基于土壤优化光谱参数估测太湖地区土壤全氮含量

为明确太湖地区土壤全氮的高光谱特征，构建定量分析模型，以江苏省无锡市滨湖区为研究区域，选取地理位置跨度大、土壤质地相似的93个样品，进行土壤风干样品全氮含量测定和光谱数据采集，对光谱反射率进行一阶微分，运用相关系数峰谷值法筛选敏感波长，将敏感波长两两结合进行土壤调节光谱指数（MSASI）运算。将两两结合后敏感波段分别采用多元线性回归分析、人工神经网络分析和偏最小二乘法构建土壤全氮含量的定量高光谱分析模型。结果表明，研究区内土壤全氮含量与光谱反射率呈正相关，敏感波段包括420~444 nm和480~537 nm。基于土壤调节光谱指数的多元线性回归分析对敏感波段诊断的效果最佳（R²=0.98、RMSE=0.04），其精度高、可靠性强，是筛选出的最佳土壤全氮含量估测模型。偏最小二乘法模型（R²=0.70、RMSE=0.13）次之，而人工神经网络模型（R²=0.69、RMSE=0.15）精度最低。该研究结果为太湖地区土壤全氮水平的高光谱快速估测提供了方法借鉴，可为土壤养分精准管理提供技术参考。     

稻米脂肪含量近红外光谱分析技术研究

 应用近红外光谱（NIRS）分析技术和偏最小二乘法（PLS）建立稻米脂肪定量分析数学模型，并比较糙米粒和糙米粉NIRS数学模型对预测稻米脂肪含量的效果差异。结果表明，当利用糙米粒和糙米粉NIRS数学模型对样品进行预测时，内部交叉验证预测值和真值之间的决定系数（R2）分别为94.44%和95.54%，内部交叉检验的标准差（RMSECV）分别为0.09%和0.08%；外部验证预测值和真值之间的R2值分别为79.51%和87.10%，预测标准差（RMSEP）分别为0.24%和0.26%，平均相对误差（ARE）分别为4.11%和3.30%。内部交叉验证和外部验证结果证明，糙米粒和糙米粉NIRS数学模型均具有较高的预测准确性，可应用于稻米营养品质改良实践。     

玉米DDGS蛋白质含量近红外光谱预测模型的建立

为准确测定玉米DDGS中蛋白质含量,采用近红外光谱分析技术结合改进最小二乘回归法（MPLS）,以65个不同来源的玉米DDGS为样品,建立玉米DDGS蛋白质含量近红外光谱预测模型。结果显示：预测模型内部交叉验证标准误差（SECV）为0.095 7,交叉验证相关系数（1-VR）为0.988 8,外部交叉验证相对分析误差（RPDV）为3.60。表明近红外光谱分析模型可准确预测玉米DDGS蛋白质含量。     

基于高光谱成像技术的辣椒叶片叶绿素含量估算

叶绿素是植被光合作用的重要物质,能够间接反映植被的健康状况和光合能力.高光谱技术的发展为大面积、快速检测植被叶绿素含量变化提供了可能.选取150组不同生长期的辣椒叶片作为研究对象,分别采集辣椒叶片的高光谱图像和叶绿素含量.利用随机森林特征选择算法进行数据筛选,结合线性回归、偏最小二乘回归、梯度提升回归树、随机森林回归等4种模型分别构建回归模型.结果表明:(1)利用随机森林特征选择算法筛选后波段建立的模型决定系数(r2)均大于0.8,说明该方法具有较高的稳定性和预测精度;(2)利用随机森林特征选择算法筛选的波段结合随机森林回归,其验证集的r2为0.9、均方根误差(RMSE)为1.87、平均绝对误差(MAE)为1.43.可以较为准确地预测辣椒叶片叶绿素含量,为后期利用高光谱成像技术大面积检测辣椒的生长状况提供了理论依据.     

真空包装冷却羊肉pH值和颜色的近红外快速无损检测

【目的】羊肉新鲜度理化指标传统测定中存在操作繁琐、需使用化学试剂、样品被破坏与接触等问题。研究真空包装冷却羊肉pH值和颜色的近红外快速无损检测。【方法】以新疆小尾寒羊作为研究对象,利用近红外光谱技术(NIRS),研究储藏过程中真空包装冷却羊肉理化指标的快速无损检测,针对化学指标pH和物理指标颜色亮度(L*),采用光谱预处理和特征波段筛选方法优化和简化各指标含量预测模型。【结果】pH和L*均以组合使用遗传算法(GA)与连续投影算法(SPA)筛选特征波段建立的多元线性回归模型(MLR)最佳,优于单一波段筛选方法,其预测集相关系数均为0.91,预测集均方根误差分别为0.13和1.91。【结论】近红外光谱技术具有绿色、无损、同时分析多指标的检测优势,可替代传统检测手段实现对肉品理化指标的快速无损准确检测。     

