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。     

不同近红外光谱预处理方法对胡杨叶片含水量检测模型的影响

近红外光谱预处理是胡杨叶片含水量光谱检测的前提,然而样本背景、电噪声和杂散射等会干扰近红外光谱的测量结果。为了避免以上因素对近红外光谱产生的影响,采用连续投影算法(successive ections algorithm,简称SPA)、数据中心化、归一化和标准正态变量变换方法(standard normal variate transformation,简称SNV)对原始光谱数据进行预处理,使用偏最小二乘法(partial least squares,简称PLS)建立胡杨叶片水分含量检测的校正集和预测集模型。结果表明,直接使用原始光谱,利用SPA算法筛选变量数为7个,模型预测精度为0. 971 44,RMSPCV为0. 046 132,相关系数r=0. 674 24,RMSEP=0. 021 434;使用原始光谱+标准正态变量变换方法,利用SPA算法筛选变量数为6个,模型预测精度为0. 976 63,RMSPCV为0. 045 642,相关系数r=0. 774 72,RMSEP=0. 018 24。SNV+SPA预处理方法能够有效地消除噪声和散射,提高模型的预测精度,相关性明显增加,降低数据维数和误差,可用于胡杨叶片水分含量的快速、无损检测,同时对其他作物叶片水分含量光谱预处理检测具有一定的参考意义。     

青砖茶茶汤滋味品质的近红外快速无损评价

在不破坏青砖茶样品的前提下,将近红外光谱技术与标准变量变换、一阶导数、二阶导数光谱等预处理方法和遗传算法相结合,剔除部分噪声信息和精准筛选最佳光谱信息数据点后,应用偏最小二乘法建立青砖茶茶汤品质预测模型。筛选的最佳光谱预处理方法为:标准变量变换+二阶导数,遗传算法筛选得到28个最佳建模光谱数据点;最佳偏最小二乘法模型对验证集样品的预测均方根误差为0.372 6,预测集决定系数为0.975 2;对未知茶汤品质的预测均方根误差为0.392 7,预测集决定系数0.970 2。结果表明,在青砖茶茶汤品质得分(73～93分)范围内,应用近红外光谱技术结合遗传算法和偏最小二乘法实现了对青砖茶茶汤品质的快速、准确评价。     

生姜水分含量的可见-近红外光谱检测

近红外光谱技术具有简便、快速和无损检测等优点,应用可见-近红外光谱方法建立生姜水分含量(moisture content)的预测模型.利用可见-近红外光谱仪采集308个生姜的光谱,其光谱范围是350～1 800 nm.分别采用一阶导数(FD)、二阶导数(SD)、标准正交变量变换(SNV)和多元散射校正(MSC)4种方法对光谱进行预处理,结合偏最小二乘法(PLS),分别在430～1 000 nm、1 000～1 800nm、430～1 800 nm 3个波段建立生姜水分含量的PLS预测模型.对实验结果进行分析表明,在波段范围430～1 800 nm使用一阶导数预处理方法建立的PLS模型最优.其验证组的相关系数为0.975 1,预测组的相关系数为0.959 7.结果表明,可见-近红外光谱可以准确、快速地对生姜的含水量进行检测.     

鸡蛋蛋白pH可见/近红外光谱在线检测信息变量提取研究

利用可见/近红外光谱在线检测鸡蛋品质中的蛋白pH, 采用漫反射方式进行光谱采集.采用反向区间偏最小二乘法(BiPLS)和蒙特卡罗无信息变量消除法(MC-UVE)分别优化鸡蛋蛋白pH可见/近红外光谱的信息区间组合及筛选有效建模变量数.经过最优预处理方法一阶导数对光谱进行预处理校正后,BiPLS方法筛选的区间分隔最优数为25,对应信息区间为598.33~617.55 nm、636.63~655.58 nm、783.25~800.72 nm和852.24~885.82 nm.利用MC-UVE方法筛选出来的最佳建模变量数为250个,BiPLS模型的Rp为0.827和RMSEP值为0.094;MC-UVE-PLS模型的Rp为0.833和RMSEP值为0.086.结果表明利用蒙特卡罗无信息变量消除方法可以有效选择建模变量,既克服了复杂样品各信息区间对PLS建模贡献率不一样的问题,又能提高模型的稳定性和多元校正的预测精度.     

