等进行提取与分析,并建立了三种基于多特征的森林蓄积量的反演模型,分别是多元逐步回归模型、 BP神经网络模型和随机森林模型。旨在研究不同模型对森林蓄积量反演的影响。采用可决系数(R²)、平均绝对误差(MAE)和均方根误差(RMSE)来对模型进行拟合度和精度的评价。结果显示随机森林模型的拟合度和精度均为最优(R^2...     

水稻产量遥感监测机器学习算法对比

水稻是我国的主要粮食作物,利用高光谱遥感技术在水稻未成熟之前对水稻产量进行监测,一方面可以及时调整栽培管理方式,指导合理追肥,另一方面,可以准确掌握水稻的产量信息,帮助政府提前做出决策.以2019年—2020年广州市白云区钟落潭试验基地氮肥梯度实验为基础,分别获取水稻分化期和抽穗期冠层高光谱数据、作物群体长势参数(生物...