基于NIR及PLS-PCR-SVR预测森林土壤有机碳含量

森林土壤有机碳含量是表征林地土壤营养状况的重要指标,该文建立了土壤有机碳含量的近红外光谱定标模型,并比较了偏最小二乘法（PLS）、支持向量机回归（SVR）、主成分回归（PCR）3种建模方法及Savitzky-Golay平滑＋多元散射校正、Savitzky-Golay平滑＋一阶导数、Savitzky-Golay平滑＋二阶导数、Savitzky-Golay平滑＋多元散射校正＋一阶导数、Savitzky-Golay平滑＋多元散射校正＋二阶导数5种光谱预处理方法对土壤有机碳含量定标模型精度的影响,同时进行了波段优选。结果表明：当光谱区域为1 380～1 450 nm,1 800～1 950 nm,2 050～2 300 nm,光谱数据采用Savitzky-Golay平滑＋多元散射校正＋一阶导数预处理,采用PLS的建模方法,主成分数为8时,建立的校正模型预测效果最佳。校正模型的R、RMSE、SEC分别为0.805 2、0.512 2、0.512 5;预测模型的R、RMSE、SEP分别为0.768 1、0.514 3、0.514 6。因此,利用近红外光谱技术可以实现土壤有机碳含量的快速估测,为林区实时、大面积、快速测定森林土壤有机碳含量提供了技术可行性。     

橡胶树叶片钾素含量高光谱估算模型研究

【目的】文章尝试建立橡胶树叶片钾素含量高光谱估算模型。【方法】基于涵盖2个品种和6个割龄的橡胶树叶片钾素含量和光谱反射率,分别采用偏最小二乘法(PLS)和偏最小二乘-支持向量机(PLS-SVM)构建了橡胶树叶片钾素含量高光谱估算模型。采用多元散射校正(MSC)、标准正态变换(SNV)、SG平滑(SG)、一阶导数(FD)和二阶导数(SD)等预处理方法或方法组合对叶片原始光谱反射率进行预处理,通过筛选得到最佳预处理模式为SNV+SG+FD的组合方法,其中,SG平滑点数为7,多项式次数为1或2。【结果】利用验证集对PLS模型和PLS-SVM模型进行验证,结果显示,决定系数R~2分别为0.843和0.868,均方根误差RMSE分别为1.331和1.162 g/kg,相对分析误差RPD分别为2.414和2.764。【结论】2种模型均具有良好的估算效果,PLS-SVM模型具有更高的估算精度。     

冬小麦冠层水平叶绿素含量的高光谱估测

【目的】利用高光谱数据对抽穗期冬小麦冠层叶绿素含量进行估测,旨在为叶绿素含量快速准确估测提供参考。【方法】利用ASD便携式野外光谱仪和SPAD-502叶绿素仪实测了冬小麦抽穗期冠层光谱反射率及叶绿素含量,并对原始光谱反射率及其一阶导数光谱与叶绿素相对含量进行了相关分析,建立了基于敏感波段、红边位置、原始光谱峰度和偏度、一阶导数光谱峰度和偏度的叶绿素估算模型,并进行检验,从中筛选出精度最高的模型。【结果】冬小麦冠层光谱曲线特征与叶绿素含量之间有着密切联系。基于原始光谱一阶导数偏度和峰度的冬小麦(抽穗期)叶绿素含量估算模型拟合精度优于其他4种估算模型,决定系数R2分别为0.847和0.572,均方根误差RMSE分别为0.397和0.697,相对误差RE分别为61.0%和119.0%,拟合精度优于其他4种估算模型。【结论】原始光谱一阶导数的偏度和峰度作为自变量能很好地估测抽穗期小麦冠层叶绿素含量。     

