可见/近红外光谱结合遗传算法无损检测牛肉pH值

为了实现牛肉在整个货架期内(4℃环境)pH值的无损快速检测,该文采用可见/近红外光谱技术并结合遗传算法(GA,genetic algorithm),搭建了可见/近红外光谱检测系统,采集储藏在4℃下1～18d的120个牛肉样品400～1700nm范围的光谱,用不同预处理方法处理,并分别建立全波段光谱和经过遗传算法提取有效光谱的预测牛肉pH值的多元线性回归(MLR,multiple linear regression)模型、偏最小二乘回归(PLSR,partial least-squares regression)模型和最小二乘支持向量机(LS-SVM,least square-support vector machine)模型。结果表明,多元散射校正(MSC,multiplicatives catter correction)结合Savitzky-Golay(SG)平滑为最佳预处理方法,遗传算法提取光谱后所建模型的预测精度均高于全波段光谱所建模型,其中LS-SVM为最佳预测模型,其预测相关系数和标准差分别为0.935和0.111,相比全波段LS-SVM模型预测,精度得到了提高。研究表明可见/近红外光谱技术结合遗传算法所建LS-SVM预测模型能够实现4℃下牛肉整个货架期内pH值的无损快速检测。该研究为进一步开发实用的牛肉pH值无损快速检测设备提供依据。     

红茶感官品质及成分近红外光谱快速检测模型建立

以在发酵过程中小叶种工夫红茶为研究对象,分别建立了基于近红外光谱检测技术的感官品质评分和理化品质指标(茶黄素、茶红素、茶褐素、儿茶素和酚氨比)的定量分析模型。在模型建立过程中,探讨了特征变量优选方法对预测模型的影响。首先,对获取的近红外光谱数据进行标准正态变量变换法(standard normal Z transformation,SNV)预处理,进而采用联合区间偏最小二乘回归(synergy interval PLS,Si-PLS)、随机蛙跳算法(shuffled frog leaping algorithm,SFLA)、竞争性自适应权重取样法(competitiveadaptivereweightedsampling,CARS)和连续投影(successive projections algorithm,SPA),筛选出各品质指标的最优特征波长变量;最后基于优选波长分别建立各发酵品质指标的偏最小二乘法(partial least squares regression,PLS)线性预测模型和支持向量机(support vector regression,SVR)非线性预测模型。模型结果比较表明,Si、CARS、SFLA和SPA等变量筛选方法可有效压缩变量,以及进一步提高模型精度。非线性模型的预测均方根误差值(root-mean-square error of prediction,RMSEP)均明显小于PLS模型,相关性系数(correlation coefficient,R)和相对分析误差(relative percent deviation,RPD)均高于PLS模型。对于红茶发酵品质的检测上,非线性模型性能优于线性模型。感官品质、茶褐素和儿茶素的最优变量SVR预测模型的RPD值分别为3.923、3.234和5.462,酚氨比和茶红素模型的RPD值分别为2.815和2.223。除茶黄素的评价模型外(RPD为1.77),基于最优特征波长的各品质指标SVR模型的RPD值均大于2,表明模型具有极好的预测性能。研究结果为实现工夫红茶发酵品质的近红外光谱快速检测的实际应用奠定理论基础。     

拉曼光谱法检测玉米中黄曲霉毒素B1和玉米赤霉烯酮

为提高激光拉曼光谱技术对不同霉变程度玉米中的黄曲霉毒素B₁(AFB₁)和玉米赤霉烯酮(ZEN)检测的准确率,本试验以6个不同霉变等级的玉米样品为研究对象进行拉曼光谱检测。首先采用迭代多项式拟合基线校正方法对原始拉曼光谱进行基线校正,去除荧光背景;然后采用多元散射校正(MSC)、标准正态变量变换(SNV)和高斯-洛伦兹混合函数峰位拟合(Gauss-Lor)3种方法对光谱进行预处理,并对预处理结果进行对比,确定GaussLor方法更为合适;运用竞争性自适应重加权算法(CARS)对AFB₁和ZEN分别选取了22和36个特征波长;最后运用BP神经网络(BPNN)和偏最小二乘(PLS)、支持向量机(SVM)分别在特征波长和全波长下对2种毒素含量进行预测。结果表明,基于所筛选出的特征波长光谱信息所建立的BPNN模型预测效果最佳,其对AFB₁和ZEN含量预测值的相关系数(R²)和均方根误差(RMSE)分别为0.986 9、0.098 7和0.967 3、0.092 2。本研究结果为激光拉曼光谱技术快速检测玉米中真菌毒素提供了一定的借鉴,并为其他谷物中真菌毒素的拉曼检测提供了参考。     

