基于Cokriging插值修正冬小麦面积遥感监测

在研究区内冬小麦种植区选取149个地面样方，筛选样方内反映种植结构、地块破碎程度、地形因素的参数并利用差分GPS测量，对3个参数量化并确定插值的主辅变量。探讨和比较了利用普通克里格和协同克里格2种插值方法对研究区的冬小麦种植面积比例的插值结果。结果表明，相同采样数量下，协同克里格法相对于普通克里格法的均方根误差降低1.48%，预测值与实测值之间的相关系数提高了6.82%，利用COK插值获取研究区内冬小麦种植面积比例分布状况，可以分区域对大尺度冬小麦面积遥感提取结果进行修正。     

西南岩溶区土壤全氮含量的空间变异分析

选择典型的岩溶峰丛洼地区域,在利用多元逐步回归分析研究0~20 cm深度土壤全氮含量与地形指数因子关系的基础上,利用普通克里格法(OK)、单变量协同克里格法(COK)和多变量协同克里格法(MCOK)对土壤全氮含量的空间变异性进行了分析。结果表明:研究区域土壤全氮含量空间分布可以用两个回归模型来表征。克里格插值分析表明,当全氮含量与地形指数因子相关系数较低时,COK法并不能有效提高全氮预测精度;随着协同变量的增加,MCOK法能够显著提高全氮预测精度。     

基于无人机多时相植被指数的冬小麦产量估测

通过无人机搭载多光谱相机,对不同水分亏缺条件下冬小麦多个生育期进行遥感监测,采用不同种类多光谱植被指数表征冬小麦的生长特征,分析了植被指数与冬小麦产量的相关关系,并利用多时相植被指数构建产量估测数据集,采用偏最小二乘回归、支持向量机回归和随机森林回归3种机器学习算法进行冬小麦产量估测。结果表明,随着冬小麦的生长,多个植被指数与产量的相关性不断增强,灌浆末期相关系数达到0.7,植被指数与产量的线性回归决定系数也达到最大。多时相植被指数反映了冬小麦生长的变化特征,进一步提高了冬小麦产量估测精度,采用开花期和灌浆初期的多时相植被指数进行估产比采用单个生育期的植被指数估测产量的精度高,采用偏最小二乘回归模型的估测精度R²提高约0.021,支持向量机回归模型R²提高约0.015,随机森林回归模型R²提高约0.051。采用灌浆末期的多时相植被指数,3种模型均有较高的估测精度,偏最小二乘回归模型估测精度最高时的R²、RMSE分别为0.459、1 822.746 kg/hm²,支持向量机回归模型估测精度最高时的R²、RMSE分别为0.540、1 676.520 kg/hm²,随机森林回归模型估测精度最高时的R²、RMSE分别为0.560、1 633.896 kg/hm²,本文数据集训练的随机森林回归模型估测精度最高,且稳定性更好。     

基于地理加权回归模型的亚热带地区乔木林生物量估算

基于浙江省碳汇样地调查数据,以乔木林生物量(含地上和地下生物量)为因变量,将筛选的与因变量相关性较高的因子作为解释变量,采用地理加权回归和协同克里格方法对乔木林生物量进行估算,对比分析两种估测方法的精度。结果表明:基于地理加权回归方法构建的乔木林生物量估算模型(R2adj=0.820 4,RMSE=23.021 5 t/hm2)精度优于协同克里格方法(R2adj=0.726 3,RMSE=28.054 9 t/hm2),同时使用地理加权回归方法的乔木林生物量预测值的变异系数(Cv=0.618 9)高于协同克里格法(Cv=0.585 4),由此可知地理加权回归方法因考虑了待估变量的局部变异,比协同克里格方法具有更好的拟合结果,预测精度较高。     

生菜叶片含水率光谱特征模型研究

利用便携式光谱分析仪测量生菜叶片的光谱反射率,并对其进行对数变换.通过变量筛选得到725、1 075、1 272、1 450、1 640和1 958 nm波长处的光谱反射率与生菜干基含水率呈极显著相关.为克服多重共线性影响,分别采用多元线性回归分析、主成分回归分析、偏最小二乘回归分析及偏最小二乘-人工神经网络回归分析4种方法建立了叶片干基含水率的定量分析模型.结果表明4种算法预测值与实测值相关系数分别为0.485 0、0.899 2、0.917 4和0.947 0,偏最小二乘-人工神经网络模型的预测能力优于其他模型.     