山东典型污灌区冬小麦叶片重金属高光谱反演及空间分布特征

为了大面积、实时监测污水灌溉区冬小麦重金属胁迫状况,以冬小麦叶片重金属Cr、Ni、Pb、Zn、Hg、Cd为研究对象,利用冬小麦冠层光谱数据及金属含量数据,采用逐步多元线性回归(SMLR)和偏最小二乘回归(PLSR)的方法,建立基于原始光谱反射率(R)、反射率一阶微分(FDR)、反射率二阶微分(SDR)、光谱参数(SP)的8种冠层光谱反演模型,通过分析所建模型精度,选取最优反演模型,实现研究区内冬小麦叶片重金属的定量反演。结果表明,对于Pb、Zn、Cd,基于反射率一阶微分的偏最小二乘回归模型(FDR-PLSR)为最优模型[Pb:决定系数(R~2)=0.848,相对分析误差(RPD)=1.598;Zn:R~2=0.790,RPD=2.295;Cd:R~2=0.868,RPD=2.406];对于Cr,基于反射率二阶微分的偏最小二乘回归模型(SDR-PLSR)为最优模型(R~2=0.846,RPD=2.013);对于Ni、Hg,基于光谱参数的偏最小二乘回归模型(SP-PLSR)为最优模型(Ni:R~2=0.887,RPD=1.872;Hg:R~2=0.819,RPD=1.684)。从空间插值结果可以看出,冬小麦叶片中Cr、Ni含量在研究区东南部较高,北部及西北部较低;Pb、Zn含量在中部以及南部较高;Hg含量在西北部较低;Cd含量在中部、北部、西北部较低。     

基于高光谱特征波长的冬小麦水分含量估测模型

【目的】以高光谱技术为核心,结合理化数据,建立快速、无损的冬小麦冠层水分含量估算模型,为利用高光谱技术进行小麦水分含量的无损检测提供参考。【方法】测定两种冬小麦的叶片、植株含水量,采集其光谱数据作SG平滑、一阶导数和二阶导数处理,分析其相关关系,构建冬小麦叶片和植株含水量的多种估算模型,进行精度评价。【结果】不同光谱数据处理中一阶导数变换能够显著增加与小麦含水量的相关性,叶片含水量在456 nm波长处达到了最大负相关,相关系数为0.87,植株含水量在457 nm波长处达到了最大负相关,相关系数为0.890 9;偏最小二乘回归构建的水分含量估测模型拟合精度优于线性和多元回归模型,线性模型采用R₆₅₀、SG₁₉₄₄、R′₄₅₆、R″₆₈₁构建的模型估测叶片含水量较好,估测植株含水量R₆₆₄、SG₆₆₃、R′₄₅₇、R″ ₆₈₁精度较高; 多元线性回归和偏最小二乘回归都是采用一阶导数变换构建的模型拟合精度最高,叶片和植株水分含量估测模型的外部检验R²分别达到0.803 2、0.867 0、0.854 0、0.885 6。【结论】小麦原始光谱一阶导数变换后能够显著提高与水分含量的相关性,利用PLSR方法构建的小麦水分含量估测模型拟合精度最高。     

基于高光谱的小麦冠层叶绿素(SPAD值)估测模型

选择山东省泰安市山东农业大学试验田为研究区,分别采用ASD FieldSpec 3光谱仪和SPAD-502叶绿素仪测量小麦冠层的近地高光谱反射率和SPAD值,通过分析小麦冠层光谱特征,进行光谱反射率及其一阶导数与SPAD值的相关分析,筛选敏感波段,进而分别构建基于敏感波段和植被指数的小麦冠层SPAD值估测模型,并优选确定最佳模型。结果表明,光谱反射率经一阶导数变换能更好突出光谱特征,用来筛选敏感波段,将6个敏感波段分别建立单波段及多波段组合估测模型,进而优选出最佳估测模型为R′_(871),R_(1 349),R_(725),R′_(1 995)多元线性回归模型,决定系数R~2=0.668;基于4种植被指数构建的小麦叶绿素最佳估测模型为NDVI的二次模型,方程为y=61.978 x~2-34.426 x+54.089,决定系数R~2为0.845。基于植被指数的估测模型可较好实现小麦冠层叶绿素信息的无损和快速获取,为小麦生产的实时监测提供了有效手段。     

