小波包-局部最相关算法提高土壤有机碳含量高光谱预测精度

高光谱遥感可以实现水稻土排水期有机碳含量的快速预测,但土壤反射率受多种噪声的影响,有机碳光谱信号探测受阻,预测模型性能低下,如何在去除噪声的同时最大限度地保持有机碳光谱信号十分重要。以原状新鲜水稻土为研究对象,采用Bior1.3小波系对反射光谱进行1~7层小波包变换,通过相关分析确定最大分解层;将原始反射率至最大分解层以内的各层光谱相关系数组成相关系数集,采用局部最相关算法(local correlation maximization,LCM)构造土壤有机碳最优光谱;最后基于最优光谱建立有机碳含量偏最小二乘预测模型并进行分析。结果显示:1)随着小波包分解层数的增加,土壤反射率与有机碳含量的相关性不断增强,到第6层达到最高,确定为小波包最大分解层;2)基于LCM构造的最优光谱比未去噪光谱平滑,比小波包去噪光谱保留了更多光谱细节;3)未去噪光谱、小波包去噪光谱和LCM最优光谱有机碳预测模型的验证决定系数分别为0.693、0.727和0.781,均方根误差为1.952、1.840和1.679 g/kg,残留预测偏差为1.85、1.97和2.17。小波包-局部最相关算法在去噪同时有效保持了土壤有机碳光谱信号,可提高水稻土有机碳含量高光谱预测精度。     

基于光谱学原理与小波包分解技术预测苹果树叶片氮素含量

为探索不同生理物候期苹果树叶片氮素含量的快速检测方法。分别在果树坐果期、生理落果期和果实成熟期,使用光谱仪测量了果树叶片在可见光和近红外区域的反射光谱,同时在实验室测定了果树叶片的全氮含量。研究首先将实验所得的光谱反射率与氮素含量以果树为单位进行聚类,利用小波包分析技术对每棵果树的光谱信息进行分解,提取出的低频信号和去除高频噪音后的信号分别组成了低频全光谱和去噪全光谱。针对这两个全光谱均实施了主成分分析,利用提取主成分分别建立了果树不同生长阶段的氮素含量多元线性回归模型。对比基于归一化植被指数（NDVI）建立的氮素含量估测模型发现,利用全光谱信息建立的氮素含量预测模型精度更高;在坐果期和果实成熟期,使用去噪全光谱提取的主成分建立的氮素预测模型最优;而在生理落果期,使用低频全光谱提取的主成分建立的模型最优。结果表明,利用小波包分析技术能够有效地提高苹果果树叶片氮素含量的光谱预测能力。     

用于微小型光谱仪的冬小麦抽穗期叶绿素含量诊断模型

采用基于微小型光谱学传感器构建的作物冠层反射光谱探测系统,在田间轻量便携式地测量冬小麦抽穗期冠层可见光-近红外反射光谱。首先对冠层反射光谱进行去噪预处理,对原始光谱先一阶微分运算后,采用Bior Nr.Nd双正交小波进行小波包分解和重构以达到数据平滑的目的。对样本点数据利用蒙特卡罗抽样方法进行分析,去除异常样本点值,然后基于Random frog特征变量选取算法进行叶绿素含量敏感波长筛选。分别对原始光谱和经预处理后的光谱数据所选取的敏感波长进行偏最小二乘回归(partial least squares regression,PLSR)建模,建模结果如下:基于原始光谱的敏感波长639、436、459、642、556、653、596、455 nm建立叶绿素含量诊断PLSR模型,建模精度Rc2为0.70,均方根误差为1.398 0,验证精度Rv2为0.10,均方根误差为2.381 0;经过预处理后,基于选取的特征波长719、572、562、605、795、527、705、514 nm建立叶绿素含量诊断PLSR模型,建模精度Rc2为0.69,均方根误差为1.364 8,验证精度Rv2为0.52,均方根误差为1.839 7,估测能力得到了提高。结果表明:基于微小型光谱学传感器构建的作物冠层反射光谱探测系统能够合理地预测冬小麦叶片中的叶绿素含量,可用于田间冬小麦抽穗期的作物营养诊断。     