光谱变换方法对黑土养分含量高光谱遥感反演精度的影响

高光谱遥感反演黑土养分含量时,光谱变换方法对提取精度具有显著影响,为明确二者响应关系,提高反演精度和稳定度,该文以黑龙江建三江地区为研究区,引入航空高光谱成像系统CASI-1500,获取380～1 050 nm数据进行分析。均匀采样60个样品,化验获得其有机质、全氮、全磷和全钾含量数据,利用神经网络方法对有机质含量、支持向量机对氮、磷、钾含量进行建模。对比研究了重采样（RE）、对数倒数（LR）、一阶微分（FD）、包络线去除（CR）和多元散射校正（MSC）变换5种光谱变换后的提取精度。结果表明：MSC、MSC、LR和RE光谱变换方法分别应用到有机质、氮、磷和钾特征波段的组合运算中,得出黑土养分含量的空间分布精度相对最高,预测样本的决定系数分别为0.748、0.673、0.631和0.420。     

可见-近红外与中红外光谱预测土壤养分的比较研究

对土壤养分的快速和准确测定有助于适时指导施肥。为进一步研究可见-近红外（350～2500 nm）与中红外光谱（4000～650 cm-1）对土壤养分的预测能力,以贵州省500个土样为例,对光谱进行Savitzky-Golay（SG）平滑去噪处理,再用标准正态化（SNV）方法进行基线校正,然后分别应用偏最小二乘回归（PLSR）和支持向量机（SVM）两种方法进行建模,探讨了可见-近红外和中红外光谱对土壤全氮（TN）、全磷（TP）、全钾（TK）和碱解氮（AN）、有效磷（AP）、速效钾（AK）共六种土壤养分的预测效果。结果表明：（1）无论基于可见-近红外光谱还是中红外光谱,PLSR模型的预测精度整体均优于SVM模型。（2）中红外光谱对TN、TK和AN的预测精度均显著高于可见-近红外光谱,可见-近红外和中红外光谱均可以可靠地预测TN和TK（性能与四分位间隔距离的比率（RPIQ）大于2.10）,中红外光谱可相对较可靠地预测AN（RPIQ=1.87）;但两类光谱对TP、AP和AK的预测效果均较差（RPIQ<1.34）。（3）当变量投影重要性得分（VIP）大于1.5时,PLSR模型在中红外光谱区域预测TN和TK的重要波段多于可见-近红外光谱区域,TN的重要波段主要集中于可见-近红外光谱区域的1910和2207 nm附近,中红外光谱区域的1 120、1 000、960、910、770和668 cm-1附近;TK的重要波段主要集中于可见-近红外光谱区域的540、2176、2225和2268 nm附近,中红外光谱区域的1 040、960、910、776、720和668 cm-1附近。因此,中红外光谱技术结合PLSR模型对土壤养分预测效果较好,可快速准确预测土壤TN和TK,可为指导适时施肥提供技术支撑。     

应用可见/近红外高光谱成像测定鲑鱼片脂肪含量分布(英文)

脂肪作为一种重要的品质参数,在大西洋鲑鱼片中的分布很不均匀。为寻找一种能替代脂肪化学检测的快速无损的方法,该研究应用可见/近红外高光谱成像测定大西洋鲑鱼片的脂肪含量分布。分别采用可见/短波近红外(400-1100 nm)和近红外(900-1700 nm)系统获取大西洋鲑鱼片样本的高光谱图像。提取样本图像的平均光谱并与其相应的脂肪含量化学值采用偏最小二乘回归(partial least squares regression,PLSR)和最小二乘支持向量机(least-squares support vector machines,LS-SVM)建立相关性模型。为降低高光谱图像的共线性和冗余度,基于竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)分别在可见/短波近红外和近红外光谱区间提取16个(468,479,728,734,785,822,863,890,895,899,920,978,1005,1033,1040,1051 nm)和15个(975,995,1023,1047,1095,1124,1167,1210,1273,1316,1354,1368,1575,1632,1661 nm)特征波长,并分别建立PLSR和LS-SVM模型。特征波长模型的性能优于全波段模型,且近红外区间的特征波长PLSR模型为最优,预测决定系数(R2p)为0.92,预测均方根误差(root mean square error of prediction,RMSEP)为0.92%,剩余预测偏差(residual predictive deviation,RPD)为3.50。最后,将最优模型用于预测高光谱图像上所有像素点的脂肪含量以展示样本上脂肪的分布。此外,还基于该技术对大西洋鲑整鱼片实现了脂肪分布可视化。结果表明高光谱成像技术结合化学计量学方法在大西洋鲑鱼片脂肪的定量和分布可视化上有一定的研究和应用前景。     