基于BiPLS-CARS-PLS的哈密瓜冠层叶片SPAD值反演建模

利用光谱技术对大田哈密瓜冠层叶片叶绿素含量定量估测,可为田间水肥调控以及田间管理提供理论依据。本实验在剔除噪音后的378 nm到1 115 nm光谱的基础上采用多元散射校正、标准正态变量相交、标准化、Savitzky-Golay卷积平滑法、归一化、移动平均平滑等方法对原始光谱数据进行预处理,然后采用特征区间选择与特征波长选择相结合的方法实现数据降维和简化模型,并建立偏最小二乘和极限学习机的回归模型。结果表明,多元散射校正预处理效果最佳,在此基础上,利用反向区间偏最小二乘法(BiPLS)和竞争性自适应重加权采样算法(CARS)相结合共筛选出13个特征波长,将其作为模型的输入变量,由偏最小二乘法(PLS)建立的模型效果最优,其预测集的相关系数R_p和均方根误差RMSEP分别为0.942 4与1.006 2。因此,采用BiPLS与 CARS结合PLS建立的光谱定量分析模型,可实现对哈密瓜冠层叶片叶绿素含量的定量估测。     

近红外反射光谱测定玉米完整籽粒蛋白质和淀粉含量的研究

 以128份常用普通玉米自交系及杂交种的混合籽粒样品为材料,采用偏最小二乘(PLS)回归法,对近红外反射光谱(NIRS)测定玉米完整籽粒蛋白质、淀粉含量的可行性和方法进行了研究。结果表明,采用一阶导数+多元散射校正预处理、谱区为10000～4000cm-1和一阶导数+直线扣减预处理、谱区为9000～4000cm-1,分别建立的蛋白质、淀粉含量的校正模型,其校正和预测效果最佳。其校正决定系数(R2cal)均大于0.97,交叉验证和外部验证决定系数(R2cv、R2val)为0.92～0.95,各项误差(RMSEE     

基于近红外光谱不同波段的红松木材含水率预测分析

运用近红外光谱技术结合偏最小二乘法(PLS),对所采集光谱进行一阶导数和二阶导数处理,并对未处理原始光谱、一阶导数处理光谱和二阶导数处理光谱分别在7个不同波段范围内建立红松含水率预测模型.结果表明红松样本近红外光谱经一阶导数处理,波段在1 000～2 100nm范围内所建模型最优,其校正集相关性系数为0.992 5,校...     

基于高光谱的春小麦抽穗期叶绿素含量估算方法

对高光谱数据进行预处理是提升高光谱建模精度十分必要且有效的途径。利用高光谱技术分析春小麦作物光谱及其叶绿素含量的变化,对原始光谱反射率及对应的对数、倒数、平方根、对数倒数等4种数学变换及其一阶、二阶微分进行预处理运算,分析春小麦叶片叶绿素含量与预处理后的光谱数据相关性,基于选取的敏感波段对春小麦抽穗期叶绿素含量进行偏最小二乘回归法、BP神经网络2种方法建模并进行模型验证及比较。结果表明:对原始光谱数据数学变换的微分预处理可以明显提高春小麦叶片叶绿素含量与光谱反射率的相关性;通过显著性检验的敏感波段数量经一阶、二阶微分预处理呈现明显增加趋势,对应数学变换的波段数量有所不同;对数变换的二阶微分处理所建立的PLSR模型为最优模型,该模型精度参数为决定系数R■=0.93,校正均方根误差RMSE_c=2.53,预测决定系数R~2_p=0.91,预测均方根误差RMSE_p=2.41,相对分析误差RPD=3.20。说明数学变换的微分预处理过后的模型精度和稳健性有了大幅度的提升,并且运用在高光谱遥感反演春小麦抽穗期叶片叶绿素含量上是可行的。     