近红外光谱结合小波变换预处理在蜂蜜产地快速检测中的应用

应用近红外光谱结合化学计量学方法对蜂蜜产地进行了判别分析。kennard-Stone法划分训练集和预测集。光谱用一阶导数加自归一化预处理后,再用小波变换（WT）进行压缩和滤噪。结合滤波后光谱信息,分别用径向基神经网络（RBFNN）和偏最小二乘-线性判别分析（PLS-LDA）建立了苹果蜜产地和油菜蜜产地判别模型。对不同小波基和分解尺度进行了详细讨论。对苹果蜜,WT-RBFNN模型和WT-PLS-LDA模型都是小波基为db1、分解尺度为2时的预测精度最好,都为96.2%。对油菜蜜：WT-RBFNN模型在小波基为db4和分解尺度为1时,预测精度最好;WT-PLS-LDA模型在小波基为db9、分解尺度也为1时,预测精度最好,为90.5%;预测精度WT-PLS-LDA模型优于WT-RBFNN模型。研究表明：WT结合线性的PLS-LDA建模比WT结合非线性的RBFNN建模更适于蜂蜜产地鉴别;近红外光谱结合WT-PLS-LDA可实现对蜂蜜产地的快速无损检测,为蜂蜜产地鉴别提供了一种新方法。     

基于小波去噪与SVR的小麦冠层含氮率高光谱测定

为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合（小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise）,并利用去噪后的小麦冠层光谱建立偏最小二乘回归（PLS）模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差（RMSEC）为0.260,预测集均方根误差（RMSEP）为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析（PCA）进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型（LS-SVR）,其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明：以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。     

近红外光谱结合化学计量学方法检测蜂蜜产地

为了实现蜂蜜产地的快速判别,应用近红外光谱结合化学计量学方法对蜂蜜产地进行了判别分析。kennard-Stone法划分训练集和预测集。光谱用一阶导数加自归一化预处理后,再用小波变换（WT）进行压缩和滤噪。结合滤波后光谱信息,分别用径向基神经网络（RBFNN）和偏最小二乘-线性判别分析（PLS-LDA）建立了苹果蜜产地和油菜蜜产地的判别模型。对不同小波基和分解尺度进行了讨论。对苹果蜜,WT-RBFNN模型和WT-PLS-LDA模型都是小波基为db1、分解尺度为2时的预测精度较好,都为96.2%。对油菜蜜：WT-RBFNN模型在小波基为db4和分解尺度为1时,预测精度较好,为85.7%;WT-PLS-LDA模型在小波基为db9、分解尺度也为1时,预测精度较好,为90.5%。研究表明：WT结合线性的PLS-LDA建模比WT结合非线性的RBFNN建模更适于蜂蜜产地判别;近红外光谱技术具有快速判别蜂蜜产地的潜力。     

基于小波变换的番茄总糖近红外无损检测

分别采用小波消噪、常数偏移消除等11种光谱预处理方法,对番茄总糖含量（质量分数）的近红外光谱进行预处理,通过偏最小二乘法定量校正模型预测值比较得出,小波消噪是适合番茄近红外光谱的最佳预处理方法,小波消噪的总糖质量分数近红外光谱优选区域为11 998.9～6 097.8 cm-1和4 601.3～4 246.5 cm-1,在此光谱区内建立的番茄总糖质量分数偏最小二乘法模型预测值与实测值的相关系数为0.930,内部交叉验证均方差为0.466%,校正标准差为0.469%,预测标准差为0.260%。试验结果表明：小波消噪后建立的近红外光谱模型能准确地对番茄总糖含量进行快速无损检测。     