基于特征集成学习的四川省土壤厚度预测

以四川省土壤厚度预测为例，为农业生产与生态环境评价中土壤厚度空间分布图的编制提供方法支持。对比分析了随机森林、分位数回归森林、支持向量机、集成学习模型对连续型土壤厚度的预测精度，并提出了一种基于特征集成学习的土壤厚度类型预测算法。研究结果表明：①四川省土壤厚度具有较高的空间异质性，控制其空间变化的主要地形因子包括谷底平坦综合指数、高程与地形湿度指数；②四川省土壤厚度预测模型的决定系数为0.32~0.47，均方根误差为0.28~0.41 m；③面向连续型土壤厚度预测的集成模型具有较高的预测精度与稳健性，能够充分集成子模型的优势。特征集成学习能够有效集成并融合了连续型土壤厚度预测与离散型土壤厚度类型预测结果，通过减少方差来提高预测结果的稳健性。     

基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型

养殖池塘溶解氧是河蟹赖以生存的重要指标,及时准确地掌握溶解氧浓度变化趋势是确保高密度河蟹健康养殖的关键。为提高溶解氧预测精度和效率,该文提出了蚁群算法(ACA)优化最小二乘支持向量回归机(LSSVR)的河蟹养殖溶解氧预测方法。采用蚁群算法对最小二乘支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间非线性预测模型。利用该模型对江苏宜兴市2010年7月20日～7月28日期间高密度养殖池塘溶解氧进行预测。研究表明,该预测模型取得较好的预测效果,与支持向量回归机和BP神经网络相比,模型评价指标均方根误差、相对均方误差均值、平均绝对误差和和决定系数和运行时间分别为0.0328、0.0016、0.0448、0.9916和3.3275s均优于其他预测方法,ACA-LSSVR模型不仅计算复杂度低、收敛速度快、预测精度高、泛化能力强,还能满足实际高密度河蟹养殖溶解氧管理的需要,为其他领域的水质预测提供参考。     

基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。     

近红外光谱快速检测食用油必需脂肪酸

为了建立食用油必需脂肪酸快速检测的方法,该研究提出了基于近红外光谱技术检测食用油中α-亚麻酸和亚油酸含量的快速测定方法。对光谱信息分别采用偏最小二乘回归方法(PLS)和最小二乘支持向量机(LS-SVM)建立模型。比较了多种光谱预处理方法对模型预测能力的影响。结果表明对于亚油酸含量的预测,采用Savitzky-Golay平滑法结合多元散射校正(MSC)的光谱预处理所建立的LS-SVM模型最优。预测集的决定系数(R2)、预测均方根误差(RMSEP)和剩余预测偏差(RPD)分别达到了0.989,0.0161和9.4783。对于α-亚麻酸含量的预测,采用Savitzky-Golay平滑法结合标准正态变换(SNV)的光谱预处理所建立的LS-SVM模型最优。α-亚麻酸含量预测结果的R2、RMSEP和RPD为0.972,0.0036和6.0561,据此表明,应用近红外光谱技术能够检测食用油中α-亚麻酸和亚油酸的含量,为快速检测食用油的必需脂肪酸提供了参考。     

基于变量选择的蚕茧茧层量可见-近红外光谱无损检测

以蚕茧茧层量为研究对象,研究了基于可见-近红外光谱技术的蚕茧茧层量无损检测方法。采用最小二乘支持向量机（least square-support vector machine,LS-SVM）建立可见-近红外光谱模型。采用无信息变量消除算法（uninformative variable elimination, UVE）与连续投影算法（successive projections algorithm, SPA）相结合选取光谱有效波长。结果表明,基于UVE-SPA法进行变量选择,最终将原始光谱的600个光谱变量减少到了8个（673,937,963,982,989,992,995和1 008 nm）。基于此8个变量建立的LS-SVM模型得到了预测集的确定系数（Rp2）为0.5354,误差均方根（RMSEP）为0.0373的预测结果。表明可见-近红外光谱可以用于对蚕茧的茧层量进行无损检测,同时UVE-SPA是一种有效的光谱变量选择方法。     