采后葡萄可溶性固形物含量的高光谱成像检测研究

提出一种应用高光谱成像技术检测葡萄可溶性固形物含量的方法。使用高光谱成像系统采集葡萄漫反射光谱,在500~1 000 nm光谱,采用多元散射校正(MSC)、标准正态变换(SNV)进行光程校正,结合一阶微分(1-Der)、二阶微分(2-Der)、Savitzky-Golay(S-G)平滑方法及其组合对原始光谱进行预处理,建立可溶性固形物含量的偏最小二乘法(PLS)和逐步多元线性回归(SMLR)模型。结果表明:采用PLS和SMLR建模方法均取得较好的预测效果。采用经过MSC、1-Der和S-G平滑相结合预处理后的光谱建立PLS预测模型,校正集的相关系数Rc为0.979 1,RMSEC为0.265,预测集的相关系数Rp为0.962 0,RMSEP为0.372;采用原始光谱、1-Der和SG平滑相结合预处理后的光谱建立SMLR预测模型,校正集的相关系数Rc为0.967 8,RMSEC为0.327,预测集的相关系数Rp为0.947 2,RMSEP为0.394。以上表明,基于高光谱成像技术可以实现采后葡萄可溶性固形物含量的准确无损检测。     

基于近红外光谱技术检测全蛋粉掺假

为提高全蛋粉掺假检测的准确度和检测效果,应用近红外光谱技术对全蛋粉掺假进行定性判别并对掺假含量进行定量分析。分别采用标准正态变换、多元散射校正、卷积平滑、归一化、一阶导数、二阶导数等6种不同预处理方法,对原始光谱数据进行预处理,采用竞争性自适应重加权算法（CARS）、连续投影算法（SPA）及CARS-SPA结合算法对光谱数据进行特征波长筛选,建立集成学习（ensemble learning,EL）模型对掺假蛋粉进行定性判别,建立偏最小二乘模型（PLSR）对掺假含量进行定量分析。结果显示：在对掺假蛋粉进行定性判别方面,一阶导数为最佳预处理方法,CARS算法特征筛选效果最佳,EL模型对掺假蛋粉样本总体判别准确率达到98.18%,对各类掺假蛋粉样品的判别准确率在97.78%以上。在对蛋粉掺假含量进行定量分析方面,多元散射校正为最佳预处理方法,CARS算法特征筛选效果更佳,对一组分掺假、二组分掺假、三组分掺假和所有掺假样本的PLSR浓度预测模型的预测集相关系数（R_p）分别为0.958 5、0.931 2、0.945 6和0.955 8,均方根误差（RMSEP）分别为4.689 1、5.813 4、4.604 1和3.802 9。研究结果表明,近红外光谱技术可用于蛋粉掺假检测,为监管机构检测蛋粉掺假提供参考。     

不同预处理模式识别下的近红外绿豆产地溯源研究

采用傅里叶变换近红外漫反射光谱仪测定来自吉林省白城市、黑龙江泰来县、黑龙江杜尔伯特蒙古自治县、山东省泗水县绿豆共120份样品的近红外光谱,分别采用一阶导数+9点平滑、标准正态变换（SNV）、多元散射矫正（MSC）、矢量归一化+MSC四种光谱预处理方法,建立偏最小二乘判别模型（PLS-DA）,分析不同预处理方法对模型稳定性的影响,结果得出：原始光谱模型判别率为62.5%,一阶导数+9点平滑预处理模型判别率为65%,SNV预处理模型判别率为65%,MSC预处理模型判别率为82.5%,矢量归一化+MSC预处理模型判别率为90%。因此,采用矢量归一化+MSC预处理方法对绿豆产地判别的准确率最高。     

