基于Vis-NIR光谱的土壤质地BP神经网络预测

为快速、准确地获取土壤质地信息,提出了应用Vis-NIR光谱结合BP神经网络的建模方法。以河南封丘县的86个土壤样本为研究对象,以原始光谱和微分光谱主成分为输入变量,建立土壤粘粒和砂粒的BP神经网络预测模型,并将其预测结果与多元线性逐步回归模型进行比较。结果表明:基于原始光谱主成分的BP人工神经网络预测结果最好,优于多元逐步回归模型,预测粘粒和砂粒的RMSE分别为1.62和6.52。BP神经网络所建模型训练时间短、准确度也较高,能实现对土壤质地的高效预测。     

利用OSC算法消除土壤含水量变化对Vis-NIR光谱估算有机质的影响

【目的】快速、准确地监测土壤有机质对于精准农业的发展具有重要意义。可见光-近红外(visible and near-infrared,Vis-NIR)光谱技术在土壤属性估算、数字化土壤制图等方面应用较为广泛,然而,在田间进行光谱测量,易受土壤含水量(soil moisture,SM)、温度、土壤表面状况等因素的影响,导致光谱信息中包含大量干扰信息,其中,SM变化是影响光谱观测结果最为显著的因素之一。此研究的目的是探讨OSC算法消除其影响,提升Vis-NIR光谱定量估算土壤有机质(soil organic matter,SOM)的精度。【方法】以江汉平原公安县和潜江市为研究区域,采集217份耕层(0—20 cm)土壤样本,进行风干、研磨、过筛等处理,采用重铬酸钾-外加热法测定SOM;将总体样本划分为3个互不重叠的样本集:建模集S~0(122个样本)、训练集S~1(60个样本)、验证集S~2(35个样本);设计SM梯度试验(梯度间隔为4%),在实验室内获取S~1和S~2样本集的9个梯度SM(0%—32%)的土壤光谱数据;分析SM对土壤Vis-NIR光谱反射率的影响,采用外部参数正交化算法(external parameter orthogonalization,EPO)、正交信号校正算法(orthogonal signal correction,OSC)消除SM对土壤光谱的干扰;利用主成分分析(principal component analysis,PCA)的前两个主成分得分和光谱相关系数两种方法检验消除SM干扰前、后的效果;基于偏最小二乘回归(partial least squares regression,PLSR)方法建立EPO和OSC处理前、后的SOM估算模型,利用决定系数(coefficient of determination,R~2)、均方根误差(root mean square error,RMSE)和RPD(the ratio of prediction to deviation)3个指标比较PLSR、EPO-PLSR、OSC-PLSR模型的性能。【结果】土壤Vis-NIR光谱受SM的影响十分明显,随着SM的增加,土壤光谱反射率呈非线性降低趋势。OSC处理前的湿土光谱数据主成分得分散点相对分散,与干土光谱数据主成分得分空间的位置不重叠,不同SM梯度之间的光谱相关系数变化较大;OSC处理后的湿土光谱数据主成分得分空间的位置基本与干土光谱数据相重合,各样本光谱数据之间相似性很高,不同SM梯度之间的光谱相关系数变化较小。9个SM梯度的EPO-PLSR模型的验证平均R~2_(pre)、RPD分别为0.69、1.7。9个SM梯度的OSC-PLSR模型的验证平均R~2_(pre)、RPD分别为0.72、1.89,校正后的OSC-PLSR模型受SM的较小,有效提升SOM估算模型的精度和鲁棒性。【结论】OSC能够消除SM变化对土壤Vis-NIR光谱的影响,可为将来田间原位实时监测SOM信息提供一定的理论支撑。     

三分量磁通门传感器的三轴正交校正与测量

受机械加工与安装水平的限制,磁通门传感器的三个分量相互之间无法保证绝对正交,由此会带来三分量磁测数据误差。本文通过建立一种三轴正交角度与磁总场误差关系模型,并对该模型进行正演模拟、反演分析及建立一种修正算法,达到推算三个分量不正交角度并修正的目的。实验表明,采用该方法对实际三分量磁通门传感器进行不正交度的测试与修正后,能够使其在测量总场时的误差减小到±10 n T,减小了测量时所带来的误差。     

