基于正交信号校正的Vis-NIR光谱土壤质地预测

为提高基于VIS-NIR光谱的土壤质地预测精度,引入了正交信号校正(OSC)光谱预处理算法。分别用原始光谱、微分处理、OSC处理光谱,建立偏最小二乘回归(PLSR)模型。结果表明,OSC-PLSR模型验证精度高于其他两种方法所建模型,砂粒含量OSC-PLSR模型的RMSEp为5.94,粘粒含量OSC-PLSR模型RMSEp为1.25,相比PLSR模型,分别降低22.22%和9.42%。OSC算法在土壤质地的VIS-NIR反演中能有效消除不相关因素的影响,提高模型预测精度。     

基于可见-近红外光谱和神经网络的土壤类型鉴别

提出一种利用近红外光谱快速、无损鉴别土壤种类的方法。首先利用近红外光谱仪测定不同种类土壤的光谱特征曲线,利用主成分分析法提取主成分,再结合人工神经网络建立模型进行类型鉴别。主成分分析表明,主成分1、2、3的累积方差贡献率达到99.839%,可以很好地代表原始数据特征。以主成分分析得到的前3个主成分作为神经网络输入,以土壤类型为输出,通过对30个样本的训练学习,分别建立了反向传播人工神经网络(BP)和径向基函数人工神经网络(RBF)。对10个样本进行预测,结果表明2种模型预测的准确性均达到100%。RBF神经网络运行时间明显小于BP网络,具有一定优势。     

基于高光谱和BP神经网络模型苹果叶片SPAD值遥感估算

叶绿素含量表征植被的营养生长状况,为西北地区苹果的大面积、无损、实时生长监测提供科学依据,使用SVC HR-1024I型便携式野外光谱辐射仪和SPAD-502型叶绿素仪测定不同生育期苹果叶片光谱反射率和SPAD值。分析不同生育期苹果叶片SPAD值及其高光谱变化特征,不同生育期叶片SPAD值与原始光谱反射率和光谱特征参数的相关性,构建基于光谱特征参数的单因素回归模型、多元线性逐步回归模型和基于逐步回归分析的BP神经网络模型,并对反演模型进行验证。结果表明,1)从新梢开始生长到果实成熟,苹果叶片SPAD值呈现先上升后下降趋势;2)基于光谱特征参数构建估算叶片SPAD值的单因素回归模型、多元线性逐步回归模型和基于逐步回归分析的BP神经网络模型均通过显著性检验,在秋梢停止生长期各模型反演和预测精度均最高;3)在各生育期,基于光谱特征参数建立的单因素回归模型中,均以蓝边幅值Db和绿峰面积SRg为自变量建立的回归方程拟合和预测能力最优;4)在各生育期,基于逐步回归分析的BP神经网络模型反演和预测能力较单因素回归模型和多元逐步回归模型表现最优,建模R2和验证R2分别达到0.90和0.84以上,验证RMSE4.41,验证RE8.42%,是一种快速、高效估算苹果叶片SPAD值的良好反演方法。     

云冷杉天然林林分年龄预测——以金沟岭林场为例

应用BP神经网络模型、PPR神经网络模型以及多元逐步回归模型,依据林分因子预测了金沟岭林场云冷杉天然林林分年龄。对比分析了人工神经网络计算模型算法与多元逐步回归分析模型预测结果的精度以及稳定性。结果表明:3种模型均可用于天然林林分年龄的预测,BP神经网络模型的预测平均相对误差为0.04,模型稳定性差;PPR神经网络模型的预测相对误差为0.06,模型稳定性好;多元逐步回归模型的预测相对误差为0.08,模型稳定性好。     

基于采样密度不同土壤的水分特征参数的预测及误差分析

目前土壤水分特征曲线（h-θ曲线）的研究普遍采用vanGenuchten模型（简称VG模型）。利用不同取样精度的土壤,将土壤质地（砂土、粘粒、粉粒含量）和容重作为输入值,探讨了使用基于土壤转换函数的BP神经网络模型来预测0～20cm表层土壤水分特征曲线参数,用甘肃称钩河流域小流域的土样进行了预测和误差分析。结果表明,使用线性回归能够减小预测误差与实测值差距;BP神经网络预测饱和体积含水量的准确性比预测剩余体积含水量和田间持水量要高。为了进一步提高预测精度,还应尽可能地包括土壤结构、有机质含量等信息。     

不同类型土壤的光谱特征及其有机质含量预测

 【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。     

近红外光谱技术在玉米种子活力检测中的应用研究

利用近红外光谱和BP神经网络建立玉米种子活力的快速无损检测模型。首先通过人工老化将样本按老化程度分为3种级别,分别采集样本的近红外光谱。对原始光谱进行矢量归一化预处理以消除光谱噪声。然后利用主成分分析(PCA)方法提取光谱特征,作为BP神经网络的输入,依据预处理及特征提取构建出BP神经网络种子活力检测模型。试验结果表明,该识别方法的准确率为90.3%,平均识别时间为27.36 ms。研究结果为玉米种子活力的快速无损检测提供了理论依据和实用方法。     

基于高光谱成像技术的冷鲜羊肉嫩度检测方法研究

传统羊肉品质检测方法效率低、破坏样品,为实现冷鲜羊肉嫩度快速无损检测,以内蒙古锡林郭勒羊肉为研究对象,采用多元散射校正法对光谱进行校正,利用主成分分析法获得620.23、761.48、819.48 nm波长下的特征图像,并提取其纹理特征和颜色特征,分别建立羊肉嫩度的BP神经网络和支持向量机预测模型。结果显示,BP神经网络模型预测效果优于支持向量机模型预测效果,BP神经网络模型对预测集的决定系数（R2）和预测均方根误差（RMSEP）分别为0.85和1.86;支持向量机模型分别为0.77和2.37。研究表明,利用高光谱和图像信息特征层融合方法对冷鲜羊肉嫩度进行预测具有可行性。     

基于BP神经网络近红外光谱鉴别茶饮料的研究

提出了一种快速、准确鉴别茶饮料的新思路。采用美国ASD公司的可见-近红外光谱仪对3种茶原料（龙井茶、乌龙茶和铁观音茶）的饮料进行光谱分析。采用多元散射校正（MSC）方法对样本数据进行预处理,再用主成分分析法提取光谱数据的特征值。通过交互验证确定最佳主成分数为5,作为BP神经网络的输入变量,不同原料茶饮料作为输出变量,建立3层人工神经网络鉴别模型,并用模型对20个预测样本进行预测。模型的回判鉴别率达到100%,模型的预测鉴别率达到98.33%。结果表明,基于BP神经网络的近红外光谱鉴别不同原料茶饮料的方法是可行的。     

火龙果植株高光谱识别与特征波段提取

[目的]为火龙果长势监测、估产、植株病害高光谱遥感诊断提供可靠依据.[方法]通过原始光谱、光谱不同形式变换和不同植被指数对火龙果植株冠层、果、枝、花等不同部位进行识别,运用主成分分析法提取火龙果不同部位的特征波段,构建BP神经网络模型,分析火龙果不同部位的波段特征,检验BP神经网络模型识别准确率.[结果]在波长400～...