烤烟成熟鲜烟叶生化组分高光谱估算方法筛选

为实现实时无损快速预测鲜烟叶的品质生化组分、筛选估算生化组分最佳的方法，使用ASD Fieldspec FR2500对烤烟成熟鲜烟叶进行了反射率、透射率光谱测定和常规生化组分分析。对可见近红外波段(350～1650 nm)单波段光谱和选用已有100种光谱指数共两类光谱参量进行了与生化组分之间线性函数、幂函数、指数函数共3种形式相关分析和基于决定系数的筛选。结果表明，对于叶绿素a、叶绿素b、类胡萝卜素、钾估算方法分别是Gitelson and Merzlyak2(GM₂) (R²=0.81)、光化学指数2(PRI₂) (R²=0.80)、Gitelson and Merzlyak2(GM₂) (R²=0.83)、1420 nm吸收峰开始位置(λs₁₄₂₀) (R²=0.67)的线性拟合最优。对于总糖、比叶重、氮、烟碱最优方法分别是在532 nm反射率一阶微分线性拟合(R²=0.54)、在1423 nm透射率线性拟合(R²=0.45)、在666 nm反射率倒数对数一阶微分的幂函数拟合(R²=0.44)，在1135 nm反射率倒数对数二阶微分的线性拟合(R²=0.20)。通过筛选的光谱方法可以评估烟叶的品质状况。     

饲料中肉骨粉含量的近红外反射光谱检测方法

收集28份鸡饲料,31份猪饲料,25份牛饲料和肉骨粉7份,在饲料中掺入不同比例(0.5%～6.0%)的肉骨粉,制成分析样本.采用偏最小二乘(PLS)法,分别对光谱进行散射校正、平滑、一阶导数和二阶导数预处理,建立了鸡饲料、猪饲料和牛饲料中肉骨粉含量的近红外定量分析模型.利用验证集样本对定标模型进行了检验,鸡饲料、猪饲料和牛饲料中肉骨粉含量的真值与预测值之间的决定系数分别为0.9694、0.9846和0.9788;标准差分别为0.279、0.252和0.287;相对分析误差分别为5.663、6.865和5.889.结果表明,利用近红外光谱法测定饲料中的肉骨粉含量具有较高的预测精度.     

用偏最小二乘法及傅立叶变换近红外光谱快速检测白酒酒精度

为了得到白酒工业中酒精度的快速检测技术，将偏最小二乘法与傅立叶变换近红外光谱相结合，通过解析白酒样品的近红外光谱图和对光谱进行不同的预处理，结果表明：用最大最小归一化法预处理光谱，光谱范围选择9747.1～7498.3 cm^-1和6102～5446.3 cm^-1，采用内部交叉验证建立模型，决定系数(R²)为99.99%，交互验证均方根差(RMSECV)为0.165%，主成分数为4，此条件下建模效果较好；模型进行验证结果表明预测集相关系数(R²)为99.80%，预测标准偏差(RMSEP)为0.264%，模型的预测效果很好，具有较高的精密度和良好的稳定性，能满足生产中白酒酒精度的快速检测要求。     

斑潜蝇虫害叶片受害程度对其近红外反射光谱的影响

为探索实现作物虫害自动监测的方法，采用图像处理和光谱分析技术，测定了斑潜蝇虫害叶片的近红外反射光谱，计算了虫害叶片的破损率，对其破损率和干鲜比与近红外分光反射率的关系分别进行了回归分析。结果表明：在某些波段，叶片的破损率和干鲜比均与近红外分光反射率有较好的相关性。叶片的干鲜比与近红外分光反射率关系的决定系数：黄瓜为R²=0.79(在1452 nm)，番茄为R²=0.70(在1450 nm)。叶片的破损率与近红外分光反射率关系的决定系数，黄瓜为R²>0.81(在1436～1468 nm)，番茄为R²>0.69(在1436～1466 nm)。试验和分析结果证明斑潜蝇虫害叶片的虫害程度能很好地被近红外光谱信息反映。     

