基于 BiP LS－SP A优选近红外光谱的木材基本密度预测1）--以柞木为例

以柞木为研究对象,以900～1700 nm的近红外光谱仪获取木材表面近红外光谱数据,对89个柞木样本进行检测,其中58个组成校正集,31个为预测集。首先,采集样本径切面光谱数据,并利用SG平滑对光谱数据进行预处理;然后,利用反向区间偏最小二乘（ BiPLS）选出均方根误差最小的波长区间组合;再利用连续投影算法（ SPA）进一步选择出波长特征;最后,以优选出的波长特征作为输入,建立偏最小二乘法回归模型,确定出木材基本密度与近红外光谱之间的联系。 BiPLS算法将光谱划分区间划分为10时,均方根误差最小,其最佳区间组合为[35679],变量个数由全光谱117个降至59个;应用SPA算法二次降维,变量个数降至6个,降低变量信息的冗余,减少了变量个数,提高了建模的速度和效率。 BiPLS－SPA模型较PLS、iPLS、BiPLS、SPA－PLS具有更高的相关系数,更小的均方根误差,柞木基本密度预测相关系数为0．925,预测均方根误差为0．0104,相对分析误差为2．83。     

基于特征波长选择和建模的高光谱土壤总氮含量估测方法研究

以皖北地区采集的115个砂姜黑土样本为研究对象,获取土壤样本光谱数据,采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、随机森林特征选择算法(RFFS)对土壤总氮含量特征波长进行选择,并分别应用偏最小二乘回归(PLSR)、支持向量机回归(SVR)、最小绝对值收缩和选择算子回归(LASSO)建立土壤总氮含量估算模型。结果表明,除CARS-PLSR方法模型精度低于相应的全波长模型外,其他基于选定的特征波长进行建模的效果都优于全波长。综合比较各变量筛选与回归建模组合发现,RFFS方法从全波长(224个波长)中筛选出20个特征波长建立土壤总氮含量的LASSO模型效果最好,该模型在预测集上的决定系数(R²)和相对分析误差(RPD)值分别为0.787 1和2.130 1。RFFS-LASSO模型简单,预测效果好,对土壤总氮含量近地传感器设备开发具有一定的指导意义。     

基于近红外光谱多种预处理的胡杨叶片含水量预测对比

通过比较5种不同光谱预处理方法（MSC、SNV、VN、一阶导数、二阶导数）提取胡杨叶片近红外光谱信息，分别采用遗传算法(GA)和连续投影算法(SPA)筛选特征波段，建立并比较偏最小二乘回归(PLS)模型对水分含量的预测效果，研究了胡杨叶片水分含量与叶片光谱信息的关系。结果表明，基于5种预处理方法使用SPA-PLS回归模型预测的相关系数R分别为0.764 4、0.869 79、0.806 01、0.779 93、0.816 8；预测均方根误差(RMSEP)分别为0.017 87、0.014 491、0.018 547、0.020 228、0.018 089；所选取的特征波段个数分别为11、20、24、18、18，较GA-PLS选取的特征波段数少，且预测效果普遍优于GA-PLS，其中基于SNV的预测结果最好。研究表明，基于近红外光谱数据，SPA算法相比于GA算法具有更好的选择特征波长能力，并且SPA-PLS算法的回归预测结果普遍优于GA-PLS，采用SNV-SPA-PLS方法可实现胡杨叶片水分含量的快速检测。     

蚁群算法在土壤速效磷近红外光谱波长选择中的应用

光谱变量多、光谱信息易重叠、数据存在冗余且存在大量噪声,导致近红外光谱分析建模的时间长、模型的泛化能力不强、预测精度不高等问题。为此,提出了一种基于变量有效性精英蚁群系统(EAS)的波长选择算法,通过蚁群搜索选出特征波长。将变量有效性作为蚁群的初始信息素,在信息素更新过程中引入变量重要性投影方法,加快算法的收敛速度,避免陷入局部最优。为了验证算法的有效性,选取193个沙姜黑土土壤样本的近红外光谱数据为研究对象,采用变量有效性精英蚁群算法选择特征波长,构建土壤速效磷含量偏最小二乘回归预测模型,对全谱偏最小二乘模型、蚁群算法偏最小二乘模型进行比较研究。结果表明,采用变量有效性精英蚁群算法选出的特征波长建立的回归模型精度比普通蚁群算法选出的特征波长和全光谱高,建立回归模型更加简单。     