改进的偏最小二乘法在分析谐波源中的应用

在偏最小二乘回归建模中有时由于自变量中含有大量与因变量无关的信息, 这些与因变量无关的信息被提取成具有大方差和小相关系数的成分,使得入选的成分虽然具有大的协方差, 但是仍然对因变量缺乏解释能力。为了克服这一缺点，应用改进的偏最小二乘法进行回归建模，介绍了该方法的改进原理及步骤，并将该方法应用于谐波定量分析中，仿真示例说明了该方法的有效性及优越性。     

基于多维分形法的土壤养分空间预测

采用多维分形克里格插值法(Multifractal Krige,Mkrige)对土壤有机质、全氮、有效磷和速效钾4种土壤养分进行空间预测,并以普通克里格法为参照对比,从传统统计学参数、积累曲线、多维分形图像、多维分形参数和特异值等方面深入分析Mkrige法空间预测的效果。结果表明:无论何种分形程度的土壤养分,Mkrige法预测值的积累曲线、多维分形参数和多维分形图像都与实测值最接近;Mkrige法较好地保持了原始样本数据的特异值区,真实反映土壤养分空间分布的混沌状态,空间预测效果较优。土壤有效磷、有机质、全氮和速效钾分形程度依次降低;分形程度越高,Mkrige法空间预测效果越优。     

基于无人机多光谱遥感的芳樟矮林SPAD反演

为实现利用多光谱技术开展芳樟叶绿素相对含量(SPAD)监测，及时快速诊断芳樟矮林生长状况，为田间管理决策提供信息支持，以红壤区芳樟矮林为研究对象，利用无人机多光谱遥感影像，提取波段反射率，筛选植被指数，分别以波段反射率和植被指数为模型输入量，采用偏最小二乘回归、支持向量回归、反向传播(Back propagation, BP)神经网络和径向基函数(Radial basis function, RBF)神经网络4种方法构建芳樟矮林SPAD反演模型，并对比不同输入量、不同模型模拟结果的反演精度。研究结果表明：对比两种不同的输入量，在同一模型反演的精度相差不大；其中，基于偏最小二乘回归法，以植被指数为模型自变量估测芳樟矮林SPAD效果略优；基于支持向量回归、BP神经网络和RBF神经网络，以波段反射率为模型自变量估测芳樟矮林SPAD效果略优；对比4种建模方法，不同方法建模预测精度不同，与偏最小二乘回归、支持向量回归和BP神经网络相比，基于RBF神经网络反演芳樟SPAD的精度最高，以波段反射率和植被指数为模型输入量的测试集为例，其决定系数R²分别为0.788、0.751,均...     

西南岩溶盆地土壤干容重协同克里格分析

选择我国云南典型的坝子农业区鹤庆盆地为研究区域,用环刀采集表层(0~10 cm)土壤样品114个,测定土壤干容重和土壤含水率。利用经典统计学方法、普通克里格(OK)方法和协同克里格(OCK)方法,研究坝子农业土壤干容重的空间变异特征。结果表明:研究区域土壤干容重变化范围为0.74~1.60 g/cm3,平均值为1.25 g/cm3。在空间分布上研究区域土壤干容重呈现南北低,中东部高的格局,土壤类型、质地和土地利用方式是影响其空间分布的主要因素。土壤干容重和土壤含水率具有显著的相关性,相关系数达到-0.686。Kriging插值分析表明,以土壤含水率为辅助数据,利用OCK法能有效提高土壤干容重的预测精度。     

基于两种空间估算模型的乔木林地上碳密度估算

以乔木林地上碳密度为研究对象，基于调查获取的乔木林地上碳密度、Landsat 8多光谱影像及DEM数据，提取植被指数、纹理特征、主成分变换因子、缨帽变换因子和地形因子作为建模变量，采用皮尔森相关系数法、结合平均残差平方和准则法对变量进行筛选，采用协同克里格插值和地理加权回归方法构建乔木林地上碳密度模型，分析对比两种方法的估算效果。结果表明：地理加权回归法构建的估算模型精度（R2为0.74，RMSE为6.84t/hm2，MAE为5.13t/hm2，RE为0.74%）优于协同克里格插值法（R2为0.47，RMSE为9.72t/hm2，MAE为7.41t/hm2，RE为0.12%），并且较好地保留了估算变量的空间异质性，变异系数分别为0.5372、0.4968，可获得较高的估算精度。本研究可为大尺度范围内的乔木林地上碳密度及其他森林参数的估算提供参考。     

