基于CARS算法的脐橙可溶性固形物近红外在线检测

采用可见/近红外光谱在线检测装置进行赣南脐橙可溶性固形物含量在线检测模型优化研究。样品以5个/s的速度运动,采集可见/近红外漫透射光谱。光谱经过预处理后,分别应用向后区间偏最小二乘法（BiPLS）、遗传算法（GA）和正自适应加权算法（CARS）筛选特征变量,并通过外部验证评价PLS模型预测能力。一阶微分处理后经CARS筛选特征变量建立的PLS模型预测结果最优,预测相关系数和预测均方根误差分别为0.94和0.42%。结果表明CARS算法可有效简化赣南脐橙可溶性固形物可见/近红外光谱在线检测模型并提高模型的预测精度。     

基于FOD和SVMDA-RF的土壤有机质含量高光谱预测

为探讨分数阶微分(FOD)联合支持向量机分类-随机森林模型改善高光谱监测荒漠土壤有机质含量(SOM)的效果,对以色列Sde Boker荒漠地区采集的砂质土(SS)和黏壤土(CLS)样品进行理化分析和室内光谱测定,依据光谱的平均反射率建立支持向量机分类模型(SVMAD),并对不同土质高光谱原始反射率分别经0～2阶(间隔0. 2)的分数阶微分处理,构建归一化光谱指数(NDI),分析NDI和SOM之间的二维相关性,并筛选敏感的NDI指数,以此建立不同FOD的随机森林(RF)模型,并以不同土质中的最佳模型进行组合,构建新的SVMDA-RF模型。结果表明:基于光谱平均反射率的SVMDA对土壤质地的分类正确率可达100%;分数阶微分耦合光谱指数具有放大波长间与SOM有关隐含信息的能力,经FOD提升敏感指数的数量在0. 6阶时达到峰值,但黏壤土的敏感指数数量远大于沙质土;由不同FOD敏感指数建立的RF模型中,砂质土在1. 2阶的模型最佳(R_C~2=0. 962,R_P~2=0. 920,RMSEP为0. 435 g/kg,RPD为3. 658),黏壤土在0. 6阶的模型最佳(R_C~2=0. 942,R_P~2=0. 944,RMSEP为0. 554 g/kg,RPD为4. 316);经最佳模型组合后的SVMDA-RF模型,砂质土和黏壤土的模型精度都有所提高,其中R_C~2=0. 980,R_P~2=0. 979,RMSEP为0. 481 g/kg,RPD为7. 004。研究成果可为快速评估荒漠土壤有机质含量提供依据。     

基于CARS-PLS的食用油脂肪酸近红外定量分析模型优化

采用CARS波长变量挑选方法优化建模,对食用油中4种主要脂肪酸（棕榈酸、硬脂酸、油酸和亚油酸）进行近红外定量分析。应用预测浓度残差法剔除奇异样本后,对样品集光谱进行标准化预处理,通过CARS优选出的波长变量分别建立4种脂肪酸的偏最小二乘法（PLS）模型。与采用OPUS软件自动优化建模相比,CARS法所建模型的决定系数（R2）、交叉校验均方根误差(RMSECV)和预测均方根误差(RMSEP)都优于后者所建模型。CARS法有效地简化了模型,且所挑选出的特征波长较少。     

基于随机森林的鱼粉蛋白近红外定量分析

基于近红外(NIR)光谱技术,采用随机森林(RF)回归方法测定饲料鱼粉的蛋白含量。考虑到RF模型的随机性,通过调试决策树数量(ntree)和分裂变量数目(nsv)来进行模型优选;利用基尼系数(G)的下降量来判断近红外波长变量的建模重要性,进而为鱼粉蛋白的NIR分析优选信息波长,以提高NIR定量分析精度。根据统计学原理,选择具有较低计算复杂度的等效最优模型。优选的RF模型构建471个决策树,需要随机的103个波长变量进行树节点分裂,同时通过计算节点分裂前后G的平均下降量来选择52个近红外信息波长进行定标校正,得到等效最优的校正模型,校正均方根偏差和校正相关系数分别为3.970%和0.943;经过独立的预测集样品对最优RF模型进行检验,预测均方根偏差为5.271%,预测相关系数为0.906,说明RF回归结合G系数的波长优选能够有效地提高NIR光谱应用于鱼粉蛋白定量的预测能力。     