掌上式生鲜猪肉新鲜度无损智能检测分级装置

为实现储运过程中生鲜猪肉新鲜度实时检测，该研究基于可见/近红外光谱技术开发了掌上式生鲜猪肉新鲜度无损智能检测装置。检测装置以可见\近红外光谱采集单元为核心，搭建了硬件系统，开发了生鲜猪肉新鲜度多指标同时检测和新鲜度分级软件系统。通过研发的检测装置采集了不同部位猪肉的650～1 100 nm波长范围的漫反射光谱，经过标准正态变量变换（standard normal variable transformation，SNV）预处理后，对比连续投影算法（successive projections algorithm, SPA）和竞争性自适应加权抽样算法（competitive adaptive reweighted sampling, CARS）算法优选了猪肉新鲜度特征光谱，分别建立了不同部位猪肉新鲜度指标通用预测模型，并根据挥发性盐基氮（total volatile basic nitrogen，TVB-N）含量和pH值预测值，将猪肉分为新鲜、次新鲜和变质3个等级。试验结果表明，通过 SNV预处理和CARS算法筛选特征波长后建立的PLS预测模型（下文简称“SNV-CARS-PLS”）具有更好的性能， TVB-N含量、pH值、亮度L*、红度a*和黄度b*通用预测模型的预测集相关系数分别为0.942、0.945、0.940、0.933和0.833，预测均方根误差分别为1.131 mg/100 g、0.136、1.706、1.217和0.717。将通用检测模型导入检测装置进行了试验验证，对不同部位猪肉样本试验结果表明，TVB-N含量、pH值、亮度L*、红度a*和黄度b*的预测结果与理化值的均方根误差分别为1.109 mg/100 g、0.134、1.140、1.094和0.636；新鲜度的分级正确率为92.86%；单个样品检测时间约为1 s。该检测装置可满足不同部位猪肉新鲜度多指标现场快速检测和分级的需求，为及时掌握储运过程中生鲜猪肉新鲜度情况、辅助决策储运和销售方案、保障生鲜猪肉品质安全具有重要作用。     

基于野外实测Vis-NIR光谱的土壤肥力估算研究

为探讨野外实测光谱数据对土壤肥力的估算能力,采集青海省湟水流域表层0 ~ 20 cm土壤样品220份,同步测量其采样位置的野外实测光谱数据,实验室对土壤养分、机械组成含量以及pH值进行分析。基于上述数据,对野外实测光谱反射率进行多元散射校正（Multiplicative scatter correction,MSC）、SG-一阶导数变换（SG - First Derivative,SG-1st）预处理,采用稳定性竞争自适应重加权采样法（stability competitive adaptive reweighted sampling,SCARS）提取不同土壤养分、机械组成含量以及pH值的特征波段,以偏最小二乘回归（partial least squares regression,PLSR）模型对土壤全碳（TC）、有机质（OM）、全氮（TN）、碱解氮（AN）、pH、黏粒（clay）、粉粒（silt）、砂粒（sand）含量进行估算并对比分析,构建土壤养分含量、pH值以及机械组成含量的最优野外实测光谱估算模型。结果表明:通过MSC校正和SG-1st变换能够有效增强野外光谱特征;经SCARS选取的特征波段主要集中于近红外波段。基于野外实测光谱数据建立的PLSR模型能够对研究区土壤TC、OM、TN、AN含量以及pH值进行粗略估算;其中,对于TC、OM、TN含量及pH值而言,最佳估算模型为经SG-1st处理后的SCARS-PLSR模型,RPD值均达到1.70以上（RPD_TC = 1.76; RPD_OM = 1.82;RPD_TN = 2.04;RPD_pH = 1.89）,RPIQ值均达到1.90以上（RPIQ_TC = 1.91;RPIQ_OM = 2.53;RPIQ_TN = 2.98;RPIQ_pH = 2.03）;对于土壤AN含量而言,经MSC处理后的SCARS-PLSR模型最佳,其RPD_AN值高达1.91,RPIQ值高达2.39。对土壤clay、silt以及sand含量野外光谱均无法估算,RPD值均在1.00左右,RPIQ值在1.20左右。     

Determination of chemical composition of commercial honey by near-infrared spectroscopy.