基于近红外的小麦植株含水率检测方法

针对小麦植株含水率快速检测需求，提出了一种基于近红外的小麦植株含水率检测方法。利用不同波长近红外感光元件组成的探测器研发了小麦植株含水率无损快速检测装置，利用该检测装置对采集的多组样品进行了测量，通过均值滤波与参考实时校正方法得到了小麦植株的近红外反射强度。基于测量数据，分别采用多元线性回归、多元逐步回归、偏最小二乘以及最小二乘支持向量机建立了含水率检测模型。结果表明，基于最小二乘支持向量机建立的模型效果最优，校正集决定系数R2达到0.9742。利用建立的检测模型对另一批样品进行含水率检测试验，结果表明：小麦植株含水率真实值与预测值的决定系数R2为0.9337，预测集均方根误差均小于等于3.00%。研究结果为小麦植株含水率无损快速检测提供了一种有效的方法与装置，能够满足联合收获机在作业现场对小麦植株含水率快速调整作业参数的需求。     

西瓜可溶性固形物含量近红外透射检测技术

设计的近红外透射式西瓜可溶性固形物含量（SSC）检测系统主要包括光纤光谱仪、光纤透射附件、数据采集卡以及自制光源。对50个麒麟瓜SSC进行了预测试验，采用主成分回归和偏最小二乘回归法分别建立了样品的原始光谱、一阶微分光谱、二阶微分光谱和SSC的预测模型，结果表明偏最小二乘回归法建立的模型具有较高的相关性，相关系数为0．951，均方根校正误差0．347，均方根预测误差0．302，样本真实值与预测值的相关系数为0．910。     

基于近红外光谱的活性米品质检测研究

选取105份具有代表性的活性米样品,研究光谱范围在918~1 045nm内12个波长点的近红外反射光谱与其品质的相关性。利用近红外光谱技术和多元线性回归、主成分回归和偏最小二乘法3种校正方法对活性米中γ-氨基丁酸、水分、蛋白质、淀粉、明度值、红度值及黄度值进行定量分析;选出最优校正模型,模型的预测决定系数分别为0.903、0.964、0.953、0.951、0.949、0.961、0.916,预测标准偏差分别为0.598、1.367、1.367、2.688、0.996、50.144、0.952。研究结果表明:应用近红外光谱技术检测活性米品质是可行性的。     

滦河流域月降雨空间变异性研究

介绍了 权重系数法推求普通kriging的理论半变异函数模型参数，并将这种方法应用到滦河流域月降雨空间变异性研究中，然后采用交叉验证法检验了kriging法的插值效果。根据计算结果分析可知，各月变程变化范围较大，其中8月份变程最大，为178km，说明该月降雨空间变异性最小。同时，各个月份的 比值范围在0～23.08%之间，这表明滦河流域降雨量具有较强的空间相关性。     

苹果可溶性固形物近红外在线光谱变量优选

为简化近红外光谱模型,提高对苹果可溶性固形物含量的预测精度,将移动窗口偏最小二乘法(MWPLS)与遗传算法、连续投影算法相结合优选特征变量,建立偏最小二乘回归校正模型。其中移动窗口偏最小二乘法和遗传算法相结合优选的36个光谱变量建立的校正模型预测结果最好,可以有效筛选近红外光谱特征波长,模型预测相关系数为0.90,模型的预测均方根误差为0.70°Brix。     

结合影像光谱与地形因子的森林蓄积量估测模型

以资源三号卫星遥感图像为数据源,以内蒙古旺业甸林场为研究区域,通过外业调查获取的样地蓄积量真实值,对资源三号影像进行处理,获得对应样地的波段光谱值、光谱组合值及地形因子信息,应用多元回归分析,分别建立阔叶林和针叶林蓄积量估测模型。实验结果表明:蓄积量估测模型相关系数阔叶林为0.815,针叶林为0.761,说明资源三号卫星影像的光谱值、光谱组合值及地形因子与蓄积量具有较强的相关性,同时利用检验数据,得出模型的预估精度,其中阔叶林为85.3%,针叶林为91.9%,预估精度较高,研究表明利用资源三号卫星影像进行森林蓄积量估测具有很好的应用前景。     