基于样本挑选和不同偏最小二乘方法的近红外光谱玉米淀粉组分校正模型的研究

[目的]获得精度高、鲁棒性强的玉米近红外光谱淀粉组分检测模型。[方法]用一阶导数和Savitzky．Golay平滑对玉米1300～2298nlTl近红外光谱进行预处理,而后分别以RS（random sampling）、KS（Kennard Stone）、Duplex、SPXY（sample set partitioning based on joint x-y distance）方法选取最佳校正集样本集合,最后分别用PLS（Partial Least Squares）、iPLS（intervalPLS）和siPLS（synergy interval PLS）方法建立校正模型。[结果]采用sPXY方法选取有代表性的校正集合样本,以siPLS方法所建立的近红外光谱玉米淀粉组分校正模型最优,校正样本集合中r为0．9917,RMSECV为n1073,预测样本集合中r达到了0．9944,RMSEP为0．0814。[结论]SPXY-siPLS方法建立的近红外光谱玉米淀粉组分校正模型,不但可以减小参与建模的数据规模．而且缩短了运算时间．预测能力和精度也均得到提高。     

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。     

基于最小角度回归模型的NIR光谱果品品质分析方法

[目的]本研究旨在提高果品内部品质检测的时效性和准确性。[方法]本文提出基于最小角度回归(Least Angle Regression,LAR)模型的果品品质分析方法。[结果]与现有的非线性LS-SVM(Least Squares Support Vector Machines)和线性的PLSR(Partial Least Squares Regression)模型进行对比表明,在预测准确度上,LS-SVM模型达到了最优的预测性能,而LAR模型明显优于常用的线性的PLSR模型;在计算复杂度上,LAR和PLSR模型明显优于LS-SVM模型;在模型的可解释方面,LAR模型要优于PLSR模型。[结论]LAR模型虽然在预测精度上稍逊于LSSVM,但在模型的实现和计算复杂度以及可解释方面都具有明显的优势,因此提出的LAR模型更能有效地应用于基于NIR光谱的果品品质分析中。     

偏最小二乘回归分析在土地利用变化研究中的应用——以上海市嘉定区为例

以上海市嘉定区为例,首先分别应用一般最小二乘回归、主成分分析和典型相关分析3种方法进行建模分析,然后应用偏最小二乘回归方法,对该区域土地利用结构变化建立数学模型,并对该地区社会经济因子对土地利用结构变化的影响和作用机制进行简要的分析总结.结果表明:偏最小二乘回归模型的整体性较强,结论较为合理,回归系数易于解释,提供的系统信息也更丰富.     

基于高光谱成像的枇杷果实品质检测

采用高光谱成像技术(HSI)在可见/近红外(363～1 026 nm)区域检测枇杷果实的可溶性固形物(SSC)和硬度,并判断其成熟度,以实现枇杷果实品质的无损检测和分级分选.利用蒙特卡洛法(MC)剔除异常样本,基于联合X-Y距离(SPXY)进行建模集和预测集样本的划分,再采用竞争性自适应权重采样算法(CARS)和连续投影算法(SPA)选取特征波长,与全波段光谱(FS)比较,分别建立偏最小二乘回归(PLSR)模型.结果显示,CARS-PLSR模型更优,CARS提取的SSC特征波长和硬度特征波长分别占总波长的8.52%和5.36%,枇杷果实中SSC和硬度的建模集相关系数R_c分别为0.981 7,0.970 7,预测集相关系数R_p分别为0.918 5,0.742 3,说明CARS能有效地对光谱进行降维,简化了数据处理过程.枇杷果实SSC和硬度的变化与果实成熟度显著相关,建立判别偏最小二乘法(DPLS)成熟度预测模型,预测集总识别准确率为89.29%.由此说明,高光谱成像技术可对枇杷品质进行有效检测,为枇杷果实的无损检测和分级分选提供了理论依据.     