基于模拟退火波长优化的草莓坚实度近红外光谱检测

为提高近红外光谱技术检测草莓坚实度模型的精度和鲁棒性,研究了一种基于模拟退火算法的波长优选方法,并找到一种与该算法配套的光谱预处理方法.利用光谱仪和物性仪分别采集草莓样品近红外漫反射光谱和坚实度数据,并采用标准正交变换、多元散射校正、一阶导数、二阶导数等方法对原始光谱进行预处理;最后,利用模拟退火算法优选与草莓坚实度高度相关的波数点变量,结合偏最小二乘法建立草莓坚实度预测模型.结果表明:经过标准正交变换预处理后,采用模拟退火算法优选出24个波数点,在主成分数为5时,建立的偏最小二乘模型具有最佳预测效果,模型校正集样本相关系数rc为0.934 2,校正均方根误差为0.665 N/cm2;预测样本相关系数rp为0.919 7,预测均方根误差为0.673 N/cm2.研究表明:模拟退火算法可以提高近红外模型预测草莓坚实度的精度和鲁棒性,并降低预测模型复杂度.     

基于特征优选与机器学习的农田土壤含盐量估算研究

土壤盐渍化是影响农业可持续发展的重要制约因素,为准确及时地获取土壤中盐分含量,实现盐渍化精准监测,以内蒙古自治区巴彦淖尔市五原县境内的覆被农田为研究对象,探讨无人机多光谱遥感平台结合机器学习模型估测不同深度土壤含盐量的可行性。首先,利用无人机搭载五波段多光谱相机获取研究区域高时空分辨率遥感图像数据,并同步采集地面不同深度处土壤盐分数据,使用皮尔逊相关系数法(PCC)、极端梯度提升(XGBoost)和灰色关联分析法(GRA)对构建的光谱指数进行优选;然后,采用决策树(DT)、反向传播神经网络(BPNN)、支持向量机(SVM)和随机森林(RF)4种机器学习方法建立植被覆盖下不同深度的农田土壤含盐量反演模型。结果表明,使用方案3(XGBoost-GRA)变量优选方法可以有效地筛选出敏感光谱指数,且基于此方法优选后的光谱指数建立含盐量估算模型的精度高于仅使用PCC或XGBoost法构建的反演模型。对比不同建模方法在不同土壤深度处的反演精度,可知随机森林RF模型整体表现最优,同时另外3种反演模型也取得了较好的预测效果,0～20 cm土壤深度处的预测效果是3个土壤深度中最优的,其中精度最高模型的决...     

基于模拟退火波长优化的草莓坚实度近红外光谱检测

为提高近红外光谱技术检测草莓坚实度模型的精度和鲁棒性,研究了一种基于模拟退火算法的波长优选方法,并找到一种与该算法配套的光谱预处理方法。利用光谱仪和物性仪分别采集草莓样品近红外漫反射光谱和坚实度数据,并采用标准正交变换、多元散射校正、一阶导数、二阶导数等方法对原始光谱进行预处理;最后,利用模拟退火算法优选与草莓坚实度高度相关的波数点变量,结合偏最小二乘法建立草莓坚实度预测模型。结果表明：经过标准正交变换预处理后,采用模拟退火算法优选出24个波数点,在主成分数为5时,建立的偏最小二乘模型具有最佳预测效果,模型校正集样本相关系数rc为0.9342,校正均方根误差为0.665N/cm2;预测样本相关系数rp为0.9197,预测均方根误差为0.673N/cm2。研究表明：模拟退火算法可以提高近红外模型预测草莓坚实度的精度和鲁棒性,并降低预测模型复杂度。     

