城镇大面积农田土壤重金属检测与监测的原理、方法及应用展望

近年来,随着社会经济的发展和人口数量的增加,城镇农田土壤重金属污染问题越来越严重,对粮食安全和人类身体健康构成严重威胁,因此,需要及时有效地获取农田土壤重金属污染信息,做到早发现、早治理。本文综述了近年来国内外农田土壤重金属的常规、新型检测和监测方法,包括其原理、特点及应用现状,对不同的方法的优缺点进行对比,并指出可以利用地面或航空航天高光谱遥感获取农作物叶片或籽粒光谱数据反演土壤重金属含量,将检测与监测相结合,从而实现土壤重金属污染的大面积立体监测,这将为农田土壤重金属污染的监测和修复提供技术支持。     

九波段多光谱相机在作物长势监测中的应用

无人机低空遥感数据具有机动性好、时效性强,受大气辐射影响小,空间分辨率高、数据量大、数据质量好的特点,是传统卫星遥感所无法比拟的,在探测和识别地表的物质种类、评价和测量光谱所反映出来的物质含量、描绘地物空间分布、监测地物变化等应用领域具有较强的优势。随着遥感技术的发展,遥感已成为精准农业中农田信息获取的重要手段,也是地块面积量算、作物种类识别、长势分析等工作的重要数据来源,由于无人机低空遥感数据具有机动性好、时效性强、空间分辨率高的特点,主要应用于绘制低空大比例尺地图、监测自然灾害等[1]。受传感器单一导致的光谱分辨率低的限制,目前在精准农业领域的应用才刚刚起步。     

基于计算机视觉技术的樱桃自动分选系统设计

针对目前国内落后的樱桃分选工作方式,基于农业现代化、机械化、智能化的发展需求,以名贵果品樱桃为研究对象,设计开发了一种小型的集樱桃内部质量和外观判定为一体的计算机视觉自动分选系统。该分选系统主要由运动系统(包括樱桃输送系统和终端分级动作系统)、经改装配置近红外光发射器的视觉采集系统、计算机上位机、单片机等硬件系统和图像采集模块、数据处理模块,以及自动分选控制模块等软件系统组成。试验表明:该系统设计对樱桃内部外部综合质量的分选操作准确高速,其推广有望给樱桃产业打开国外市场提供支持。     

光辐射染色木材的变色规律及化学组分结构的变化

以I-214杨木染色单板为试材、氙光作为辐射光源,考察其在100h光照过程中表面颜色的变化规律;依据红外光谱图的谱峰位置和谱峰相对吸收强度,分析和确定光变色过程中染色杨木木材的化学组分。结果表明:染色杨木木材受光辐射易发生变色,其中酸性蓝染色单板的明度指数L*和色品指数b*变化显著,其光变色度显著大于酸性大红GR染色单板;若以波数1510cm-1为基准,非共轭羰基C=O振动的吸收峰(1738cm-1)吸收强度显著增强;共轭羰基C=O伸缩振动的吸收峰(1650cm-1)吸收强度有所增强;芳香环骨架C-C振动的吸收峰(1510cm-1)吸收强度明显减弱;C-O-H振动的吸收峰(1160～1052cm-1)吸收强度有所减弱。     

水稻多生育期实测光谱与SPDA值的响应分析

本研究旨在探索和研究水稻叶片不同生育期叶绿素相对含量（SPAD）与实测水稻叶片光谱的变化规律和响应特征。通过采集研究区水稻发育关键期叶片光谱及叶绿素相对含量，研究探讨了随着生育期的推进，水稻叶片光谱特征变化以及与SPAD变化响应关系，分析比对了SPAD与四个生育期水稻DVI、RVI、EVI2等植被指数敏感波段。结果表明，随着生育期推进SPAD值逐渐减少，可见光范围光谱反射率呈一致的逐步增加趋势；孕穗期近红外波段对SPAD反映敏感，抽穗期、灌浆期和成熟期可见光波段对SPAD敏感；四种植被指数与SPAD值相关性，DVI与孕穗期、成熟期，RVI对抽穗期，EVI2对灌浆期的SPAD值更敏感。     