基于近红外光谱苗期玉米叶片叶绿素含量的无损检测方法

试验以42片未经处理的苗期玉米叶片为试材,采用近红外光谱检测技术和SNV+Detrending的预处理方法,应用偏最小二乘回归分析方法建立定量分析模型,通过测定近红外光谱图,研究3 300~10 000 cm-1范围内苗期玉米叶片的光谱特性。结果表明,测定苗期玉米叶片叶绿素含量的决定系数R2为0.989,残差均方根RMSE为0.047,采用近红外光谱快速检测苗期玉米叶片叶绿素含量是可行的。     

基于集成学习的砂姜黑土含水量高光谱反演研究

为提高砂姜黑土土壤水分的估测精度,本研究以河南省西平县砂姜黑土为研究对象,通过配制不同含水率土壤样本并在室内进行高光谱测量,对土壤样本高光谱数据平滑(SR)、倒对数[LOG(1/R)]、一阶微分(FD)、多元散射校正(MSC)、去包络线(CR)光谱变换后,结合连续投影算法(SPA)识别最佳特征波段,采用偏最小二乘回归(PLSR)、支持向量机回归(SVR)的机器学习方法和堆叠(Stacking)集成学习方法分别构建土壤含水率反演模型。结果表明：经MSC变换后光谱中土壤含水率相关信息增强最多;SPA算法能对砂姜黑土含水率光谱数据进行降维和特征信息提取;经反射光谱MSC变换后由PLSR和SVR集成的Stacking集成模型决定系数最高(R²=0.963)、均方根误差最小(RMSE=1.7)。研究表明,Stacking集成学习模型有效提升了模型的精度和泛化能力,是砂姜黑土含水率最佳反演模型。     

Prediction of yield and the contribution of legumes in legume-grass mixtures using field spectrometry

Productivity and botanical composition of legume-grass swards in rotation systems are important factors for successful arable farming in both organic and conventional farming systems. As these attributes vary considerably within a field, a non-destructive method of detection while doing other tasks would facilitate more targeted management of crops and nutrients in the soil–plant–animal system. Two pot experiments were conducted to examine the potential of field spectroscopy to assess total biomass and the proportions of legume, using binary mixtures and pure swards of grass and legumes. The spectral reflectance of swards was measured under artificial light conditions at a sward age ranging from 21 to 70 days. Total biomass was determined by modified partial least squares (MPLS) regression, stepwise multiple linear regression (SMLR) and the vegetation indices (VIs) simple ratio (SR), normalized difference vegetation index (NDVI), enhanced vegetation index (EVI) and red edge position (REP). Modified partial least squares and SMLR gave the largest R ² values ranging from 0.85 to 0.99. Total biomass prediction by VIs resulted in R ² values of 0.87–0.90 for swards with large leaf to stem ratios; the greatest accuracy was for EVI. For more mature and open swards VI-based detection of biomass was not possible. The contribution of legumes to the sward could be determined at a constant biomass level by the VIs, but this was not possible when the level of biomass varied.     

结合分数阶微分和异常值识别的土壤有机质高光谱反演研究

【目的 】结合分数阶微分和异常值识别,提高土壤有机质模型反演精度,实现土壤有机质含量的快速、准确估计。【方法 】文章以吉林省伊通县黑土区为研究区,基于实地采集的213个土壤样本和HyMap-C机载高光谱传感器获取高光谱影像,选择S-G函数和分数阶微分进行光谱预处理,竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling,CARS）提取特征波段建立土壤有机质含量偏最小二乘回归（Partial Least Squares Regression,PLSR）反演模型,并使用蒙特卡洛交叉验证（Monte Carlo Cross-Validation,MCCV）进行异常值识别。【结果 】（1）将分数阶微分用于机载高光谱可以放大光谱特征,阶数越高、特征越明显,低阶分数微分对噪音不敏感;（2） CARS方法能有效压缩光谱信息;全样本建模中0.4阶分数阶微分CARS-PLSR建模表现较优,但总体精度仍然不高;（3）使用MCCV剔除异常值后,0.6阶分数阶微分CARS-PLSR建立的土壤有机质含量反演模型精度最高,训练集和测试集的均方误差分别为0.219%...     