基于分数阶微分的橡胶树割胶期氮素含量定量检测

[目的]检测橡胶树割胶期叶片的实际氮素含量,建立橡胶树叶片光谱诊断模型,为实现橡胶树叶片氮素含量的快速无损检测提供参考依据.[方法]使用FieldSpec 3光谱仪采集割胶期橡胶树叶片的光谱反射率,分别以其原始光谱(R)、倒数光谱(1/R)、对数光谱(logR)和对数倒数光谱(1/logR)作为光谱信息,采用分数阶微分进行处理,获得不同分数阶阶次下的光谱数据,并通过竞争性自适应重加权算法(CARS)选择变量及偏最小二乘回归法(PLSR)建立橡胶树氮素光谱诊断模型.[结果]采用分数阶对橡胶树叶片R、1/R、logR和1/logR建立模型的最优均方根误差(RMSE)分别为0.1376、0.1175、0.1263和0.1505,且使用1/R数据建立的0.6阶模型表现最优,相关系数为0.9273,RMSE为0.1175,决定系数为0.8551.与整数阶算法相比,分数阶模型具有更强的预测能力,表明分数阶能充分挖掘光谱信息的有效信息,有效提高橡胶叶片氮含量光谱诊断模型的预测精度,实现橡胶树叶片氮素含量快速无损检测.[结论]应用近红外光谱技术并结合分数阶微分算法可快速无损检测橡胶树叶片氮素含量,为生产上橡胶树的精准可变量施肥提供技术支持.     

食醋总酸和还原糖含量近红外光谱检测模型的优化研究

【目的】采用近红外光谱(Near-infrared spectroscopy,NIRS)分析技术对食醋中的总酸和还原糖进行快速定量分析,为食醋品质的检测提供技术支持。【方法】用近红外透射光谱法采集食醋的光谱信息,用Savitzky-Go-lay一阶导数和小波导数(Wavelet derivative,WD)对采集到的食醋光谱进行预处理,采用连续投影算法(Successiveprojections algorithm,SPA)的波长筛选方法对食醋的总酸以及还原糖定量分析模型进行优化。【结果】食醋光谱经小波导数预处理和基于SPA的波长优选后,总酸和还原糖含量分析精度得以提高,模型得到简化。总酸的预测均方根误差(Root mean square error of prediction,RMSEP)由0.282降低为0.227,预测相关系数(Correlation coefficientof prediction,Rp)由0.965提高到0.977,建模变量由680个精简为51个;还原糖的RMSEP由0.627降低为0.606,预测相关系数Rp由0.996提高至0.997,建模变量精简为50个。【结论】利用近红外光谱分析技术结合小波导数和SPA分析方法,可用于食醋品质的定量分析,为食醋品质的快速检测提供了一种可行的方法。     

基于高光谱的茶叶含水量检测模型建立与试验研究

采用高光谱技术及图像处理技术、MATLAB等对茶叶进行采样分析,利用Zolix推出的Gaia"盖亚"系列便携式地物高光谱成像仪Gaia Field-V10进行光谱采集,原始光谱数据用spec VIEW光谱软件进行处理,以照片中的白板作为参照,让照片中其余地方能量与之进行对比计算得出反射率。用连续投影算法进行光谱特征提取,选择400～900 nm波段光谱,用多种不同的预处理方法对光谱进行处理,并且测量茶叶的含水量,通过Umscrambler X10. 4完成对原始光谱以及各预处理光谱的回归建模及预测,相关系数为0. 79,表明含水量与反射率间的向光性非常接近强相关性。最后进行回归方程显著性检验,使用MATLAB对原始光谱数据进行特征提取,依据SPA的算法提取所得数据,用SPSS进行回归方程显著性检验,各参数的显著性检验中t的sig值均有效,回归方程成立。因此,可以利用叶片反射光谱来预测的含水量,其中去趋势处理及移动平均平滑+一阶导数微分处理的效果最好。     

基于分数阶微分的葡萄叶片SPAD值高光谱遥感反演研究

【目的】探明高光谱遥感技术反演葡萄叶片叶绿素含量的可能性,构建葡萄叶片叶绿素含量反演模型,为快速且无损估测葡萄长势提供技术参考。【方法】以西南山区成熟期葡萄叶片为研究对象,同步获取冠层叶片高光谱数据和SPAD值,研究不同分数阶(0.0～1.4阶,步长0.2阶)微分光谱反演葡萄叶片SPAD值的能力,构建多个基于特征波段和光谱指数的单因素模型及基于连续投影算法的多因素模型。【结果】不同SPAD值葡萄叶片原始光谱曲线整体一致,在可见光区域反射率较低而在近红外区域反射率高;可见光、近红外区域反射率与SPAD值分别呈反比和正比;随着分数阶上升,特征波段由近红外向红边靠近,光谱指数由近红外与蓝光组合变更为近红外与绿光组合,单因素模型建模变量相关性呈先升后降趋势,在0.6阶达峰值;除0.6与0.8阶外,其余分数阶微分光谱单因素模型建模变量均为DSI;多因素模型优于单因素模型,机器学习算法可提升传统回归模型精度,所有模型以0.6阶下SPA-GA-XGBoost回归模型精度最优,其建模与验证R²分别为0.79和0.75,相应均方根误差(nRMSE)分别为15.54%和14.45%。...     