基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算

为了进一步提高玉米叶绿素含量的高光谱估算精度,该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对应的叶绿素相对含量（soil and plant analyzer development,SPAD）值,分析了一阶微分光谱、高光谱特征参数与 SPAD的相关关系,构建了基于一阶微分光谱、高光谱特征参数和 BP 神经网络的 SPAD 估算模型,并对模型进行验证;再结合主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）以及传统回归模型与 BP 神经网络模型进行比较。结果表明：SPAD 值与一阶微分光谱在763nm 处具有最大相关系数（R=0.901）;以763 nm 处的一阶微分值、蓝边内最大一阶微分为自变量建立的传统回归模型可用于玉米叶片 SPAD 估算;将构建传统回归模型时筛选到的光谱参数作为输入,实测 SPAD 值作为输出,构建 BP 神经网络模型,其建模与验模 R2分别为0.887和0.896,RMSE 为2.782,RE 为4.59%,与其他回归模型相比,BP 神经网络模型预测精度最高,研究表明 BP 神经网络对叶绿素具有较好的预测能力,是估算玉米叶片 SPAD 值的一种实时高效的方法。     

用高光谱成像技术检测柑橘红蜘蛛为害叶片的色素含量

为解决传统理化法检测柑橘树叶片受红蜘蛛为害后色素含量变化时存在的工作量大、效率低等问题,该文研究应用高光谱成像技术检测柑橘红蜘蛛为害叶片色素含量的方法。研究中对比了正常叶片与受害叶片的原始光谱以及原始光谱一阶微分曲线的差异,寻找反映叶片色素含量变化的特征波段;分析了特征波段反射率比值与叶片色素间相关性;采用单变量线性回归法分析了常用植被指数预测叶片色素含量的效果;采用逐步回归分析法建立了叶片色素含量预测模型,并对模型预测效果进行了F检验。结果表明:常用植被指数预测叶片色素含量结果不理想;选取的667/522、667/647和522/647 nm等3个特征波段反射率比值与叶片3种色素含量间具有较高的相关性;用于建立叶片色素含量预测模型的最佳特征波段反射率比值为667/522和667/647 nm,所建立的模型可较好地预测健康及受害叶片的叶绿素a、叶绿素b和类胡萝卜素含量。     

基于光谱预处理和机器学习算法的烤烟叶绿素含量预测

叶绿素是作物进行光合作用合成有机物的主要色素,实时监测烤烟叶片叶绿素含量对跟踪烟株氮素营养状况和判别烟叶成熟度具有重要的指导作用。基于对烤烟叶片光谱特征的分析,以不同供氮水平下实测的烟叶高光谱数据及叶绿素相对含量(SPAD)为数据源,采用一阶导数(1st Der)、多元散射校正(MSC)、标准正态变量(SNV)和SG平滑(SG)对原始光谱数据进行预处理,先采用连续投影法(SPA)挑选出每个预处理条件下的特征波长,后将各特征波段下的光谱反射率作为模型的输入变量,利用反向传播神经网络(BPNN)、随机森林(RF)和支持向量机(SVM)3种机器学习的方法分别构建烤烟叶片叶绿素含量估测模型。使用决定系数(R2)、均方根误差(RMSE)和平均绝对值误差(MAE)对每个机器学习模型的性能进行了评估和比较。结果表明:3种机器学习方法训练出的模型相比较,RF模型的预测准确率最高;烤烟叶片原始光谱经MSC和SNV预处理后的光谱信息作为输入变量,经RF算法建模具有较高的精度和良好的预测能力,模型为MSC-SPA-RF(R2=0.96,RMSE=1.15,MAE=0.94)和SNV-SPA-RF(R2=0.96,RMSE=1.14,MAE=0.94)。说明基于机器学习利用高光谱数据估算烤烟叶片叶绿素含量具有可行性,这为实时、精确地监控烤烟生长过程中叶片叶绿素含量变化状况以及合理科学的进行田间管理提供了一定的理论基础。     