近红外光谱法快速测定土壤碱解氮、速效磷和速效钾含量

运用偏最小二乘法(PLS)和人工神经网络(ANN)方法分别建立了0.9 mm筛分风干黑土土壤碱解氮、速效磷和速效钾含量预测的近红外光谱(NIRS)分析模型。使用偏最小二乘算法建立的碱解氮、速效磷和速效钾校正模型的决定系数R²分别为0.9520、0.8714和0.7300，平均相对误差分别为3.42%、13.40%和7.40%。人工神经网络方法建立的碱解氮、速效磷和速效钾校正模型的决定系数分别为0.9563、0.9493和0.9522，相对误差分别为2.67%、6.48%和2.27%，测试集仿真的相对误差分别为5.44%、16.65%和7.87%。结果表明，人工神经网络方法所建立的校正模型均优于偏最小二乘法所建模型；用近红外光谱分析法预测土壤碱解氮含量是可行的，而速效磷、速效钾模型的测试集样品仿真的相对误差较大，其预测可行性还需做进一步研究。     

基于傅里叶变换近红外光谱的籽棉含水率无损检测

为了实现对籽棉含水率的快速、无损检测，该研究采用傅里叶变换近红外光谱技术建立籽棉含水率定量检测模型。首先探究了籽棉样本密度对于光谱曲线的影响，该研究发现样本密度大小对光谱曲线影响显著，密度越小光谱信号越强，当样品密度不低于0.0886 g/cm³时，光谱曲线变化趋于平稳。通过采集籽棉样本在3900～11000 cm^-1波数范围的吸光度光谱数据，并应用了9种预处理方法对原始光谱数据进行处理。发现一阶导数结合消除趋势（first derivative- detrending，FD-DT）预处理方法在偏最小二乘回归（partial least squares regression，PLSR）模型建立时表现最佳。使用了竞争自适应重复加权法（competitive adaptive reweighted sampling，CARS）、信息增益法（information gain，IG）、连续投影法（successive projections algorithm，SPA）和相关系数（correlation coefficient，CC）等算法，来获取最佳的特征波长。构建PLSR和支持向量机（support vector machine，SVM）的籽棉水分含量预测模型，比较不同分析算法，确定了FD-DT-CARS-PLSR和FD-DT-CARS-SVM两种算法组合作为最佳预测模型，预测集决定系数（R²_P）分别为0.933和0.931，预测集均方根误差（root mean square error，R_MSE）分别为0.480和0.500，剩余预测偏差（residual prediction deviation，R_PD）分别为3.88和3.85。研究结果表明，利用近红外光谱技术可以无损和准确地检测籽棉样本的含水率。     

光谱技术结合水分校正与样本增广的棉田土壤盐分精准反演

棉田土壤盐分的精准反演对于棉花的种植管理具有重要意义。水分和盐分作为主要环境因素，共同影响棉田土壤的波谱特征，两者之间的耦合关系直接影响土壤盐分的检测分析。为了提高基于光谱技术构建的模型对棉田土壤盐分信息解析的准确性与可靠性，该研究联用可见/短波近红外（400～1 000 nm）和长波近红外（960～1 693 nm）技术，采集不同含水率与含盐量的新疆地区土壤样本的光谱；结合外部参数正交法（external parameter orthogonalization，EPO），校正不同标样集与不同波段光谱中的土壤含水率干扰信息；引入基于不同卷积步幅的深度卷积对抗网络（deep convolutional generative adversarial networks，DCGAN），进行样本增广与质量评估；参考三层残差神经网络设计一维卷积神经网络RNet，最终构建基于EPO-DCGAN-RNet的优化模型，用于棉田土壤盐分的反演。结果表明，与传统机器学习方法和基于VGG或EfficientNet结构一维卷积神经网络相比，该研究提出的EPO-DCGAN-RNet方法能够有效地滤除水分对盐分反演的影响、提高模型对特征波段的挖掘能力、降低深度学习算法对样本量的依赖性，并能得到更优的模型预测性能。EPO-DCGAN-RNet的建模集R²和均方根误差分别为0.942、115.420 μS/cm，验证集R²和均方根误差分别为0.910和136.472 μS/cm。研究结果可为新疆棉田土壤盐分快速精准检测提供理论指导和技术支持，有助于促进盐碱地区棉花种植的水肥科学管理。     