基于可见-近红外光谱变量选择的土壤全氮含量估测研究

【目的】变量选择是可见光-近红外光谱研究至关重要的步骤,通过分析可见光-近红外光谱不同特征的选择方法筛选出土壤全氮敏感波段,建立基于敏感波段的土壤全氮最佳预测模型,为土壤全氮的快速定量估算提供重要的理论指导依据。【方法】在红壤典型地区江西省吉安县采集代表性土壤样品120个,对可见光-近红外光谱采用主成分分析（PCA）、无信息变量消除（UVE）和无信息变量消除后结合连续投影（UVE-SPA）3种变量特征选择方法,建立基于不同变量选择的偏最小二乘回归（PLSR）模型、最小二乘-支持向量机（LS-SVM）、反向传播神经网络（BPNN）和遗传算法优化的反向传播神经网络（GA-BPNN）模型,从模型对预测集的预测精度分析不同变量选择方法对不同土壤全氮定量估算模型的差异。【结果】经UVE算法筛选后,光谱变量从200个减少至59个,其中可见光波段处10个,其余在近红外光谱的合频区和一倍频区,信息量丰富;进一步采用SPA进行变量选择,得到共线性最小的5个有效波长,分别为820、940、1 040、1 060和1 990nm;基于UVE变量选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型,经不同的土壤全氮的数据检验,预测精度最高的为LS-SVM,决定系数（R2）、均方根误差（RMSEp）和相对偏差（RPD）分别为0.7492、0.2921和1.8904;基于UVE-SPA特征选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型对预测集的验证表明,UVE-SPA提取的特征波段建立的LS-SVM建立模型预测效果最好,其建立的LS-SVM定量估算模型预测集的决定系数R2为0.7945,均方根误差RMSEp为0.2499相对偏差RPD为2.0009,模型稳定;基于PCA提取的7个主成分建立的LS-SVM、BPNN和GA-PBNN模型预测性能差,不能用于定量估算土壤全氮。对比相同的变量建立的GA-BPNN和BPNN,GA-BPNN预测性能比BPNN高。【结论】UVE-SPA变量选择方法结合LS-SVM模型能用来估算土壤中的全氮含量,同时UVE-SPA是一种有效的土壤光谱变量选择方法。     

基于近红外漫反射光谱的多品种桃可溶性固形物的无损检测

【目的】研究基于近红外漫反射光谱的多品种桃可溶性固形物含量的无损检测技术。【方法】在获得3个不同品种桃近红外漫反射光谱的基础上,采用多元散射校正(MSC)方法处理原始光谱,以SPXY算法划分样品集,分别建立了可溶性固形物含量的偏最小二乘回归(PLSR)、极限学习机(ELM)和最小二乘支持向量机(LSSVM)预测模型,并比较和评价了移动窗口偏最小二乘法(MWPLS)和连续投影算法(SPA)优选有效特征波长对于简化模型运算量、改善模型预测性能的影响。【结果】虽然全光谱可以获得较好的识别效果,但是模型比较复杂;MWPLS与SPA优选的有效特征波长均能有效地减少建模变量并简化模型,但MWPLS在提高建模效率和改善模型预测精度方面有更明显的优势;PLSR、ELM与LSSVM模型都取得了较理想的预测结果,其中PLSR方法较适用于全光谱建模分析;MWPLS-ELM模型对样品集中桃可溶性固形物含量的预测性能最好,其校正相关系数、校正均方根误差、预测相关系数和预测均方根误差分别为0.991,0.397,0.983和0.497。【结论】近红外漫反射技术可用于多品种桃可溶性固形物含量的准确、无损检测,也为其他品种果品的内部品质指标快速、无损检测提供了技术借鉴。     