基于光谱特征分析的苹果树叶片营养素预测模型构建

该文旨在利用光谱分析技术建立高精度苹果叶片营养素预测模型,为苹果树的精细管理提供技术支持。在苹果树年度生长周期的坐果期、生理落果期和果实成熟期等重要物候期,采集了180个果树叶片样本并测量了果树叶片在可见光和近红外波段的反射光谱,同时在实验室采用化学方法获取了果树叶片的氮素以及叶绿素含量。对于聚类后样本,分别分析了果树叶片反射光谱以及经小波滤波后的反射光谱与叶绿素以及氮素之间的相关关系,而后利用偏最小二乘和支持向量机（SVM,support vector machine）方法分别建立了果树叶片叶绿素和氮素含量的回归模型。研究发现,随着生长阶段的推进,在可见光处的反射率逐渐升高,在近红外处的反射率逐渐降低,且基于小波滤波反射光谱的营养素SVM回归模型精度最高：建立的叶绿素回归模型,其测定系数R2达到0.9920,均方根误差 RMSE为0.0039,验证精度R2达到0.9036,RMSE为0.1979;建立的氮素回归模型,其测定R2和验证R2也达到0.74以上,模型的回归RMSE为0.0554,验证RMSE为0.1215。结果表明,采用支持向量机回归模型可以精确估计果树叶片叶绿素含量,对氮素含量的估计精度也达到了实用化水平。     

煤矿区土壤有机碳含量的高光谱预测模型

可见—近红外光谱已被证明是一种快速、及时、有效的土壤有机碳含量预测工具。利用Field Spec4对济宁鲍店矿区的104个土壤样品进行光谱测量,采用Savitzky-Golay卷积平滑(SG)、多元散射校正(MSC)及数学变换等多种方式组合对光谱预处理,并运用偏最小二乘回归分析建立土壤有机碳含量预测模型,进而探讨煤矿区土壤有机碳含量的高精度预测方法。结果表明:(1)不同的光谱预处理方法对建模结果影响差异较大,建模结果以SG加MSC预处理再结合光谱反射率的一阶微分变换最优,建模R~2=0.86,RMSE=2.0g/kg,验证R~2=0.78,RMSE=1.81g/kg,RPD=2.69。(2)倒数和倒数的对数与土壤有机碳含量的相关性曲线接近重合,与反射率曲线成反比,但是建模效果远低于反射率;光谱反射率的一阶微分能明显提高500~600nm波段相关性。(3)光谱反射率随土壤有机碳的含量减少而增大,当有机碳含量较低时,其波谱的近红外波段反射率响应能力也随之降低,反射率直接建模难度加大。     

辽宁省黄土状母质发育土壤有机质含量高光谱预测模型的构建

  目的  建立辽宁省黄土状母质发育土壤有机质含量的高光谱预测模型,以便快速获取土壤样品的有机质含量。  方法  对省域内黄土状母质发育土壤进行了样品采集,获取样品有机质含量和高光谱数据;选择原始光谱及其一阶微分、二阶微分、倒数对数、倒数对数一阶微分、倒数对数二阶微分6种光谱变换数据作为自变量,与土壤有机质含量进行相关分析,选取特征波段,分别建立多元逐步线性回归（SMLR）、偏最小二乘回归（PLSR）和主成分回归（PCR）3种土壤有机质高光谱线性预测模型,并进行了支持向量机（SVM）方法的非线性模型拟合。  结果  土壤有机质含量与其光谱反射率呈负相关关系,对光谱进行不同的数学变换,可以提高土壤有机质含量与光谱反射率的相关性,其中一阶微分和二阶微分的提升效果最佳;相同光谱数据在不同模型中建模精度存在显著差异,以原始光谱反射率一阶微分为自变量的PLSR模型精度最高,建模集和验证集的决定系数（R2）分别为0.958和0.976;3种线性方法建立的最佳预测模型的检验精度为:PLSR > SMLR > PCR。  结论  PLSR模型是辽宁省黄土状母质发育土壤有机质含量的最佳高光谱预测模型,且基于特征波段的建模效果优于全波段;SVM非线性模型的预测精度较低。     

基于特征光谱参数的苹果叶片叶绿素含量估算

果树叶绿素含量的快速、无损、准确监测,可以及时掌握果树的营养水平,对指导果树管理具有重要意义。该文利用2012年和2013年山东省肥城市潮泉镇下寨村的苹果叶片叶绿素含量和叶片光谱数据,分析了叶绿素含量和苹果叶片原始光谱及其变换形式之间的相关性,筛选出较优光谱参数,并利用随机森林法、偏最小二乘法、BP神经网络和支持向量机回归法进行估算和验证。结果表明:1)叶绿素含量与叶片原始光谱及其变换形式之间的最优光谱参数分别为554和708 nm的原始光谱反射率,554和708 nm倒数之对数光谱,535、569、700和749 nm一阶微分光谱以及557和708 nm连续统去除光谱;2)随机森林、偏最小二乘法、BP神经网络和支持向量机估算模型的R2分别为0.94,0.61,0.66和0.60,RMSE分别为0.34,0.78,0.75和0.81 mg/dm2。说明随机森林算法模型用于估算苹果叶片叶绿素含量效果较好,为及时了解果树养分状况及果树营养诊断提供技术支持。     