基于光谱指数与机器学习算法的土壤电导率估算研究

土壤盐分是干旱区土壤盐渍化评价的重要指标。以新疆维吾尔自治区渭干河-库车河三角洲绿洲为例，基于土壤电导率 (Electrical conductivity，EC) 及可见光-近红外 (Visible and near infrared, VIS-NIR) 光谱数据，通过蒙特卡洛交叉验证 (Monte Carlo cross validation, MCCV) 确定364个有效样本。采用原始光谱 (Raw reflectance, R) 及其经过微分、吸光度 (Absorbance, Abs)、连续统去除 (Continuum removal, CR) 等6种预处理后的数据构建光谱指数。基于遴选出的21个最优指数，采用BP神经网络 (Back propagation neural network, BPNN)、支持向量机 (Support vector machine, SVM)、极限学习机 (Extreme learning machine, ELM) 三种算法对EC进行估算，并引入偏最小二乘回归 (Partial least squares regression, PLSR) 进行比较。结果表明：在基于R与6种光谱预处理数据构建的21个最优光谱指数之中，R_FD_RSI (R₁₉₁₃，R₂₁₄₂) 表现最佳 (r = 0.649) ；与PLSR相比，机器学习算法能够显著提高模型的估算精度，R²提高了34.55%。三种机器学习算法模型中，ELM表现最优 (R² = 0.884, RMSE = 3.071 mS?cm^-1, RPIQ = 2.535) 。本研究中所构建的光谱指数在兼顾遥感机理的同时能深度挖掘更多的隐含信息，并且基于机器学习算法的土壤EC估算模型精度显著提高，为干旱区土壤盐分定量估算提供了科学参考。     

近红外光谱分析法测定菜籽油中芥酸的含量

采用多通道PDA型近红外光谱仪，应用偏最小二乘法建立了菜籽油中芥酸含量与近红外透射光谱的校正模型，讨论多项式求导及平滑的窗口宽度和相关系数法筛选有效波长对校正模型的影响，并对10个预测集样品利用预测相关系数R_p和预测均方根误差RMSEP指标进行了预测精度分析，结果发现：在使用全谱数据进行偏最小二乘回归建模时，一阶7点求导及平滑的预处理方法结果最佳，此时建模效果为：R_p=0.739，RMSEP=1.659；在此基础上通过相关系数法筛选波长后的建模效果为：R_p=0.958，RMSEP=0.963。后者R_p提高29%，RMSEP减少42%。由此可得出多项式求导及平滑法和相关系数法相结合对校正模型稳健性，预测精度都有较大提高的结论。研究证明：多通道近红外光谱仪快速测测菜籽油中芥酸含量的方法是可行的。     

长江中下游地区夏季温室黄瓜冠层温度模拟与分析研究

根据作物冠层能量平衡原理，建立了以温室内温度、湿度、冠层净辐射等为变量的温室作物冠层温度的模拟模型，并利用实测资料对模型的可靠性进行了检验，同时就温室内部温度、冠层净辐射、蒸腾速率对冠层温度的影响进行了敏感性分析。结果表明：模型能较好地预测长江中下游地区温室作物冠层温度，模型对该地区夏季(2002年6月24至7月12日，梅雨季节)温室内作物冠层温度预测值与实测值的决定系数(R²)和标准误(SE)分别为：0.8321，0.0037℃；建立的温室内部温度、相对湿度、净辐射和作物蒸腾速率的多元线性回归模型，其决定系数(R²)和标准误(SE)分别为：0.9996，0.8829℃；通过敏感性解释因子的分析表明，作物冠层温度对温室内部温度最为敏感，室内温度是预测冠层温度的主要因子。     

基于近红外光声光谱的土壤有机质含量定量建模方法

该研究的目的在于应用近红外光声光谱技术结合不同的定量分析方法实现5种不同类型土壤有机质含量的快速估测。对中国中、东部地区5种不同类型土壤风干样本进行光谱扫描,经过多元散射校正、一阶导数、二阶导数及平滑等预处理后,应用逐步多元回归(SMLR)、主成分分析(PCR)、偏最小二乘法(PLS)和偏最小二乘法-反向传播神经网络(PLS-BPNN)等方法建立土壤有机质含量的定量估测模型。结果显示,不同预处理方法对所建土壤有机质含量估测模型的预测精度有较大影响,总体表现为多元散射校正+Norris一阶导数>多元散射校正>Norris一阶导数>标准正态化>Norris二阶导数>吸光度>Savitzky-Golay平滑后一阶导数>Savitzky-Golay平滑后二阶导数。对于4种不同建模方法,均以多元散射校正+Norris一阶导数滤波平滑后的光谱建模精度最高,其中采用PLS-BPNN方法建模效果最好,其次是PLS、SMLR和PCR。采用PLS-BPNN建立有机质校正模型具有极高的预测精度,建模决定系数和均方根偏差分别为0.97和1.88,模型测试决定系数和均方根偏差分别为0.97和1.72。因此,基于多元散射校正+Norris一阶导数光谱建立的PLS-BPNN模型可能是土壤有机质含量估测建模的最优方法。     