应用近红外光谱检测滇南小耳猪肉化学组分含量

应用近红外漫反射光谱技术(near infrared reflectance spectroscopy, NIRS),对滇南小耳猪整块热鲜肉和热鲜均质肉糜的水分、脂肪、蛋白质含量进行建模研究,并筛选出最优的光谱预处理方法.采集11 000~4 300 cm-1波数范围内111份猪肉样品光谱数据,在多元散射校正(multiplicative scattering correction, MSC)、二阶导数(second derivative)、变量标准化校正(standard normalized variate, SNV) 不同组合方式的光谱预处理基础上,用偏最小二乘法(partial least squares, PLS),采用交互验证(cross validation)方法,对83份猪肉样品进行建模,28份猪肉样品用于模型的验证,建立滇南小耳猪猪肉的水分、粗脂肪、粗蛋白质3个化学组分的近红外预测模型,筛选最佳的光谱预处理方法和主成分数.结果表明:水分采用整块肉光谱进行MSC预处理的建模效果较好,R2为0.975, RMSEC为0.304,RMSEP为1.640;脂肪直接采用肉糜光谱SNV预处理建模效果较好,R2为0.911,且RMSEC为0.409,RMSEP为0.923;光谱对蛋白质的预测肉糜的原始光谱效果较好,R2为0.946,且RMSEC为0.273,RMSEP为1.101.由此可见,近红外光谱分析方法能够很好地检测滇南小耳猪猪肉中的粗脂肪和水分,粗蛋白的检测结果较差.     

土壤有机质高光谱估算模型研究进展

土壤有机质高光谱估算较传统土壤农化分析方法表现出极大优势,顺应了现代农业发展的迫切需要。国内外众多学者先后对土壤有机质高光谱估算模型进行了大量研究,估算模型由简单的一元线性模型逐渐发展为多元线性及非线性模型,常用的建模方法分为线性方法和非线性方法,重点分析了各种方法的适用性。通过总结分析前人研究,发现土壤有机质高光谱估算模型研究存在以下发展趋势:多种建模方法耦合使用增多;建模方法的复杂度逐渐增强;尝试消减外部环境因素对建模的影响;尝试将室内土壤有机质估算模型应用于野外实地研究。     

不同质地土壤的水分特征曲线参数分析

对常用的土壤水分特征曲线模型进行了比选,选取Van Genuchten模型的4个参数进行了拟合计算,得到重壤土、中壤土、轻壤土、紧砂土和粗砂等5种不同质地土壤的水分特征曲线,分析了土壤水分特征曲线及参数的变化规律:粗砂的水分特征曲线变化最陡直,紧砂土、轻壤土、中壤土和重壤土的水分特征曲线变化较平缓;曲线的形状系数n随着粒径变大、物理性粘粒含量的减小而变大;重质粘性土壤α值较小,轻质土α值较大。     

基于近红外光谱技术的茶鲜叶海拔高度判别模型建立

以不同海拔高度的茶鲜叶为研究对象,扫描获取其近红外光谱(NIRS)并筛选特征光谱区间后,分别应用逐步多元线性回归法(SMLR)、主成分回归法(PCR)和联合区间偏最小二乘法(Si-PLS)建立茶鲜叶海拔高度预测模型。结果表明,在5 542.41~6 888.48cm-1区间内,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的SMLR模型预测集相关系数和预测均方差分别为0.800 5和0.486;在4 929.16~6 965.62cm-1区间内,当主成分数为3时,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的PCR模型预测集相关系数和预测均方差分别为0.803 6和0.472;当将光谱划分为18个子区间、因子数为13时,选用[5 8 11 17]4个子区间建立的Si-PLS模型预测集相关系数和预测均方差分别为0.944 3和0.295。经比较,Si-PLS模型预测结果最佳。     