基于偏最小二乘回归的土壤有机质含量高光谱估算

为实现基于光谱分析土壤有机质含量的快速测定,该文以江汉平原公安县的土壤为研究对象,进行室内理化分析、光谱测量与处理等一系列工作,在土壤原始光谱反射率(raw spectral reflectance,R)的基础上,提取了其倒数之对数(inverse-log reflectance,LR)、一阶微分(first order differential reflectance,FDR)和连续统去除(continuum removal,CR)3种光谱指标,分析4种不同形式的光谱指标与有机质含量的相关性,对相关系数进行P=0.01水平上的显著性检验来确定显著性波段的范围,并基于全波段(400~2 400 nm)和显著性波段运用偏最小二乘回归(partial least squares regression,PLSR)建立了该区域土壤有机质高光谱的预测模型,通过模型精度的比较确定最优模型。结果表明,进行CR变换后,光谱曲线的特征吸收带更加明显,相关系数在可见光波段范围内有所提高;基于全波段的PLSR建模效果要优于显著性波段,其中以CR的预测精度最为突出,其模型的决定系数R2和相对分析误差RPD分别为0.84、2.58;显著性波段的PLSR模型与全波段对比在模型精度方面虽有一定差距,但从模型的复杂程度来比较,具有模型简单、运算量小、变量更少的特点;最后,综合比较了全波段和显著性波段4种光谱指标的反演精度,发现CR-PLSR模型的建模和预测的效果比R-PLSR、LR-PLSR、FDR-PLSR模型都要显著。该研究可为将CR-PLSR高光谱反演模型用于该区域土肥信息的遥感监测提供参考。     

低温胁迫下冬小麦叶片叶绿素含量的高光谱估算

利用一次寒潮降温过程，以苗期12个品种的冬小麦为研究对象，测定其低温逆境下叶片光谱反射率和SPAD(Soil and Plant Analyzer Development，SPAD)值。以2020年12月28日（最高/最低温为15℃/3℃）的观测值为胁迫前数据，12月31日（最高/最低温为1℃/−9℃）的观测值为低温胁迫后数据，分析低温胁迫前后小麦叶片原始光谱和SPAD值的变化规律。在多种光谱参数中，采用相关分析方法遴选出5个与SPAD值密切相关的特征变量，分别建立低温胁迫前、后以原始光谱数据、一阶光谱导数和三种植被指数为自变量的小麦叶片叶绿素含量反演模型，并进行交互验证，筛选出低温胁迫后小麦叶绿素含量的最优反演模型。结果表明：（1）与胁迫前相比，低温胁迫后小麦叶片SPAD整体呈上升趋势，光谱反射率在叶绿素吸收较好的可见光区域有所降低，叶片表现出受冻特征；（2）构建的低温胁迫前后两种混合模型，交互验证后精度较低，表明常温下小麦叶绿素含量估算模型并不适用于遭受低温胁迫后的小麦叶绿素估算，需单独建立低温胁迫后的估算模型；（3）利用光谱数据构建冬小麦低温胁迫下叶绿素含量反演混合模型中，以一阶光谱导数在694nm处建立的模型估算效果最优，拟合度（R2）为0.694，均方根误差（RMSE）为3.191，说明利用小麦叶片光谱特征波段建立低温胁迫下叶片叶绿素含量反演模型的方法是可行的。研究结果可为多品种冬小麦叶片叶绿素含量无损监测提供参考。     