油用牡丹单粒种子含油量NIRS模型的建立

为了建立油用牡丹单粒种子含油量的近红外测定模型,便于高含油量单株的选育,采用索氏抽提法测试了200份油用牡丹凤丹单粒种子的含油量,并应用近红外反射光谱技术(NIRS)采集了200份样品的光谱数据,通过偏最小二乘法(PLS)和主成分回归法(PCR)构建了油用牡丹单粒种子含油量的数学模型。结果表明,索氏抽提法中,均匀粉碎后的油用牡丹籽样品干燥烘焙条件为105℃ 2 h,牡丹籽抽提时间为20 h,测出的含油量变化范围在10%~28%之间,籽油含量基本符合正态分布。NIRS法构建的模型最佳参数为:采用PLS法,光程固定,一阶导数消除背景,数据平滑处理采用Norris derivative filter的方法,平滑参数选用5和3。内部交叉检验校正相关系数r₁为0.980 1、预测相关系数r₂为0.957 6、校正均方根误差(RMSEC)为0.463、预测均方根误差(RMSEP)为0.705。外部检验相关系数达 0.957 6, 平均误差小于3%。本试验所构建的牡丹单粒种子含油量的NIRS模型可靠,可以用于分析油用牡丹单粒种子的含油量。     

Quantitative Analysis of Fat Content in Rice by Near‐Infrared Spectroscopy Technique

Fat content in rice is one of the most important nutritional quality properties. But the chemical analysis of fat content is time‐consuming and costly and could result in poor reproduction between replicates. Near‐infrared spectroscopy (NIRS) can solve those problems by providing a rapid, nondestructive, and quantitative analysis. Based on the NIRS technique and partial least squares (PLS) algorithm, four calibration models were established to quantitatively analyze fat content in brown rice grain and flour and milled rice grain and flour with 248 representative samples. The determination coefficients (R²) of these calibration models were 0.79, 0.84, 0.89, and 0.91, respectively, with the corresponding root mean square errors 0.16, 0.14, 0.09, and 0.08%. The R² were 0.73, 0.81, 0.81, and 0.89 with the corresponding root mean square errors 0.17, 0.15, 0.12, and 0.09%, respectively, in cross validation. The R² were 0.62, 0.80, 0.81, and 0.87, respectively, with the root mean square errors 0.25, 0.31, 0.28, and 0.30% in external validation. These results indicate that the method of NIRS has relatively high accuracy in the prediction of rice fat content. The four calibration models established in the present study should be useful for nutrient quality improvement in rice breeding.     

Rapid Analysis of Apple Leaf Nitrogen using Near Infrared Spectroscopy and Multiple Linear Regression

A quick method was developed for diagnosis of nitrogen (N) in apple trees based on multiple linear regressions to establish the relationship between near-infrared reflectance spectra (NIRS) and the N contents of fresh and dry tissue. Spectral pretreatment methods such as derivatives, smoothing, and normalization were used. The derivatives appeared to be the most effective. The best calibration for fresh leaf gave 0.842 for the correlation coefficient of validation (R_v), 1.119 g kg^?1 for the root mean square error of prediction (RMSEP), and 8.311 for the ratio of the range in reference data from the validation samples to the root mean square error of prediction (RER). The best calibration for dried ground samples was obtained with R_v = 0.952, RMSEP = 0.633 g kg^?1, the ratio performance deviation (RPD) = 3.27, and RER = 13.728. The results showed that calibrations of dry-apple leaf are robust enough for an accurate prediction of N.     

Near-infrared reflectance spectroscopy enables the fast and accurate prediction of the essential amino acid contents in soy, rapeseed meal, sunflower meal, peas, fishmeal, meat meal products, and poultry meal

Near-infrared reflectance spectroscopy (NIRS) calibrations were developed to enable the accurate and fast prediction of the total contents of methionine, cystine, lysine, threonine, tryptophan, and other essential amino acids, protein, and moisture in the most important protein-rich feed ingredients. More than 1000 samples of global origin collected over four years were analyzed on amino acids following the official methods of the United States and the European Union. Detailed data and graphics are given to characterize the obtained calibration equations. NIRS was validated with independent samples for soy and meat meal products and compared to the amino acid predictions using linear crude protein regressions. With a few exceptions, validation showed that 85-98% of the amino acid variance in the samples could be explained using NIRS. NIRS predictions compared to reference results agree excellently, with relative mean deviations below 5%. Especially for meat and poultry meals, NIRS can predict amino acids much better than crude protein regressions. By enabling the amino acid analysis of many samples to be completed in a short time, NIRS can improve the accuracy of feed formulation and thus the quality and production costs of mixed feeds.     