基于无人机高光谱影像的马铃薯株高和地上生物量估算

为实现快速无损获取马铃薯株高和地上生物量信息,分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的高光谱影像,实测马铃薯株高H、地上生物量（AGB）和地面控制点（GCP）的三维空间坐标,基于无人机高光谱影像结合GCP生成试验田的数字表面模型（DSM）,利用DSM提取马铃薯的株高Hdsm ;然后,对马铃薯AGB与原始无人机冠层光谱和高光谱指数分别进行相关性分析,筛选出最优光谱指数和前10个光谱指数,利用指数回归（Exponential regression,ER）构建单变量模型;最后,采用多元线性回归（Multiple linear regression, MLR）、偏最小二乘回归（Partial least square regression, PLSR）和随机森林（Random forest, RF）3种方法构建不同生育期的估算模型,并进行对比,挑选出马铃薯AGB估算的最优模型。结果表明：将提取的马铃薯株高与实测值进行线性拟合,R 2 为0.84;在单变量模型中,每个生育期以ER估算AGB得到的验证精度高于相应的建模精度,其中构建模型效果优劣次序依次为最优光谱指数、Hdsm 、H,块茎增长期以CIrededge指数估测精度最高（R 2 =0.45）;在多变量模型中,每个生育期采用3种方法构建AGB估算模型,每种方法以光谱指数加入Hdsm 的模型精度更高、稳定性更强;每个生育期利用MLR以光谱指数和Hdsm 为变量的AGB模型（R 2 为0.64、0.70、0.79、0.68、0.63）效果优于PLSR（R 2 为0.62、0.68、0.75、0.67、0.60）和RF（R 2 为0.56、0.61、0.67、0.63、0.53）模型。利用MLR模型进行马铃薯AGB填图,5个生育期的AGB空间分布与实际生长情况一致。利用融入Hdsm 的MLR模型可估测大面积马铃薯AGB,为精准农业定量化研究提供技术支持。     

基于高光谱的黑土区土壤重金属含量估测

以黑龙江省讷河市采集的80份黑土样品和高光谱实测数据为数据源,对黑土中铜(Cu)、锌(Zn)、锰(Mn)重金属元素的光谱反射率及其特征变化进行研究,分析了光谱反射率、光谱反射率一阶微分变换、光谱反射率连续统去除变换、光谱反射率连续统去除一阶微分变换与元素铜、锌、锰含量的相关性,并利用相关系数法提取敏感波段。利用核主成分分析(Kernel principal component analysis,KPCA)方法对高光谱敏感波段数据进行降维及特征提取,将特征信息作为极限学习机(Extreme learning machine,ELM)模型建模的样本数据,构建KPCA-ELM估测模型,进行黑土重金属含量的定量估算。结果表明:KPCA具有较强的非线性特征提取能力,可以有效地选择最佳变量集合,KPCA-ELM模型预测土壤元素含量效果理想,3种重金属元素含量估测的决定系数均达到0.6以上,其中,锌元素预测精度最高,决定系数和均方根误差分别为0.805和3.275 mg/kg,比特征提取前模型预测精度优化了14.0%和18.5%,说明构建的KPCA-ELM模型是一种快速可行的重金属含量高光谱估测方法。     

基于光谱指数的绿洲农田土壤含水率无人机高光谱检测

土壤含水率(Soil moisture content,SMC)是发展精细灌溉农业的重要参数,因此对其进行精确估测十分必要。选取新疆阜康绿洲小块农田为研究对象,基于无人机(Unmanned aerial vehicle,UAV)平台搭载的高光谱传感器获取的影像数据,基于Savitzky-Golay(SG)平滑后的一阶微分(First derivative,FD)、吸光度(Absorbance,Abs),连续统去除(Continuum removal,CR)3种不同预处理方法,共获取了SG、SG-FD、CR、Abs及Abs-FD共计5种预处理后的高光谱影像,探索不同预处理下的差值指数(Difference index,DI)、比值指数(Ratio index,RI)、归一化指数(Normalization index,NDI)及垂直植被指数(Perpendicular vegetation index,PVI)与SMC的关系,并在遴选出最优指数及预处理方案的基础上构建干旱区绿洲农田SMC高光谱定量估算模型。结果表明:预处理在不同程度上提高了光谱指数与SMC的相关性,其中基于Abs-SG预处理的PVI_((R644,R651))表现最优,相关系数为0.788,据此构建的三次拟合函数表现最优。基于不同预处理方案下多变量SMC估算模型效果在消噪的基础上,更为深度地挖掘了光谱信息,减少了单一光谱指数造成的误差,提升了模型的定量估测效果。Abs模型预测精度亦最为突出,其建模集R_c~2和RMSE为0.80、2.42%,验证集R_p~2与RMSE为0.91、1.71%,RPD为2.41。本研究构建的SMC估算模型减少了单一变量模型的误差;在规避过拟合现象的同时,提升了模型的定量估测效果,为土壤水分状况天地空一体化遥感监测提供了崭新的视角和方案。     