采用表面增强拉曼光谱技术快速检测脐橙果皮中抑霉唑残留

由于采后处理过程中脐橙保鲜剂抑霉唑易通过果皮渗进果肉中残留，不慎食用后会对人体产生危害。因此，本研究探索一种基于表面增强拉曼光谱技术（Surface-Enhanced Raman Spectroscopy，SERS）的脐橙果皮中抑霉唑残留的快速检测方法。首先对SERS检测条件进行优化，分别确定了最优的检测条件为反应时间2 min，金胶加入量400 μL，NaBr作为电解质溶液且加入量为25 μL。基于以上最优检测条件，以自适应迭代惩罚最小二乘法（Adaptive Iterative Reweighted Penalized Least Squares，air PLS）、air PLS+归一化、air PLS+基线校正、air PLS+一阶导数、air PLS+标准正态变量（Standard Normal Distribution，SNV）和air PLS+多元散射校正（Multiplicative Scatter Correction，MSC）处理后的6组光谱数据为研究对象，分别采用这6种光谱预处理法建立支持向量回归（Support Vector Regression，SVR）模型并对预测性能进行比较后发现，air PLS方法所建立模型的预测集相关系数（Coefficient of the Determinant for the Prediction Set，R_P）最大，预测集均方根误差（Root-Mean-Square Error of Prediction，RMSEP）最小。对光谱数据进行主成分分析（Principal Component Analysis，PCA）特征提取，选择前7个主成分得分作为SVR预测模型的输入值。采用SVR、多元线性回归（Multiple Linear Regression，MLR）和偏最小二乘回归（Partial Least Squares Regression，PLSR）三种建模方法分析比较其对应的预测性能，其中SVR模型的预测集R_P可高达0.9156，预测集RMSEP为4.8407 mg/kg，相对标准偏差（Relative Standard Deviation，RPD）为2.3103，表明基于SVR算法对脐橙表面抑霉唑残留的预测值越接近实测值，越能有效提高模型预测准确性。试验结果表明，利用SERS结合PCA及SVR建模，可实现对脐橙果皮中抑霉唑残留的快速检测。     

基于CC-MPA特征优选算法的小麦条锈病遥感监测

为了弥补一次性建模分析的缺陷,提高小麦条锈病遥感监测模型的运行效率和精度,根据模型集群分析（Model population analysis,MPA）算法的特点,综合利用光谱区间选择算法和光谱点选择算法的优势,提出了一种联合相关系数（Correlation coefficient,CC）与MPA的特征变量优选算法。在利用CC算法对全波段光谱进行特征变量选择的基础上,分别利用基于MPA思想开发的竞争性自适应重加权采样法（Competitive adaptive reweighted sampling,CARS）和变量组合集群分析法（Variable combination population analysis,VCPA）进一步优选对小麦条锈病敏感的特征变量,并利用偏最小二乘回归（Partial least squares regression,PLSR）算法构建了小麦条锈病遥感监测的CC-CARS和CC-VCPA模型。结果表明：联合CC-MPA算法优选的特征变量构建的CC-CARS和CC-VCPA模型精度均高于CC、CARS和VCPA算法。3组验证集样本中,CC-CARS模型预测病情指数（Disease index,DI）与实测DI间的R2V较CC模型和CARS模型至少分别提高了6.78%和6.66%,RMSEV至少分别降低了15.31%和10.98%,RPD至少分别提高了18.08%和12.34%。CC-VCPA模型预测DI与实测DI间的R2V较CC模型和VCPA模型至少分别提高了9.58%和0.73%,RMSEV至少分别降低了20.78%和3.86%,RPD至少分别提高了26.22%和4.02%。基于CC-MPA的光谱特征优选算法是一种有效的特征选择方法,尤其是利用CC-VCPA方法选择的特征变量数更少,模型预测效果更好,研究结果对光谱特征优选及提高作物病害遥感监测精度具有重要的参考价值。