基于CARS-PLSR算法的土壤有效磷高光谱反演研究

【目的】 剔除土壤高光谱中包含的大量冗余和无效信息,探明土壤有效磷（SAP）的敏感波段,简化SAP的高光谱估算模型并提高模型的预测精度。【方法】 文章以四川省崇州市西河流域110个土壤样本为研究对象,利用ASD Fieldspec3地物光谱仪在室内条件下测定350~2 500 nm波段范围的土壤高光谱数据。对光谱数据进行预处理后,采用连续投影算法（SPA）和竞争性自适应重加权算法（CARS）优选的波长变量作为建模参数,运用偏最小二乘回归（PLSR）方法建立模型并比较其精度。【结果】 结果表明,标准正态变换预处理方法是SAP的最佳土壤光谱数据预处理方法。基于标准正态变换后的光谱数据,CARS、SPA算法可将预测SAP的关键波段变量分别压缩至54和13个,CARS-PLSR模型与SPA-PLSR模型相比,相关系数由0.894提高到0.945,均方根误差由5.73降低到3.56。【结论】 土壤高光谱数据经标准正态变换后,采用CARS-PLSR算法可有效提高有效磷含量预测的鲁棒性。该结果可为高光谱数据快速反演土壤有效磷含量提供理论依据。     

基于BiPLS-SPA优选近红外光谱的木材基本密度预测——以柞木为例

以柞木为研究对象,以900~1 700 nm的近红外光谱仪获取木材表面近红外光谱数据,对89个柞木样本进行检测,其中58个组成校正集,31个为预测集。首先,采集样本径切面光谱数据,并利用SG平滑对光谱数据进行预处理;然后,利用反向区间偏最小二乘(Bi PLS)选出均方根误差最小的波长区间组合;再利用连续投影算法(SPA)进一步选择出波长特征;最后,以优选出的波长特征作为输入,建立偏最小二乘法回归模型,确定出木材基本密度与近红外光谱之间的联系。Bi PLS算法将光谱划分区间划分为10时,均方根误差最小,其最佳区间组合为[3 5 6 7 9],变量个数由全光谱117个降至59个;应用SPA算法二次降维,变量个数降至6个,降低变量信息的冗余,减少了变量个数,提高了建模的速度和效率。Bi PLS-SPA模型较PLS、i PLS、Bi PLS、SPA-PLS具有更高的相关系数,更小的均方根误差,柞木基本密度预测相关系数为0.925,预测均方根误差为0.010 4,相对分析误差为2.83。     

土壤有机质高光谱特征与波长变量优选方法

【目的】探究土壤有机质的高光谱特征及响应规律,优选土壤有机质的敏感波长,降低土壤有机质高光谱估测模型复杂度,提高模型稳健性,为利用高光谱技术对农田土壤肥力的定量监测提供理论支撑。【方法】采集江汉平原潮土土样130个,将其中40个样本作为训练集,测量其去有机质前、后的土壤有机质含量及光谱数据,计算差值及变化率,分析土壤有机质含量变化对光谱特征的影响,结合无信息变量消除(uninformative variables elimination,UVE)、竞争适应重加权采样(competitive adaptive reweighted sampling,CARS)变量优选方法确定土壤有机质敏感波长;采用45个建模集样本,基于偏最小二乘回归(partial Least Squares Regression,PLSR)和反向传播神经网络(back propagation neural network,BPNN)建立土壤有机质含量的估算模型;利用45个验证集样本检验敏感波长对同类土壤的适用性。【结果】通过有机质去除试验,供试土壤的平均光谱反射率在全波段均有所增加,在可见光波段变化率高于近红外波段;比较UVE、CARS、UVE-CARS、CARS-UVE这4种变量优选方法,得到最佳变量优选方法为UVE-CARS,该方法从2001个波长变量中优选得到84个变量作为土壤有机质的敏感波长,分布于561—721、1 920—2 280 nm波段覆盖范围;基于敏感波长的PLSR、BPNN模型性能均优于全波段模型,其中,基于敏感波长的BPNN模型的估测能力高于PLSR,模型验证集R~2、RMSE、RPD、MAE、MRE值分别为0.74、1.33 g·kg~(-1)、2.02、1.04 g·kg~(-1)、6.2%,可实现土壤有机质含量的有效估测。【结论】通过训练集获得的土壤有机质敏感波长,能够实现对该试验区同种土壤类型样本土壤有机质含量的有效估测;利用去有机质试验结合变量优选方法确定的敏感波长建模,不仅将输入波长压缩至全波段波长数目的 4.2%,而且提升了模型估测精度,降低了变量维度和模型复杂度,为快速准确评估农田土壤有机质含量提供了新途径。     