近红外光谱法测定玉米秸秆饲用品质

为了对玉米秸秆的饲用品质进行可靠、便捷、快速的分析和评价,该研究以不同品种、密度、氮肥和水分处理的不同发育时期和不同部位玉米秸秆为试验材料,应用近红外光谱（NIRS）技术和偏最小二乘法（PLS）,采用一阶导数+中心化+多元散射校正的光谱数据预处理方法,构建了玉米秸秆体外干物质消化率（IVDMD）、酸性洗涤纤维（ADF）、中性洗涤纤维（NDF） 和可溶性糖（WSC）含量的NIRS分析模型。所建立的IVDMD、ADF、NDF和WSC含量的NIRS校正模型决定系数（R2cal）分别为0.9906、0.9870、0.9931和0.9802,交叉验证决定系数（R2cv）分别为0.9593、0.9413 、0.9678和0.9342,外部验证决定系数（R2val）分别为0.9549、0.9353、0.9519和0.9191,各项标准差（SEC、SECV和SEP）为0.935～1.904,相对分析误差（RPD）均大于3。结果表明,各参数的NIRS分析模型可用于玉米秸秆饲用品质的分析和品种选育的快速鉴定。     

基于近红外光谱的脐橙产地溯源研究

为研究近红外光谱分析技术鉴别脐橙产地的可行性,该文采用江西、重庆和湖南3个产地脐橙样品1140～1170nm波段的近红外光谱经一阶导数(9点平滑)预处理,分别建立了簇类独立软模式法脐橙产地鉴别模型。在5%显著水平下,模型对3个产地训练集样品的识别率均为100%,拒绝率分别为85.7%、83.3%、100%;对验证集样品的识别率均为100%,拒绝率分别为100%、89.5%、100%,表明簇类独立软模式法模型基本能够判别脐橙产地。将江西、重庆和湖南3个产地的脐橙样品分别赋值0、1、?1,在全波段范围内建立原始光谱脐橙产地的偏最小二乘判别模型,其预测值与真实值的决定系数为0.973,校正标准差为0.110,预测标准差为0.159,模型对训练集和验证集样品的识别率达到100%。因此,应用近红外光谱分析技术可准确、快速地追溯脐橙产地来源。     

基于近红外光谱技术的淡水鱼品种快速鉴别

为探索淡水鱼品种的快速鉴别方法,该文应用近红外光谱分析技术,结合化学计量学方法,对7种淡水鱼品种的判别分类进行了研究。采集了青、草、鲢、鳙、鲤、鲫、鲂等7种淡水鱼,共665个鱼肉样品的近红外光谱数据,经过多元散射校正(multiplicative scatter correction,MSC)、正交信号校正(orthogonal signal correction,OSC)、数据标准化(standardization,S)等20种方法预处理,在1 000~1 799 nm范围内分别采用偏最小二乘法(partial least square,PLS)、主成分分析(principal component analysis,PCA)和BP人工神经网络技术(back propagation artificial neural network,BP-ANN)、偏最小二乘法和BP人工神经网络技术对7种淡水鱼原始光谱数据进行了鉴别分析。结果表明,近红外光谱数据,结合主成分分析和BP人工神经网络技术建立的淡水鱼品种鉴别模型最优,模型的鉴别准确率达96.4%,对未知样本的鉴别准确率达95.5%。模型具有较好的鉴别能力,采用该方法能较为准确、快速地鉴别出淡水鱼的品种。     

Use of Near Infrared Reflectance Spectroscopy (NIRS) for Predicting Soil Fertility and Historical Management

This study tests the potential of near infrared reflectance spectroscopy (NIRS) for predicting soil fertility and management history from topsoil (0–10 cm deep) spectra. Soil fertility was assessed by measuring the growth of a test plant, and soil management history was determined through inquiries with farmers. Moreover, NIRS predictive value was compared with that of a group of topsoil parameters: total carbon and nitrogen, nitrate, potential respiration and denitrification, and microbial biomass. Modelling used partial and modified partial least square regressions to ensure comparisons between predictions by NIRS versus by soil parameters. Soil fertility and management history were well predicted by NIRS (Q² = 0.78 and R² = 0.89 both; Q² and R² are cross-validation and calibration coefficients of determination, respectively), as were the soil parameters (Q² = 0.79–0.92 and R² = 0.86–0.98). Soil fertility and management history were more accurately predicted by NIRS than by the set of soil parameters.