基于近红外光谱法的水稻秸秆可溶性糖快速检测

采集并制备不同地域、不同品种的水稻秸秆样本288个,根据浓度梯度法,按照31的比例划分校正集与验证集。采用蒽酮硫酸比色法测定试验样本中可溶性糖含量,并采集在近红外全波段(10 000~4 000cm-1)范围内样本的近红外光谱信息。采用多元散射校正(MSC)、标准正态变量变换(SNV)、导数、S-G平滑及其组合方法对光谱进行预处理,分别运用逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)化学计量学算法,建立基于近红外光谱的逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)定量分析模型。通过比较分析,对光谱进行一阶导数预处理,建立的PLS模型效果最优,校正集实测值与预测值之间的决定系数R2C达到0.880 6,交互验证决定系数(R2CV)和验证集决定系数(R2V)分别为0.771 1、0.857 8,均方根差RMSEC、RMSECV、RMSEP分别为0.318%、0.440%、0.404%,校正集相对分析误差(RPDC)和验证集相对分析误差(RPDV)均大于2.5。结果表明,采用近红外光谱法建立的PLS模型基本可以实现水稻秸秆中可溶性糖含量的快速检测。     

基于光谱微分滤波及多元校正的马铃薯干物质含量快速检测

针对生产实际中缺乏快速的品质检测手段影响马铃薯产业发展的问题,开展基于漫反射光谱的马铃薯干物质含量检测研究。采用一、二阶微分及Norris微分滤波对光谱数据进行预处理,以消除干扰信息的影响。分析了主成分回归(PCR)和偏最小二乘(PLS)两种多元校正法在建立校正模型中的特点,分别建立了干物质含量校正模型,通过外部验证确定适合的建模方法。131个样品的检测研究结果表明,一阶微分光谱Norris滤波(分段长度为17点,分段间距为4点)处理后,采用PLS法的建模与预测效果最好,模型相关系数r为0.898,均方根校正误差(RMSEC)为1.72%,均方根预测误差(RMSEP)为2.34%,明显优于采用原始光谱、一阶微分光谱、二阶微分光谱及二阶微分Norris滤波光谱的建模与预测结果。     

基于高光谱和BP神经网络的双子叶植物叶片叶绿素遥感估算

针对传统叶绿素分析方法具有破坏性且耗费人力、时间长、成本高的弊端,依据LOPEX’93数据集中双子叶植物的高光谱数据和叶绿素值,构建了双子叶植物基于高光谱的叶绿素含量最佳估算模型,利用Pearson相关性分析一阶微分光谱、高光谱特征参数与叶绿素的相关关系,发现724nm波段处一阶导数与双子叶植物叶绿素值的相关性最大,其相关性为0.509;高光谱特征参数RVI、NDVI、TCAR与叶绿素的相关性达到0.7以上,构建基于一阶微分光谱、高光谱特征参数和BP神经网络的叶绿素估算模型,并对模型进行验证;再结合一元线性模型、指数模型、对数模型和幂函数模型与BP神经网络模型进行比较。结果表明:叶绿素值与一阶微分光谱在724nm处的光谱数据作为自变量建立的传统回归模型可用于双子叶植物叶绿素的估算,最优建模样本R~2和最优验证样本R_V~2分别为0.541和0.745,RMSE为6.16;基于高光谱特征参数RVI、NDVI、TCAR建立的叶绿素估算回归模型,最优建模样本R~2和最优验证样本R_V~2分别为0.618,0.708;0.632,0.866;0.594,0.654,RMSE分别为6.65,5.61,7.07,将基于高光谱特征参数变量构建传统回归模型时筛选到的光谱参数作为输入,实测叶绿素值作为输出,构建BP神经网络模型,其最优建模R2与最优验模R_V~2分别为0.692和0.874,最优验证样本RMSE为5.23,与其他回归模型相比,BP神经网络模型预测精度最高。研究表明基于高光谱数据的模型具有较好的预测能力,是估算双子叶植物叶绿素值的一种高效的方法。     

华南地区土壤全钾含量高光谱反演模型研究

【目的】为更快速准确地估算土壤全钾含量。【方法】本文以土壤高光谱数据和实验室分析所得的土壤全钾含量数据为数据源,研究土壤光谱与土壤全钾含量的关系。在土壤原始光谱预处理的基础上,对其进行光谱平滑、一阶微分、二阶微分和倒数对数等光谱变换处理,筛选出与对土壤全钾含量相关性最高的光谱指标,最终建立模型预测土壤全钾含量。【结果】基于一阶微分变换的光谱变量是估算土壤全钾含量的最佳光谱指标,其构建的土壤全钾高光谱反演模型(y=2E+06x~2+11328x+16.372)效果最佳,决定系数R~2为0.64,均方根误差RMSE为4.850 g/kg。【结论】利用该模型快速估算广东省土壤全钾含量是可行的。     