土壤有机质含量高光谱估测模型构建及精度对比

土壤有机质含量对作物的生长发育有着显著影响。为实现对苹果果园土壤有机质含量快速、实时估测，本研究以山东省烟台市栖霞市苹果园为研究区，采集100个土壤样本，利用ASD FieldSpec3便携式地物光谱仪获取其高光谱反射率，利用定量化学方法测定土壤有机质含量。采用移动平均法对高光谱数据进行预处理，分析果园土壤的反射光谱特征，研究光谱反射率与其有机质含量的相关关系，筛选土壤有机质含量的敏感波长并构建光谱指数后，分别建立多元线性回归模型（MLR）、支持向量机（SVM）和随机森林（RF）模型，并对模型精度进行验证比较。结果表明，筛选出的土壤有机质含量的敏感波长为678、709、1931、1939、1996和2201 nm。用筛选出的波长构建光谱参数，最终构建的光谱指数分别为NDSI_{（678，709）}、NDSI_{（678，1931）}、NDSI_{（678，2201）}、NDSI_{（709，1939）}和NDSI_{（1939，2201）}。建立的MLR、SVM和RF回归模型中，以RF模型精度最优，其校正样本集R²为0.8804，RMSE为0.1423，RPD达到2.25；验证模型的R²为0.7466，RMSE为0.1266，RPD为1.79，建立的RF定量模型反演苹果果园土壤有机质含量效果较好。因此，可以利用RF方法快速预测苹果果园土壤有机质含量，了解土壤养分分布状况，指导农民合理施肥，从而提高果园生产管理效率。     

基于光谱FOD与优化指数的银川平原土壤有机质含量反演

土壤有机质（SOM）是土壤肥力的重要组成部分,是作物生长的主要养分来源。为探究分数阶微分（FOD）联合优化光谱指数对低肥力地区SOM的反演效果,以银川平原为研究对象,对野外土壤高光谱反射率原始数据进行0~2阶FOD处理（间隔0.2阶）,构建优化光谱指数DI/RDI、DI/NDI、NDI/RDI、RDI/NDI、DI/GDI和RI/GDI,分析各指数与土壤有机质含量间的二维相关性,筛选出最佳优化光谱指数,并建立基于支持向量机（SVM）的SOM含量反演模型。结果表明：银川平原SOM含量整体偏低,其中93.05%处于四级到六级水平。土壤野外原始光谱反射率吸收特征差异明显,在1400、1900nm处有明显吸收峰。随着分数阶的不断增加,光谱反射率不断趋近于0。土壤DI/NDI、DI/GDI、RI/GDI、NDI/RDI和RDI/NDI在0~2阶最大相关系数绝对值（MACC）均小于0.80,DI/RDI在0.2~2.0阶范围内的MACC为0.9965~0.9986,其敏感波段主要集中在1450~1750nm和2100~2400nm之间。基于0.2阶微分处理的DI/RDI-SVM模型对SOM的反演精度最佳,建模决定系数R2c和验证决定系数R2p分别为0.98和0.99,相对分析误差（RPD）为4.31。研究结果可为低肥力地区的SOM含量快速、准确反演及制图提供科学依据。     