The feasibility of using near-infrared spectroscopy to determine chemical composition of commercial honey was examined. The influences of various sample presentation methods and regression models on the performance of calibration equations were also studied. Transmittance spectra with 1 mm optical path length produced the best calibration for all constituents examined. The regression model of modified partial least squares (mPLS) was selected for the calibration of all honey constituents except moisture, for which the optimal calibration was developed with PLS. Validation of the established calibration equations with independent samples showed that the spectroscopic technique could accurately determine the contents of moisture, fructose, glucose, sucrose, and maltose with squared correlation coefficients (R(2)) of 1.0, 0.97, 0.91, 0.86, and 0.93 between the predicted values and the reference values. The prediction accuracy for free acid, lactone, and hydroxymethylfurfural (HMF) contents in honey was poor and unreliable. The study indicates that near-infrared spectroscopy can be used for rapid determination of major components in commercial honey.     

农产品产地加工与储藏工程技术分类

生鲜牛肉的含水率对其牛肉的加工、储藏、贸易与食用质量有重要影响,为了提高牛肉的经济价值和食用品质,需要研究牛肉含水率的无损检测技术。以取自不同超市的内蒙小黄牛和鲁西黄牛背最长肌为研究对象,有效样本86个,其中,75%的样本作为校正集,25%的样本作为验证集。采集牛肉新鲜切口处400～1170 nm波长范围内的漫反射光谱,用国标方法测定牛肉含水率。经过多元散射校正（multiplicative scatter correction, MSC）、变量标准化（standard normalized variate, SNV）和直接正交信号校正（direct orthogonal signal correction, DOSC）等方法预处理,在400～1170 nm范围内分别建立多元线性回归（multiple linear regression, MLR）模型、主成分回归（principal component Regression, PCR）模型和偏最小二乘回归（partial least squares regression, PLSR）模型。结果表明使用MSC预处理方法建立的模型预测效果最佳,其中用PLSR建模结果最好,校正集的相关系数和校正标准差分别是0.92和0.0069,验证集的相关系数和验证标准差分别是0.92和0.0047,外部验证的相关系数和验证标准差分别是0.85和0.0054。结果表明,可见/近红外光谱结合MSC预处理方法建立的PLSR模型,可以对牛肉含水率进行准确的快速无损评价,为生鲜牛肉含水率快速无损检测技术的应用提供理论参考。     

Optimised use of data fusion and memory-based learning with an Austrian soil library for predictions with infrared data

Infrared spectroscopy in the visible to near-infrared (vis–NIR) and mid-infrared (MIR) regions is a well-established approach for the prediction of soil properties. Different data fusion and training approaches exist, and the optimal procedures are yet undefined and may depend on the heterogeneity present in the set and on the considered scale. The objectives were to test the usefulness of partial least squares regressions (PLSRs) for soil organic carbon (SOC), total carbon (C_t), total nitrogen (N_t) and pH using vis–NIR and MIR spectroscopy for an independent validation after standard calibration (use of a general PLSR model) or using memory-based learning (MBL) with and without spiking for a national spectral database. Data fusion approaches were simple concatenation of spectra, outer product analysis (OPA) and model averaging. In total, 481 soils from an Austrian forest soil archive were measured in the vis–NIR and MIR regions, and regressions were calculated. Fivefold calibration-validation approaches were carried out with a region-related split of spectra to implement independent validations with n ranging from 47 to 99 soils in different folds. MIR predictions were generally superior over vis–NIR predictions. For all properties, optimal predictions were obtained with data fusion, with OPA and spectra concatenation outperforming model averaging. The greatest robustness of performance was found for OPA and MBL with spiking with R² ≥ 0.77 (N), 0.85 (SOC), 0.86 (pH) and 0.88 (C_t) in the validations of all folds. Overall, the results indicate that the combination of OPA for vis–NIR and MIR spectra with MBL and spiking has a high potential to accurately estimate properties when using large-scale soil spectral libraries as reference data. However, the reduction of cost-effectiveness using two spectrometers needs to be weighed against the potential increase in accuracy compared to a single MIR spectroscopy approach.     