基于卷积神经网络的茶鲜叶主要内含物的光谱快速检测方法

儿茶素和咖啡碱是茶叶品质的重要评价指标，为了探索深度卷积神经网络(CNN)结合可见近红外光谱(Vis/NIR)用于茶叶儿茶素和咖啡碱无损快速检测的可行性，本研究通过高效液相色谱来测定茶叶中的儿茶素和咖啡碱含量，并与样本的光谱信息建立对应关系；采用回归分析和CNN建模构建了光谱与茶叶内含物的定量关系；采用竞争自适应重加权采样(CARS)和连续投影算法(SPA)选择特征波长，用于开发基于这些特征波长的简单模型。结果表明:4种儿茶素和咖啡碱含量从第1叶位到第6叶位呈现出逐渐降低的趋势；提取特征波长不仅减少了光谱变量数，还获得了比全谱更优或接近的模型性能；CNN在回归分析和特征提取中均表现出良好的性能，预测儿茶素和咖啡碱最优模型的决定系数(R²)和残余预测偏差(RPD)分别达到了0.93和3.28以上。因此，卷积神经网络结合可见近红外光谱可以对儿茶素和咖啡碱的含量进行快速无损检测。     

基于组合模型的黑土区土壤有机质含量预测分析

为提高典型黑土区土壤有机质含量的预测精度,结合田间实测数据与遥感影像反射率数学变换数据筛选出最佳特征波段,并建立多种回归模型,对研究区土壤有机质含量预测模型进行优选。结果表明:对影像反射率进行不同的数学变换处理能够扩大数据中对有机质含量变化敏感的细微吸收特征,突出敏感光谱信息。利用标准化模型对处理后的光谱数据贡献率进行量化,结合相关系数筛选最佳特征波段。建模结果显示,支持向量机模型在检验集上的决定系数为0.89,均方根误差为2.81 g·kg^-1,模型整体的相对分析误差为2.14,对土壤有机质含量的预测能力极好。研究结果可为黑土区土壤有机质含量的预测模型优选提供参考,也可为中国北部地区耕地的有机质含量监测和有效开发提供基础理论依据。     

基于机载高光谱影像的南方水稻土有机质含量估算

水稻土中有机质光谱常常受到水分、秸秆等土壤背景的影响，为了减弱或去除非有机质组分对有机质光谱的影响，构建南方水稻土有机质估算模型。利用机载高光谱（GaiaSky Mini2 VN）作为数据源，对原始反射率进行单一和组合变换（去除包络线、倒数、对数、一阶微分、二阶微分单一变换和倒数一阶微分、对数一阶微分、倒数对数组合变换）提取一维特征光谱；通过对变化后光谱进行比值和归一化处理，提取二维特征光谱；构建基于特征光谱的线性（多元回归、偏最小二乘）和非线性（反向传播神经网络、支持向量机）有机质预测模型，监测南方水稻土有机质含量。结果表明：一维光谱变换能显著增强光谱对有机质响应的敏感度，二维光谱变换能充分挖掘光谱信息，增强有机质与光谱之间的内在联系，提高建模精度。非线性模型（BPNN、SVM）尤其是BPNN对土壤有机质拟合性好，建模精度高。基于原始反射率比值指数建立的BPNN模型建模精度达到0952，检验精度达到0889，建模效果最优。该结果适用于南方水稻土有机质监测，对机载高光谱在土壤有机质监测中的特征波段提取和建模方法选择具有重要借鉴意义，对现代农业发展管理提供新的思路。     