基于CC-MPA特征优选算法的小麦条锈病遥感监测

为了弥补一次性建模分析的缺陷,提高小麦条锈病遥感监测模型的运行效率和精度,根据模型集群分析（Model population analysis,MPA）算法的特点,综合利用光谱区间选择算法和光谱点选择算法的优势,提出了一种联合相关系数（Correlation coefficient,CC）与MPA的特征变量优选算法。在利用CC算法对全波段光谱进行特征变量选择的基础上,分别利用基于MPA思想开发的竞争性自适应重加权采样法（Competitive adaptive reweighted sampling,CARS）和变量组合集群分析法（Variable combination population analysis,VCPA）进一步优选对小麦条锈病敏感的特征变量,并利用偏最小二乘回归（Partial least squares regression,PLSR）算法构建了小麦条锈病遥感监测的CC-CARS和CC-VCPA模型。结果表明：联合CC-MPA算法优选的特征变量构建的CC-CARS和CC-VCPA模型精度均高于CC、CARS和VCPA算法。3组验证集样本中,CC-CARS模型预测病情指数（Disease index,DI）与实测DI间的R2V较CC模型和CARS模型至少分别提高了6.78%和6.66%,RMSEV至少分别降低了15.31%和10.98%,RPD至少分别提高了18.08%和12.34%。CC-VCPA模型预测DI与实测DI间的R2V较CC模型和VCPA模型至少分别提高了9.58%和0.73%,RMSEV至少分别降低了20.78%和3.86%,RPD至少分别提高了26.22%和4.02%。基于CC-MPA的光谱特征优选算法是一种有效的特征选择方法,尤其是利用CC-VCPA方法选择的特征变量数更少,模型预测效果更好,研究结果对光谱特征优选及提高作物病害遥感监测精度具有重要的参考价值。     

基于地面高光谱遥感的大豆产量估算模型研究

为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数：比值指数（Ratio index,RI）、差值指数（Difference index,DI）、归一化光谱指数（Normalized difference vegetation index,NDVI）、土壤调整光谱指数（Soil-adjusted iegetation index,SAVI）、三角光谱指数（Triangular vegetation index,TVI）、改进红边归一光谱指数（Modified normalized difference index,mNDI）和改进红边比值光谱指数（Modified simple ratio,mSR）,使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机（Support vector machine,SVM）、随机森林（Random forest,RF）和反向神经网络（Back propagation neural network,BPNN）构建大豆产量估算模型并进行验证。结果表明,各生育期（全花期（R2）、全荚期（R4）和鼓粒期（R6））计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80kg/hm2和5.12%。本研究成果可为基于高光谱遥感技术的作物产量估测提供理论依据和应用参考。     

基于有机质特征谱段的土壤Cd含量高光谱遥感反演

针对土壤Cd高光谱遥感定量反演中的机理性不足及数据冗余问题,提出一种基于有机质特征谱段的反演方法。该方法首先提取土壤光谱中对重金属Cd具有吸附作用的有机质特征谱段,进而通过竞争性自适应重加权采样法（Competitive adaptive reweighted sampling,CARS）优选特征谱段,采用偏最小二乘回归法（Partial least squares regression,PLSR）建立重金属Cd的反演模型,并利用郴州矿区土壤实验室光谱数据和哈密黄山南矿区野外光谱数据进行方法验证。研究表明：有机质特征谱段提取在降低数据冗余的同时提高了重金属Cd的反演精度,CARS算法相对于相关系数法（Correlation coefficient,CC）和遗传算法(Genetic algorithm,GA)特征选择具有更高的反演精度,基于有机质特征谱段的CARS-PLSR算法在土壤实验室光谱和野外实测光谱所得验证精度R2分别为0.94和0.80,表明该算法对于实验室和野外光谱均具有一定适用性。研究可为土壤重金属含量高光谱反演的特征波段选择和算法优选提供参考。     