植烟土壤中全氮和有机质含量的近红外快速分析

应用傅立叶变换近红外漫反射光谱仪(NIRS)对植烟土壤样品中全氮、有机质含量进行检测,通过应用化学计量学方法,建立近红外光谱与土壤样品中全氮、有机质含量间关系的数学模型。结果表明:所建模型稳定性好,NIRS法测定的结果与化学方法测试结果相吻合,可应用傅立叶变换近红外漫反射光谱仪来快速预测植烟土壤样品中的全氮和有机质含量。     

应用近红外（NIRS）技术分析小样品油菜籽粒含油量及硫甙含量

【目的】对193份甘蓝型油菜籽粒进行常量样品（3.0 g）及小量样品（0.3 g） 含油量及硫甙含量近红外光谱分析技术（NIRS）分析和回归模型研究,以期在育种过程中建立实用的油菜小样品含油量及硫甙含量测定数学模型。【方法】利用NIRS对甘蓝型油菜籽粒进行含油量及硫甙含量测定,并进行回归分析。【结果】在众多回归模型中,对于小量样品籽粒含油量及硫甙含量,二次模型均为最优拟合模型,回归方程式分别为：y=40.190+0.892x-0.007x2（R2=0.970）;y=-92.040+0.748x+0.002x2（R2=0.960）（y为常量测量结果,x为小量测量结果）。【结论】获得的二次回归方程式可以很好地将小量样品测定数据转化为常量样品分析结果,为高含油量和低硫甙油菜品种的选育奠定基础。     

基于近红外光谱法的藜麦脂肪含量快速检测

为了探索一种快速测定完整藜麦(Chenopodium quinoa Willd)子粒脂肪含量的方法,采集100个藜麦样品的近红外光谱,运用近红外光谱法建立数学模型并进行预测。结果表明,在10 000~4 000 cm-1波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗脂肪近红外光谱定量模型,校正和预测效果最佳,所得的粗脂肪近红外定量模型的交叉验证决定系数(R2cv)为0.939 3,外部验证决定系数(R2val)为0.9235。建立的脂肪近红外光谱模型,可以用于藜麦脂肪含量的快速检测。     

黄土高原煤矿区复垦农田土壤有机质含量的高光谱预测

【目的】针对黄土高原丘陵地多、地形复杂、有机质含量低、采样困难以及因采煤活动引起大面积土地损毁等问题,在土地复垦与综合整治过程中,为快速定量监测与评估复垦农田土壤质量提供一种新的方法。【方法】以山西省襄垣县复垦农田土壤为研究对象,选取由北向南土地损毁中间条带状区域采集样品152个,进行室内土壤农化分析、光谱测定,运用ParLes 3.1软件对光谱曲线进行多元散射校正（multipication scatter correction,MSC）、基线偏移（baseline offset correction,BOC）和Savitzky-Golay filter平滑去噪预处理。对土壤原始光谱反射率（raw spectral reflectance,R）作一阶微分（first order differential reflectance,D（R））和倒数的对数变换（inverse-lg reflectance ,lg（1/R））,分析3种不同变换形式的光谱数据与土壤有机质含量的相关性,相关系数通过P=0.01水平显著性检验来确定显著性波段的范围。基于全波段（400-2400 nm）和显著性波段利用偏最小二乘回归（partial least squares regression,PLSR）分析方法建立该区域土壤有机质含量高光谱预测模型,通过模型精度评价指标：决定系数（coefficient of determination,R²）、均方根误差（root mean square error,RMSE）和相对预测偏差（residual prediction deviation,PRD）确定最优模型。【结果】通过P=0.01水平显著性检验的波段范围为：R的400-1 800、1880-2 400 nm;D（R）的420-790、1 020-1 040、2 150-2 200 nm;lg（1/R）的400-1 830、1 860-2 400 nm。光谱与有机质含量的相关系数绝对值最大的波段是R的800 nm;D（R）的600 nm;lg（1/R）的760 nm。进行D（R）变换,光谱曲线的吸收特征更加明显,相关系数在可见光（400-800 nm）波段范围内有所增加,其最大值由0.72提高到了0.82;基于显著性波段的PLSR建模效果优于全波段,其中lg（1/R）变换的预测精度为最佳,具有很好的预测能力,其校正模型的R²和RMSE分别为0.95、7.64,预测模型的R²、RMSE和RPD分别为0.85、3.00、2.56;基于全波段的R-PLSR和lg（1/R）-PLSR模型具有较好的预测能力,其预测模型的R²、RMSE和RPD分别为0.79、3.64、2.10和0.79、3.53、2.17,而D（R）-PLSR模型只能进行粗略估测,其预测模型的R²、RMSE和RPD分别为0.61、5.43、1.41。综合分析全波段和显著性波段3种光谱数据的预测精度,发现基于显著性波段的R-PLSR、D（R）-PLSR、lg（1/R）-PLSR模型均取得了显著的预测效果。【结论】研究区土壤光谱反射率与土壤有机质含量具有高度的相关性,应用偏最小二乘回归分析方法可以很好地建立土壤有机质含量反演模型。     