连续投影算法融合信息熵选择霉变玉米高光谱特征波长

运用高光谱技术鉴别玉米霉变等级时,因光谱波段数多、数据量大、信息冗余度高,使鉴别工作难度加大。为了减少数据量,获得最有利于鉴别的高光谱信息特征波长,本研究提出了一种连续投影算法(SPA)融合信息熵的特征波长选择方法。首先,对霉变玉米样本高光谱数据运用多元散射校正(MSC)进行光谱预处理以消除噪声,然后利用SPA对处理过的光谱进行波长初选,得到8个初选特征波长,再通过信息熵原理处理初选特征波长下的图像信息,获得最佳特征波长。结果表明,运用SPA融合信息熵法得到有利于霉变玉米鉴别的最佳波长为819 nm,提取该波长下霉变玉米图像的纹理特征后,采用Fisher判别分析(FDA)进行鉴别,6个等级霉变玉米的鉴别正确率高达98.6%,充分证明所给出的特征波长选择方法是有效的。本研究特征波长选择方法可为更好地运用高光谱技术鉴别玉米霉变等级提供指导。     

光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型

为了进一步提高种子含水率的高光谱估算精度，该研究测定了156份油用牡丹种子的近红外吸收光谱及其对应的含水率值，分析了近红外吸收光谱、一阶微分光谱、水分吸收特征参数与含水率的相关关系，构建了基于特征波长吸收光谱、特征波长一阶微分光谱、水分特征吸收参数和BP神经网络的油用牡丹种子含水率估算模型，并对模型进行了验证；再结合一元线性回归（SLR，Single Linear Regression）、逐步多元线性回归（SMLR，Stepwise MultipleLinear Regression）、偏最小二乘回归（PLSR，Partial Least Squares Regression）模型与BP神经网络（BPNN，BP Neural Network）模型进行比较。结果表明：1）油用牡丹种子含水率的吸收光谱特征波长位于1 410、1 900、1990 nm，一阶微分光谱特征波长位于1 150、1 950、2 080 nm；2）以DF2080和AD2140为自变量建立的一元线性回归模型预测效果较优，在能够满足水分估算精度的情况下，是最优的选择方法。3）将优选的特征参数作为输入，实测含水率值作为输出，构建BP神经网络模型，其建模与验模R2分别为0.978和0.973，RMSE分别为0.22%和0.242%，而RPD值分别为6.478和5.889，与其他模型相比，BP神经网络模型的建模及预测精度均最高，是估算油用牡丹种子含水率的最优模型，其次为逐步多元线性回归模型。研究结果表明BP神经网络模型对种子含水率具有更好的预测能力，是估算油用牡丹种子含水率的有效方法。     

水盐交互作用对河套灌区土壤光谱特征的影响

为探究土壤水盐交互作用对Sentinel-2卫星光谱特征的影响，该研究以内蒙古河套灌区沙壕渠灌域为研究区域，分别在2018年和2019年的4-5月共采集280个裸土期表层土壤样本，测定其土壤含水率和含盐量，并获取同步的Sentinel-2卫星遥感数据，构建基于土壤水盐-反射率原理的土壤光谱特征理论模型，在此基础上结合土壤水盐交互作用构建水盐交互模型，并比较2种模型对土壤光谱的模拟效果，分析土壤水盐交互作用对土壤光谱估算的影响。结果表明：1）土壤水盐交互作用对光谱的影响因波段类型和水盐含量的不同而有所不同。在可见光范围上影响相对较弱，其作用范围为-0.11～0.29；在近红外和短波红外范围上影响相对较强，其作用范围为-0.35～0.61；当水分或盐分中某个含量较高时对光谱影响较弱，其主要集中在-0.1～0.23；，在水盐含量程度相似时影响较强，其作用范围为0.3～0.6。2）与土壤光谱特征理论模型相比，水盐交互模型能明显地改善土壤光谱的模拟效果，能将模拟相关系数由0.14～0.44提升到0.29～0.70，均方根误差由0.032～0.082降低到0.029～0.068。该研究结果揭示了盐分和水分对光谱特征的干扰过程，为土壤盐分的估算提供策略与方法，对实现区域尺度上土壤盐分的精准监测具有一定的意义。     