基于主成分分析和BP神经网络的土壤养分近红外光谱检测

基于近红外光谱技术的土壤养分快速、无损检测,有利于精细施肥决策。在一黄豆田采用7 m×7 m的栅格采集54个土样,测定其土壤有机质、速效氮、有效磷、有效钾,并使用FieldSpec 3光谱仪测定土样的近红外漫反射光谱。将54个样本随机分成预测集与验证集,其中预测集40个,验证集14个。通过平滑预处理后,利用主成分分析法(PCA)提取原始光谱8个主成分。然后以8个主成分为输入,分别以所测土壤养分作为输出,建立土壤有机质、速效氮、有效磷、有效钾的预测模型,最后对14个验证样本进行预测。结果表明,在小尺度采样的情况下进行光谱分析,采用主成分分析和人工神经网络相结合的方法建立土壤有机质预测模型,其测量值与预测值的相关性较高,相关度为0.796 2,相对误差较小,其平均值为1.88%,表明该方法预测土壤有机质含量是可行的。但对土壤速效氮、有效磷和有效钾含量的预测并不理想,还有待进一步研究。     

基于小波变换的近红外光谱预测土壤有机质

为了探索快速检测土壤有机质含量的方法,试验采用不同分解水平的Coiflet函数的小波(wavelet)分析方法,对山西关帝山土壤样品的近红外光谱信号进行了消噪处理,来快速获取土壤中有机质含量。结果表明:对有机质敏感波段的为450~600 nm,810~935 nm,1 030~1 315 nm,1 380~1 400 nm;有机质NIRS法与实验室标准法测定值之间的相关系数R2为0.9818;说明通过小波变换滤波,选择敏感波段,用偏最小二乘回归方法预测土壤有机质含量是可行的。     

可见-近红外光谱预测土壤有机质含量的研究

[目的]基于土壤可见-近红外直接测定系统,重点研究和开发土壤有机质含量的校正分析模型。[方法]主要利用测试系统对来自关帝山森林土壤的20个样本在400～1 000 nm范围内进行光谱测试和分析。[结果]采用光谱法测定的有机质含量与采用权威化学方法测定的值基本一致。[结论]使用偏最小二乘回归分析,建立了土壤有机质与土壤光谱特性的预测模型。     

基于地理加权回归模型的绿洲土壤表层有机质含量高光谱估算

【目的】研究利用高光谱数据估算土壤表层有机质含量,为绿洲区大范围,快速,低成本,监测土壤表层有机质含量提供技术参考。【方法】以新疆博斯腾湖湖滨绿洲为研究区,采用地理加权回归模型,优选高光谱数据与土壤有机质含量的特征波段,构建研究区表层土壤有机质含量的高光谱估算模型。【结果】研究区表层土壤有机质含量变化不大,变化系数为55%,最小值为2.37 g/kg,最大值为51.47 g/kg,平均值为21.20 g/kg。土壤有机质特征波段主要集中在645~1 958 nm,其中1/R二阶的相关系数值最大为0.73,且在P=0.05水平下,通过显著性检验的波段数为83。构建的地理加权回归模型中,二维土壤指数1/R RSI建模效果最优,建模集R²=0.91,RMSE=2.56,验证集R²=0.95,RMSE=1.10。【结论】利用地理加权回归模型估算土壤有机质估算,建模效果可以达到一定的精度要求。     

基于宽波段数据定量反演土壤有机质含量的研究

定量分析了北京顺义、通州区土壤高光谱反射特征,利用资源三号、高分一号、高分二号传感器的光谱响应函数,结合高光谱数据生成相应宽波段模拟数据;将土壤光谱数据、拟合宽波段数据分别与实测土壤有机质含量开展相关性分析,提取并筛选敏感波段,利用偏最小二乘法建立基于高光谱数据的土壤有机质含量预测模型;依据宽波段模拟数据和实测土壤有机质含量的相关性,提取并筛选敏感波段,建立土壤有机质含量预测模型。结果表明,在基于土壤高光谱数据建立的土壤有机质含量预测模型中,以对数的一阶微分为最优,其R和RMSE分别为0.697和0.195,偏最小二乘法得到的反演土壤有机质含量的模型是可靠的;在基于模拟宽波段构建的土壤有机质含量估测模型中,以高分一号的拟合精度最高,R和RMSE分别为0.334和0.240;受室外不可控因素的影响,模拟宽波段数据在估测北方地区土壤有机质含量方面仍需进一步研究。