正交设计和均匀设计在优化噻虫胺悬浮剂物理稳定性上的应用

【目的】比较正交和均匀设计两种多因素试验方法在水悬浮剂配方中应用的优缺点,为该方法在农药制剂学领域的应用提供参考。【方法】在采用流点法初筛得到润湿性能良好的润湿分散剂之后,分别采用正交设计和均匀设计制备30%噻虫胺悬浮剂。综合考察润湿分散剂和黏度调节剂对制剂热贮析水率、离心沉淀率、黏度、流动性、分散性、热贮前后样品的粒度分布（D₁₀、D₅₀和D₉₀）和悬浮率的影响。通过主效应图分析正交试验结果,采用逐步回归和偏最小二乘法（PLS）分析均匀试验结果,最后检验优化配方的各项性能。【结果】正交试验和均匀试验的所有样品黏度均在144.50-317.84 mPa·s,均具有良好（良级或优级）的流动性和分散性。由于奥氏熟化作用,样品经热贮后,粒子的粒径轻微增大,D₁₀、D₅₀和D₉₀分别由0.56-1.00、0.88-1.53和1.77-2.68 μm变为0.76-1.02、1.12-1.56和2.07-3.25 μm。所有样品贮前悬浮率均在91.88%-96.39%,经热贮后样品的悬浮率变化不大,分别在91.91%-96.13%,符合悬浮剂质量控制的一般要求,故本研究主要优化了热贮析水率和离心沉淀率两个指标。正交试验分析结果表明,T2700、黄原胶和硅酸镁铝的用量对热贮析水率和离心沉淀率均有显著影响,且均随用量增加而降低,而NR1601的用量对两个因变量的影响不显著。采用正交设计优化的配方,样品黏度为229.6 mPa·s,流动性和分散性良好,热贮前后悬浮率分别为（94.76±0.70）%和（93.50±0.20）%,热贮析水率为（4.23±0.19）%,离心沉淀率也低于10%。均匀设计中,PLS平方项模型对热贮析水率有良好的预测性,热贮析水率为（2.55±0.03）%,离心沉淀率也仅为（4.36±0.21）%,优化样品的黏度为324.16 mPa·s,流动性和分散性良好,热贮前后悬浮率分别为（93.19±0.09）%和（92.77±0.22）%,粒子的粒径小且分布较窄。PLS线性模型对离心沉淀率表现出良好的预测性,优化配方的离心沉淀率为（7.75±0.14）%,热贮析水率为（5.24±0.19）%。逐步回归模型对因变量的预测性均较差,优化配方也并非最优配方,热贮析水率为（9.51±0.20）%,离心沉淀率也高达（16.63±0.19）%。采用双重筛选逐步回归和PLS可以同时优化热贮析水率和离心沉淀率两个因变量,其中前者优化的模型拟合性比后者好,但其优化配方也并非最优配方。【结论】正交设计试验次数较多,但数据分析方法简单易掌握,采用主效应图结合方差分析即可有效地优化30%噻虫胺悬浮剂配方。均匀设计的稳健性差于正交设计,但其试验次数少,可有效降低试验成本,若能掌握其复杂的统计及分析方法,也可以获得理想的优化配方。     

基于数据挖掘技术的高光谱土壤质地分类研究

【目的】寻找红壤地区不同土壤质地类型的Vis-NIR光谱反射规律,通过光谱对土壤质地类别进行快速、准确的预测。【方法】以江西省奉新县北部为研究区,245个土壤样本为研究对象,在国际制土壤质地4组和12级两种分类标准下,首先分析不同土壤质地类型的光谱反射率,然后采用9种数学变换方法和5种机器学习算法相互组合的数据挖掘模型,进行土壤质地的分类研究,最后对建模准确度最高的混淆矩阵和预测结果三角坐标分布图进行分析。【结果】(1)不同土壤质地之间的光谱反射率存在较多的交叉重叠现象,土壤质地与光谱反射率之间的规律较为复杂;(2)分数阶导数变换是整数阶导数的扩展,有助于土壤质地的分类,但原始光谱数据具有更加丰富的特征信息,更适合进行土壤质地分类建模;(3)在对非均衡数据集建模时,集成学习方法和神经网络方法都是不错的选择;(4)较难通过模型去区分土壤质地分界线附近的类别,其中在4组分类标准下最容易被预测错误成黏壤土组,在12级分类标准下最容易被预测错误成黏壤土和壤质黏土这两种土壤质地类型;(5)在4组分类标准中,进行归一化处理和MLP模型组合取得了0.68的最高预测准确度,其中黏壤土组的预测准确度能达...