基于FT-MIR的秸秆炭热值快速检测方法

采集棉花、小麦、玉米、油菜和水稻等5种农作物秸秆,经炭化处理制备秸秆生物炭实验样本,采用C2000型量热仪测定其热值,利用VERTEX 70型傅里叶红外光谱仪采集红外光谱。采用联合光谱影响值和化学值绝对误差法剔除异常样本,光谱理化值共生距离法(SPXY)划分样本集,利用TQ Analyst 8.3定量分析软件对光谱进行预处理,并结合偏最小二乘法(PLS)建立秸秆生物炭高、低位热值的定量分析模型。研究结果显示:经多元散射校正(MSC)和一阶导数(first derivative)对光谱进行预处理后,建立的高位热值定量分析模型效果最优,其验证集相关系数RP为0.909,验证均方根误差RMSEP为614J/g,相对标准差RSD为2.61%;经多元散射校正(MSC)和一阶导数(first derivative)结合S-G平滑法对光谱进行预处理后,建立的低位热值定量分析模型效果最优,验证集相关系数RP为0.873,验证均方根误差RMSEP为707J/g,相对标准差RSD为3.12%。结果表明,利用FT-MIR快速检测秸秆生物炭的热值是一种可行的方法。     

棉花冠层叶片叶绿素含量与高光谱参数的相关性

【目的】研究棉花冠层叶片叶绿素含量与高光谱参数的相关性,建立叶绿素含量估算模型。【方法】2014年,以鲁棉研28号为研究对象,测定不同施氮水平和生育期棉花冠层叶片叶绿素含量及350~2 500nm光谱反射率,以棉花冠层高光谱反射率与冠层叶片叶绿素含量为数据源,在分析叶绿素含量与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、光谱提取变量和植被指数相关性的基础上,采用一元线性与多元逐步回归的方法构建了叶绿素含量估算模型,并对从中筛选的6种棉花冠层叶片叶绿素含量估算模型进行精度对比。【结果】1)棉花冠层叶片叶绿素含量在反射光谱766nm处相关系数达到最大值,相关系数r=0.836;对于一阶导数光谱,叶绿素含量的敏感波段发生在753nm处,r=0.878;2)以9种光谱提取变量与8种植被指数为自变量,建立叶绿素含量的估算模型,筛选出的特征变量为红边面积(SDr)、绿峰与红谷的归一化值((Rg-Rr)/(Rg+Rr))、绿峰幅值(Rg),仅采用8种常用植被指数建立估算模型,筛选出的变量为比值植被指数(RVI);3)所建立的6种模型中以基于一阶导数光谱反射率建立的多元逐步回归估算模型精度最高,均方根误差(RMSE)为1.075,相对误差(RE)为2.22%,相关系数(r)为0.952。【结论】采用原始光谱、一阶导数光谱、光谱提取变量及植被指数均可对棉花叶绿素含量进行监测,其中基于一阶导数光谱的多元逐步回归模型对叶绿素含量的估算效果最优。     

甜菜光谱与生长信息相关性分析

利用不同光谱预处理方法(卷积平滑、一阶微分、多元散射校正、标准正态变换)对甜菜光谱数据进行处理,研究不同预处理方法对光谱与甜菜生长信息(SPAD值、生物量、叶片含氮量)相关性的影响。结果表明:经多元散射校正预处理后的光谱数据与甜菜冠层叶片SPAD值相关性最高,特别在727 nm附近,r=-0.802 7;通过一阶微分处理后的光谱数据与甜菜生物量、叶片含氮量相关性最高。研究结果为后续氮素预测模型的建立提供了理论依据。