基于CARS-SAA的土壤铵态氮含量高光谱反演

利用高光谱技术对河套灌区土壤铵态氮含量检测过程中,为降低高光谱数据中存在的冗余变量信息对模型预测精度的影响。本文针对河套灌区土壤铵态氮含量提出了一种竞争性自适应重加权算法(CARS)和模拟退火算法(SAA)相结合的特征变量筛选方法,并建立偏最小二乘回归(PLSR)和随机森林回归(RF)相结合的预测模型(PLSR-RF、RF-PLSR)。结果表明,CARS-SAA能有效筛选变量个数和减小计算量,并稳定模型预测精度。其中,CARS-SAA-PLSR-RF模型的预测精度最佳,验证集的决定系数R²为0.902、均方根误差RMSE为1.583mg·kg^-1、相对分析误差RPD为3.198。具有很好的预测效果,可知CARS-SAA是一种有效的高光谱特征变量筛选方法,在提高预测精度的同时简化了模型的运算。该模型结合高光谱技术可以对河套灌区土壤铵态氮含量进行快速有效的无损检测。     

近红外光谱法快速测定鲜木薯水分的研究

为实时监测鲜木薯中水分,指导其加工,建立了近红外光谱法现场快速测定木薯中水分含量的方法。采用横切木薯茎块方式进行制样,对其横截面进行近红外光谱扫描,二阶导数法预处理光谱图,定量偏最小二乘法（QPLS）建立模型,优化了模型条件和参数,建立最佳近红外光谱数学模型。结果：数学模型良好,验证集样品的化学值和近红外预测值间相关系数为O．9755,校正标准偏差（SEC）为1．31％,相对标准偏差（RSD）为2．20％,决定系数（R：）为0．9516。未知样品预测结果相对误差O．5％～3．4％。该水分定量分析NIRS数学模型具有较高的准确性,可满足快速测定鲜木薯中水分的要求,对促进鲜木薯加工业提高效率有积极意义。     

2种方法测定稻米蛋白质含量及其相关性分析

以483份稻米样品为对象,分别用近红外光谱技术(NIRS)和凯氏定氮法测定糙米和精米中的蛋白质含量.通过同一样品NIRS多次测定、同一样品NIRS测定结果与凯氏定氮法测定结果的比较分析,证实NIRS在测定稻米蛋白质含量时具有很好的稳定性和准确性;分析了2种方法不同测定值之间的相关性,建立了相应的回归方程,并讨论了基于NIRS技术预测不同类型稻米中蛋白质含量的可靠性,以求为品质育种提供相对准确的数据.     