基于可见/近红外光谱技术的土壤总磷分析研究

Overabundance of phosphorus (P) in soils and water is of great concern and has received much attention in Florida, USA. Therefore, it is essential to analyze and predict the distribution of P in soils across large areas. This study was undertaken to model the variation of soil total phosphorus (TP) in Florida. A total of 448 soil samples were collected from different soil types. Soil samples were analyzed by chemical reference method and scanned in the visible/near-infrared (VNIR) region of 350--2 500 nm. Partial least squares regression (PLSR) calibration model was developed between chemical reference values and VNIR values. The coefficient of determination (R²) and the root mean squares error (RMSE) of calibration and validation sets, and the residual prediction deviation (RPD) were used to evaluate the models. The R² in calibration and validation for log-transformed TP (log TP) were 0.69 and 0.65, respectively, indicating that VNIR calibration obtained in this study accounted for at least 65% of the variance in log TP using only VNIR spectra, and the high RPD of 2.82 obtained suggested that the spectral model derived in this study was suitable and robust to predict TP in a wide range of soil types, being representative of Florida soil conditions.     

基于高光谱数据的土壤全氮含量估测模型对比研究

构建基于高光谱数据的土壤全氮含量估测模型,为快速、准确监测农田土壤全氮含量,判断作物生长发育情况和评价土地质量提供新的技术和方法.以新疆南疆地区主要类型土壤为研究对象,于室内测定土壤全氮含量和光谱反射率数据,利用偏最小二乘回归(PLSR)、支持向量机回归(SVM)、随机森林回归(RF)与光谱反射率(R)及其4种数学变换...     

基于机器学习算法的湖滨绿洲土壤电导率高光谱估算模型

  目的  为湖滨绿洲土壤高光谱估算土壤电导率值提供方法支持,实现区域土壤盐分快速估测。  方法  利用实测的土壤电导率值与土壤高光谱数据联合分析,采用竞争自适应重加权采样（CARS）、连续投影算法（SPA）、遗传算法（GA）筛选土壤电导率的特征波段,并基于全波段及特征波段构建BP神经网络（BPNN）、支持向量机（SVM）、极限学习机（ELM）三种机器学习算法模型,引入偏最小二乘模型（PLSR）进行对照,比较其模型精度。  结果  研究区土壤电导率值变化范围0.02～17.22 mS cm?1,平均值为2.61 mS cm?1,变异系数为134.87%,呈现强变异性;CARS、SPA、GA算法筛选的特征波段将建模输入量分别压缩至全波段数量的0.87%、1.68%、0.70%,减少建模输入量,提升建模速率,变量方法的选择CARS > SPA > GA;三种机器学习算法模型均优于PLSR模型,决定系数（R2）平均增加20.57%,相对分析误差（RPD）平均增加17.84%,土壤电导率高光谱估算模型以CARS-SVM最优,训练集与验证集R2分别为0.76和0.75,RMSE分别为1.79 和1.68 mS cm?1,RPD分别为2.04和2.00。土层深度20 ~ 30 cm的土壤电导率高光谱估算模型精度最高,训练集与验证集R2分别为0.83和0.84,RMSE分别1.37和1.77 mS cm?1,RPD分别为2.41和2.50。  结论  基于CARS-SVM的土壤电导率高光谱估算模型精度高,估算能力最优,可以为湖滨绿洲土壤电导率估算提供科学参考。     

基于支持向量机回归的冬小麦叶面积指数遥感反演

利用单一植被指数反演叶面积指数(LAI)时,存在不同程度的饱和性且每种指数只能包含部分波段的信息,该文提出利用支持向量机回归的方法进行叶面积指数的反演,可以用更多的波段信息作为输入参数以提高LAI反演精度。选取冬小麦起身期、拔节期和灌浆期的实测光谱和叶面积指数数据,用统计回归的方法分别建立NDVI-LAI和RVI-LAI模型,用支持向量机回归(SVR)方法分别建立以NDVI、RVI以及蓝、绿、红和近红外4个波段数据作为输入参数的回归预测模型,即NDVI-SVR、RVI-SVR和NRGB-SVR模型。上述5个模型分别利用对应时期的环境星HJ-CCD数据进行验证。结果表明:NDVI和RVI与叶面积指数(LAI)的回归模型预测的结果与实测值的RMSE分别为0.98与0.97;预测精度分别为59.2%与59.3%。以NDVI和RVI结合实测叶面积指数(LAI)训练并预测的结果与实测值的均方根误差RMSE分别为0.71与0.83预测精度分别为70.4%与67.1%。以蓝(B)、绿(G)、红(R)以及近红外(NIR)波段作为输入参数回归并预测的RMSE值为0.42,预测精度为81.7%。通过支持向量机回归预测具有更好的拟合效果,可以输入更多波段信息,提高了叶面积遥感反演精度,对冬小麦的多个生育期均具有较好的适用性。