柑橘叶片叶绿素含量高光谱无损检测模型

针对柑橘叶片叶绿素含量的传统化学检测,不仅耗时长且损伤柑橘叶片,还依赖检测者实操技术,无法集成于精细农业中变量喷施农机具的诸多弊端,该文探讨快速无损检测柑橘叶片叶绿素含量方法。以117棵园栽萝岗甜橙树为研究对象,选用ASD Field Spec 3光谱仪对萌芽期、稳果期、壮果促梢期、采果期共4个生长时期的柑橘叶片进行高光谱反射率采集,并同步采用分光光度法测得叶片的叶绿素含量;以原始光谱及其变换形式作为模型输入矢量,分别在主成分分析(principle component analysis,PCA)降维的基础上利用支持向量机回归(support vector regression,SVR)算法和在小波去噪的基础上利用偏最小二乘回归(partial least square regression,PLSR)算法对柑橘叶片叶绿素含量进行建模预测,全生长期整体建模的校正集和验证集最佳模型决定系数R2分别为0.8713和0.8670,均方根误差RMSE(root-mean-square error)分别为0.1517和0.1544,试验结果表明,高光谱可快速无损地对柑橘叶片叶绿素含量进行精确的定量检测,为柑橘不同生长期的营养监测提供理论依据。     

优化光谱输入量的土壤有机质随机森林预测模型

以往的土壤有机质预测研究往往只提取一种光谱输入量,忽略了不同光谱输入量之间的互补性。为探究光谱输入量在预测土壤有机质时的最佳组合,以及不同光谱输入量在离散小波变换不同分解尺度下的变化趋势,该研究以宝清县土壤有机质为研究对象,对光谱反射率进行离散小波变换,对各个分解尺度下的特征光谱提取光谱特征参数、光谱指数以及主成分并分别组合,基于8种光谱输入量建立随机森林模型进行土壤有机质预测。结果表明：1)利用不同光谱输入量预测有机质的精度均高于直接使用光谱反射率建模的精度,将不同光谱输入量组合可以提升预测效果,单个光谱输入量中主成分的预测效果最好,组合中光谱特征参数和主成分的组合预测效果最好;2)随着分解尺度的变化,不同光谱输入量的预测精度的变化趋势也不同,并且单个光谱输入量的变化趋势也会影响该光谱输入量组合的变化趋势;3)所有预测结果中,精度最高的是分解尺度为6时光谱特征参数与主成分的组合,R²达到0.78,均方根误差达到1.32%,可以较好地预测土壤有机质。研究结果说明光谱输入量结合离散小波变换预测土壤有机质是可行的,可以为土壤有机质的预测提供可靠思路。     

基于连续小波变换和随机森林的芦苇叶片汞含量反演

植物重金属污染是当今世界面临的重大生态环境问题之一,高光谱技术为快速、大面积监测植被重金属含量提供了可能性。本研究以重金属汞(Hg)和湿地植物芦苇为研究对象,采用连续小波变换(CWT)和随机森林(RF)算法相结合的方法建立芦苇叶片总汞含量反演模型,以期寻求一种较为精准的植物汞污染反演模型,未来可通过高光谱技术建立模型来无损、快速估测湿地植物重金属汞污染情况,为湿地生态系统的监测提供方法支持。结果表明:芦苇叶片总汞含量敏感波段主要分布在可见光波段419~522 nm、664~695 nm和724~876nm以及近红外波段1 450~1 558 nm和1 972~2 500 nm;经CWT变换后,小波系数与叶片总汞含量的相关系数绝对值提高0.04~0.18,所构建的预测反演模型拟合效果R~2提高0.107~0.177,模型精度RMSE提高0.008~0.013,其中利用经小波变换的去包络线光谱(CR-CWT)数据建立的RF模型对芦苇叶片总汞含量的反演精度和拟合效果最优(R~2=0.713,RMSE=0.127);同时在土壤总汞含量约为20 mg?kg~(-1)时,采用CR-CWT数据构建RF模型的方法来反演芦苇叶片总汞含量更为准确和可靠(R~2=0.825,RMSE=0.051)。因此,利用RF算法进行植被重金属含量的反演具有一定的现实可行性,而结合CWT后所构建的反演模型对指导植被重金属含量监测更具参考价值,应用前景广阔。