基于红边参数和人工神经网络的苹果叶片叶绿素含量估算

【目的】应用人工神经网络来解决苹果叶片叶绿素含量与高光谱数据之间的非线性关系，建立估测苹果叶片叶绿素含量的最佳模型，为苹果叶片叶绿素含量的快速无损监测提供参考。【方法】以位于陕西扶风杏林镇的树龄为4-5年的15棵苹果树为研究对象，2015年分别于果树花期（4月27日）、幼果期（5月30日）、果实膨大期（7月6日）、果实着色期（8月5日）、果实成熟期（9月11日）采集叶片样本，利用SVC HR-1024i型高光谱仪和SPAD-502叶绿素仪同步获取苹果叶片光谱值和对应的叶绿素含量，对原始光谱和一阶导数光谱与叶绿素含量之间的关系进行分析，从一阶导数光谱中提取苹果叶片光谱的5个红边参数，从5个红边参数中筛选出相关性好的红边参数，使用传统单变量回归算法、反向传播（back propagation，BP）神经网络和径向基函数（radial basis function，RBF）神经网络，建立叶绿素含量估测模型，用决定系数（R2）、均方根误差（RMSE）和相对误差（RE）来验证模型的准确性。【结果】与原始光谱相比，一阶导数光谱与苹果叶片叶绿素含量的相关性更高。5个红边参数中，红边位置、峰度系数、偏度系数与叶绿素含量的相关系数均较高，且均达极显著水平。建立的传统单变量回归模型中，基于红边位置、峰度系数和偏度系数的R2均大于0.7,其中基于偏度系数建立的多项式模型模拟精度最高，验证结果R2为0.872，RMSE为4.631，RE为8.81%。选取红边位置、峰度系数和偏度系数为人工神经网络的输入变量，分别优化BP神经网络的隐含层节点数和网络类型以及RBF神经网络的扩展系数（SPREAD值）来提高预测精度，结果发现，建立隐含层节点数为4的双隐含层BP神经网络最优模型R2为0.891，RMSE为3.844，RE为7.55%；当SPREAD值为0.6时，建立的RBF神经网络最优模型的R2为0.955，RMSE和RE分别为2.517和3.69%。【结论】估算苹果叶片叶绿素含量时，人工神经网络模型比传统单变量模型精度高，其中RBF神经网络模型学习速度快、精度高，拟合结果更加可靠。     

基于小波变换的近红外光谱预测土壤有机质

为了探索快速检测土壤有机质含量的方法,试验采用不同分解水平的Coiflet函数的小波(wavelet)分析方法,对山西关帝山土壤样品的近红外光谱信号进行了消噪处理,来快速获取土壤中有机质含量。结果表明:对有机质敏感波段的为450~600 nm,810~935 nm,1 030~1 315 nm,1 380~1 400 nm;有机质NIRS法与实验室标准法测定值之间的相关系数R2为0.9818;说明通过小波变换滤波,选择敏感波段,用偏最小二乘回归方法预测土壤有机质含量是可行的。     

青花菜中硫代葡萄糖苷RAA和GBC的近红外光谱快速测定

【目的】 青花菜是硫代葡萄糖苷含量非常高的十字花科蔬菜,大量医学和营养学研究表明,青花菜具有防癌抗癌的显著功效,其防癌抗癌特性主要与硫代葡萄糖苷的多种降解产物有关,尤其是4-甲基硫氧丁基硫苷（RAA）和3-甲基吲哚基硫苷（GBC）的降解产物。本研究拟建立青花菜抗癌硫代葡萄糖苷的近红外光谱快速测定方法。【方法】 采用高效液相色谱法（HPLC）测定青花菜中硫代葡萄糖苷RAA和GBC的含量,将近红外光谱仪扫描样品所获得的光谱文件与化学分析结果在偏最小二乘回归法（partial least squares,PLS）分析的基础上,采用不同的散射处理方式（SNV、Detrend、SNV+Detrend）和导数处理方式（FD、SD）对光谱数据进行预处理,从而得到定标方程,再进一步对模型进行验证。【结果】 4-甲基硫氧丁基硫苷（RAA）和3-甲基吲哚基硫苷（GBC）是青花菜中存在的主要硫苷,占总含量的60%以上。90份青花菜的硫苷组分含量结果表明RAA平均含量最高,含量变化范围最大,平均含量为6.20 μmol?g^-1,变化范围为0.66—14.54 μmol?g^-1;GBC平均含量为4.43 μmol?g^-1,变化范围为0.25—10.79 μmol?g^-1。经过筛选,采用SNV+SD处理后RAA预测模型的校正集和预测集相关系数分别为0.867和0.912;采用SNV+SD处理后的GBC预测模型的校正集和预测集相关系数分别为0.918和0.960。【结论】 建立了RAA和GBC的近红外光谱快速检测模型,为青花菜营养品质的快速检测、优异抗癌青花菜种质资源的快速筛选与利用奠定了基础。     

基于光谱技术检测梨果实可溶性糖含量的方法

针对传统方法测定梨可溶性糖含量耗时长、成本高、步骤繁琐的问题,本研究提出一种通过光谱扫描梨果检测其可溶性糖含量的新方法。以河北省威县龙集梨园的‘新梨7号’为试材,利用光谱仪扫描果实获取其光谱反射率,使用蒽酮比色法测定梨可溶性糖含量,采用SG平滑滤波法、标准正态变量（SNV）和正交信号校正（OSC）对数据进行预处理,使用主成分分析（PCA）和连续投影算法（SPA）对光谱数据进行降维处理,利用多元线性回归（MLR）、偏最小二乘法（PLSR）和支持向量机回归（SVR）建立预测模型,最终选择使用OSC+PCA+SVR建立基于光谱反射率的梨可溶性糖含量的预测模型,其训练集R_C²=0.85,RMSE=2.21,测试集R_V²=0.78,RMSE=1.48,实现了对梨可溶性糖含量高效、快速、低成本、无破坏性测定。     