基于近红外光谱的沼液挥发性脂肪酸含量快速检测

挥发性脂肪酸（Volatile Fatty Acids，VFA）作为厌氧发酵过程的重要中间产物，其在厌氧反应器中的累积能够反映出产甲烷菌的不活跃状态或厌氧发酵条件的恶化。为了实现对农牧废弃物厌氧发酵进行过程分析和状态监控，将近红外光谱（Near Infrared Spectroscopy，NIRS）与偏最小二乘（Partial Least Squares，PLS）相结合构建玉米秸秆和畜禽粪便厌氧发酵液乙酸、丙酸和总酸含量快速检测模型。将竞争自适应重加权采样法（Competitive Adaptive Reweighted Sampling，CARS）与遗传模拟退火算法（Genetic Simulated Annealing algorithm，GSA）相结合构建CARS-GSA算法对沼液中的乙酸、丙酸和总酸进行特征波长优选，原始光谱数据1 557个波长点经预处理和波长优选后，得到乙酸、丙酸和总酸特征波长变量分别为135、101和245个，建立的回归模型验证决定系数分别为0.988、0.923和0.886，预测均方根误差（Root Mean Squared Error of Prediction，RMSEP）分别为0.111、0.120和0.727，相对分析误差分别为9.685、3.685和3.484，与全谱建模相比RMSEP分别减少了17.78%、15.49%和1.22%，能够满足农牧废弃物厌氧发酵过程发酵液中乙酸和丙酸含量的快速检测需求，基本满足总酸的检测需求。结果表明，通过构建CARS-GSA算法优选乙酸、丙酸和总酸的敏感波长变量，参与建模的波长点数量显著减少，有效降低了变量维度和模型复杂度，提升了回归模型检测精度和预测能力，为快速准确检测沼液VFA提供了新途径。     

基于光声光谱和TCA迁移学习的稻种活力检测

种子活力是决定水稻产量的最重要因素之一，但目前水稻种子活力的近红外和高光谱等无损检测方法易受种子表皮颜色影响，且所建模型难以适应新品种。该研究提出基于光声光谱技术的稻种活力无损检测方法并结合迁移学习进行新品种稻种活力检测。首先，对Y两优、龙粳、南粳、宁粳、武运粳、新两优等具有区域代表性的典型6种水稻品种，进行高温高湿人工老化处理，得到0~7 d老化时间的水稻种子；再通过调制频率获得8种不同深度的光声光谱信息，用主成分分析、竞争性自适应重加权算法对光谱降维得到特征光谱后，对Y两优、龙粳、南粳、宁粳、武运粳分别建立偏最小二乘回归（Partial Least Squares Regression，PLSR）、反向传播神经网络（Back Propagation Neural Network，BP）、广义回归神经网络（Generalized Regression Neural Network，GRNN）、支持向量回归模型（Support Vector Regression，SVR）、深度卷积神经网络（Convolutional Netural Network，CNN）的稻种活力预测模型，并选择最优调制频率；最后，通过迁移学习将建立的模型迁移到新两优稻种进行活力预测。结果表明，光声光谱最佳扫描频率为300 Hz，CNN预测模型精度较高，相关系数和均方根误差分别优于0.990 9、低于0.967 5；且经过迁移学习，仅需通过对源域数据的训练，即可直接对新品种稻种的活力进行精确预测；通过TCA迁移学习后，新两优稻种活力预测的相关系数从0.718 5提高到0.990 3。研究表明，采用光声光谱深度扫描技术对不同种类稻种的活力进行高精度检测是可行的，且经过迁移学习，仅需80粒新品种稻种信息即可实现稻种活力的精确预测。