基于近红外光谱技术的蔬菜农药残留种类检测

该文基于近红外光谱技术,提出一种快速无损检测方法,以期实现蔬菜农药残留的分类检测。通过对喷洒了氰戊菊酯溶液、三唑磷溶液和未喷洒农药的生菜样本进行研究,比较不同预处理后的建模效果,选用SNV算法作为最优预处理方法。分别采用连续投影算法（SPA）、自主软收缩法（BOSS）和竞争性自适应重加权算法（CARS）对预处理后的光谱数据进行特征波段选择。采用支持向量机（SVM）和基于灰狼算法（GWO）优化的支持向量机（SVM）算法对特征波长变量分别建立分类模型。再通过对建立的模型进行比较得出:CARS-GWO-SVM模型取得了最佳的分类效果,模型的训练集精度和预测集精度均为100%。因此,利用近红外光谱技术对蔬菜上的农药残留进行分类检测是可行的。该研究为生菜中其他农药残留的快速无损检测分析提供参考。      

基于无人机多光谱遥感的大豆生长参数和产量估算

为适应现代农业发展对作物生长动态、连续、快速监测的要求，本文基于无人机多光谱遥感技术，以西北地区大豆作为研究对象，分别筛选出与大豆叶面积指数(Leaf area index, LAI)、地上部生物量和产量相关性较好的5个植被指数，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向神经网络(Back propagation neural network, BPNN)分别构建了大豆LAI、地上部生物量和产量的估计模型，并对模型进行了验证。结果表明，基于RF模型构建的大豆LAI和地上部生物量预测模型的精度显著高于SVM与BP模型，LAI估计模型验证集的R²为0.801,RMSE为0.675 m²/m²,MRE为18.684%;地上部生物量估算模型验证集的R²为0.745,RMSE为1 548.140 kg/hm²,MRE为18.770。而在产量的估算模型构建中，在大豆开花期(R4)基于RF模型构建的大豆产量预...     

融合光谱和空间特征的土壤重金属含量极端随机树估算

针对高光谱遥感土壤重金属含量估算研究中光谱特征信息弱、模型反演鲁棒性差的问题,提出构建污染源-汇空间特征量化污染物扩散与汇聚空间影响因子,融合光谱特征建立基于极端随机树（Extremely randomized trees,ERT）的土壤重金属含量估算模型。以济源市耕地土壤为研究区,布设采集土壤样本249个,分析了光谱特征、地形特征和污染源空间特征在土壤重金属铅（Pb）、铬（Cd）含量反演中的有效性及影响机理,采用置换重要性指数优选多源特征,通过与多种回归模型对比,评价ERT模型的预测精度。研究表明,变换后的土壤光谱特征构建ERT模型引入地形特征和污染源空间特征后精度提升显著,尤其是污染源空间特征优势更为明显,Pb的ERT模型均方根误差由43.185mg/kg下降到22.301mg/kg,下降了48.36%。Cd的ERT模型均方根误差由0.738mg/kg下降到0.371mg/kg,下降了49.73%,充分说明引入污染扩散空间特征的有效性。与其他回归模型对比,ERT估算模型在各项指标评价中优势明显,其中Pb的ERT模型的测试集R2达0.964,Cd的ERT模型R2为0.923。     

结合影像纹理、光谱与地形特征的森林结构参数反演

以黑龙江省SPOT5遥感影像和森林资源清查数据为数据源,获得对应样地的影像纹理特征、光谱波段值、光谱组合值以及地形信息,提取样地调查数据的林分信息,采用多元逐步回归分析,建立以SPOT5遥感影像纹理、光谱和地形特征为自变量,多个森林结构参数(林分平均直径、断面积、蓄积量和树种多样性指数)为因变量的估测模型,筛选最优纹理特征生成窗口及最优森林结构参数反演模型。结果表明,SPOT5影像的纹理光谱特征与森林结构参数具有较强的相关性,9×9窗口为最优纹理特征生成窗口;在引入地形因子后模型精度有了较大提高,树种多样性指数估测模型R2adj都在0.72以上,蓄积量模型估测精度最优(R2adj为0.864、RMSE为21.260 m~3/hm~2)。研究表明利用高分辨率遥感影像纹理、光谱和地形特征进行多个森林结构参数估测具有很好的应用效果。