烤烟叶片镉含量高光谱预测模型的构建

为快速准确地获取烟草叶片镉含量,本研究模拟了4个镉污染水平,用美国ASD光谱仪获取每个污染水平的烟草叶片光谱反射率,并测定不同时期烟草叶片的镉含量,筛选出与镉含量相关性最好的敏感波段,并建立光谱参数,将光谱参数作为输入因子建立烟草叶片镉含量的BP神经网络模型。结果表明：随着镉含量增加,在可见光和近红外范围（400~910 nm）内反射率先降低后增加,在930~1 000 nm波段范围内,叶片反射率与烟叶中镉含量呈正相关,在1 000~2 500 nm波段范围内反射率先增加后降低。经筛选,比值植被指数（RVI）和归一化植被指数（NDVI）的光谱指数分别为RVI （520,710）和NDVI （530,710）; BP神经网络模型的决定系数（R²）为0.681,均方根误差（RMSE）为8.001,并对模型进行检验,R²为0.801,RMSE为4.430。研究表明,BP神经网络模型对烟草叶片镉含量具有良好的预测效果。     

基于氮素叶绿素关系的冬小麦籽粒蛋白质含量高光谱反演

为进一步提高光谱数据反演小麦籽粒蛋白质含量的精度以及反演模型的可解释性,研究以籽粒蛋白质含量（GPC）-氮素-叶绿素之间的关系为载体,通过叶绿素筛选相关植被指数,采用偏最小二乘回归（PLS）方法建立GPC反演模型。结果表明,开花期是监测籽粒蛋白质含量的最优时期。开花期氮素与对应密度叶绿素的相关性较高。通过筛选出与叶绿素密切相关的植被指数,利用PLS建立籽粒蛋白质含量反演模型,模型决定系数R2为0.77,RMSE为0.95%,用其他年份数据进行模型验证,结果显示RMSE达到1.22%。本研究表明：基于氮素、叶绿素关系建立PLS反演模型能够实现不同年份GPC光谱遥感反演,且模型在年际间表现出较高的精度和稳定性。     

水稻籽粒直链淀粉含量非破坏性活体测定方法研究

对533份杂交稻和常规稻材料的糙米和精米直链淀粉含量进行化学分析,并结合近红外透射光谱数据,采用改进偏最小二乘法（MPLS）分别建立糙米、精米的直链淀粉含量（AC）预测定标模型,并对其进行内部和外部验证.结果表明,杂交稻糙米及精米模型的定标相关系数（RSQ）分别为0.873和0.922,常规稻糙米及精米模型的RSQ则分别为0.924和0.939,定标标准偏差（SEC）分别为1.100,0.956,1.537,1.547;内部交叉验证预测值和真实值之间的RSQ分别为0.866,0.901,0.892和0.921,外部验证的RSQ分别为0.9506,0.9352,0.9116,0.9180,所建模型的相关性较高,预测值与真实值之间的误差小.常规稻模型可应用于大量育种材料快速、无损的早代筛选,杂交稻模型可用于新组合直链淀粉含量的快速鉴定,促进稻米品质改良,提高育种效率.     

江西烤烟淀粉近红外检测模型的建立

【目的】传统的碘显色法检测淀粉含量需要复杂耗时的前处理和实验准备,近红外检测手段不仅 操作简单、检测快速,且不损耗试剂、样品、标准品,大大降低了检测成本,旨在以江西烤烟样品为依托,建 立一种适用于江西烤烟的淀粉近红外检测模型。【方法】收集了来自江西 21 个区县共 650 个烤烟样品的近红外 光谱和对应的连续流动分析仪检测数据（碘显色法）,将光谱数据和化学分析数据一一对应,使用不同的回归 方法和数据处理方法进行建模,通过比较它们的均方根误差和相关系数确定最佳的模型参数。【结果】建立了 适用于江西烤烟的淀粉含量预报模型,校正均方根误差和预测均方根误差分别达到 0.407、0.490,相关系数为 96.52%,并用外部样品对模型进行了验证,95% 的样品误差在 10% 以内。【结论】该模型可用于快速检测江西 烤烟样品中的淀粉含量,并可在一定程度上取代传统的碘显色测淀粉法,降低了检测成本,提高了分析效率。