基于近红外光谱技术的成年橡胶树叶片氮素含量检测

为了快速并无损地检测成年橡胶树叶片的氮素含量,使用近红外光谱检测技术获取叶片的光谱数据,采用多元散射校正(MSC)对光谱数据预处理后,使用SPA(连续投影算法)提取光谱数据的有效波长,PCA(主成分分析法)提取光谱数据主成分,然后分别将提取的光谱数据特征值输入到线性回归模型PLS(偏最小二乘回归)、非线性回归模型BPNN(BP神经网络)和LSSVM(最小二乘支持向量机)中,得到6个现有主流模型:PCA-BPNN、PCA-PLS、PCA-LSSVM、SPA-BPNN、SPA-PLS和SPA-LSSVM。用这6个模型去预测实验样本数据,经比较发现SPA-LSSVM模型对于该组实验样本的预测效果最好,其预测相关系数Rp和预测残差均方根RMSEP分别为0.9253和0.1190。因此对于成年橡胶树氮素含量的光谱快速检测,SPA-LSSVM算法模型的性能更为突出,有较好的应用潜力。     

近红外光谱技术检测灵武长枣果肉硬度和贮藏时间

利用近红外光谱(400～1 000 nm)系统采集140个灵武长枣样本的光谱信息,采用不同方法预处理原始光谱数据,优选出最佳预处理方法。分别建立竞争性自适应加权算法(CARS)和连续投影算法(SPA)提取特征变量的果肉硬度偏最小二乘回归(PLSR)预测模型,并利用原始光谱建立灵武长枣贮藏时间的偏最小二乘判别(PLS-DA)模型。结果表明,去趋势法(Detrend)为最优预处理方法;建立的Detrend-CARS-PLSR模型效果较好,果肉平均硬度校正集和预测集模型相关系数均为0. 868;果肉最大硬度校正集和预测集模型相关系数分别为0. 914、0. 849。建立的贮藏时间PLS-DA判别模型的校正集判别准确率为98%,预测集判别准确率为99%。说明,采用近红外光谱技术对灵武长枣贮藏过程中长枣果肉硬度和贮藏时间的快速预测具有可行性。     

基于高光谱技术的褐土土壤总氮含量的预测

[目的]对土壤营养元素进行准确测量是实施精细农业的基础。[方法]本文以169份山西典型褐土土壤为研究对象,采用高光谱成像技术获取近红外高光谱图像,并提取平均光谱曲线(A)、标准差曲线(S)和方差曲线(V)等统计参数。分别采用以平均光谱曲线(A)、平均光谱曲线的一阶导数(F)、A与F的乘积(A*F)、A与F的商(A/F)为基础的20种光谱预处理方法,结合偏最小二乘(PLS)方法建模,并对验证集进行验证。[结果]结果表明:平均光谱曲线随总氮含量先增加后减小,一阶导数曲线随总氮含量的增加而单调增加。使用一阶导数进行建模,可能能够获得更好的预测效果。建模效果最好的预处理方法为F与S的乘积(F*S),其次为A与F与S的乘积(A*F*S)。这两种预处理方法建立的PLS模型的RPDp在2.0以上,Rp2在0.8以上,可以对褐土土壤的总氮含量进行有效预测。[结论]本文研究结果可为近红外高光谱成像技术应用于褐土土壤其它营养成份的快速预测提供参考。     

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。     

基于可见近红外光谱的不同建模方法对河套蜜瓜糖度检测精度的影响

以126个金红宝河套蜜瓜为研究对象,采用Maya 2000 pro便携式光谱仪获取蜜瓜在400～1 100 nm波段内的可见近红外光谱信息,研究传统建模方法[偏最小二乘法(PLS)、主成分回归(PCR)、逐步多元线性回归(SMLR)]和新型网络算法[误差反传人工神经网络(BP-ANN)、最小二乘支持向量机(LS-SVM)]对糖度模型精度和预测结果的影响。结果表明,在利用传统建模方法建立的蜜瓜糖度模型中,PLS算法所建模型的效果较佳,模型更稳定,尤其在光谱经多元散射校正(MSC)和一阶微分处理后,所建模型的相关系数为0.844,校正均方根偏差为0.844,预测均方根偏差为0.978;在采用新型网络算法建立的模型中,当选择LS-SVM算法,且参数c=0.500 0,g=0.353 55时,经MSC和一阶微分处理后的光谱和糖度的建模和预测结果最好,均方根偏差为0.97。研究结果可为检测河套蜜瓜糖度的可见近红外光谱建模方法的选择提供理论依据。     

特征波长筛选结合PCA-LSSVM 对甜瓜叶片SPAD值的预测

【目的】利用光谱技术对定量估测大田甜瓜冠层叶片叶绿素含量,为田间的水肥调控以及田间管理提供理论依据。【方法】采用一阶求导对400～1 100 nm的叶绿素可见近红外反射光谱数据进行预处理,对于冗余的光谱数据,先分别使用特征筛选中的竞争性自适应重加权采样法(CARS)、遗传算法(GA)、蒙特卡罗无信息变量消除法(MC-UVE),再分别与主成分分析(PCA)特征提取算法融合;分别建立极限学习机(ELM)、支持向量机(SVM)、最小二乘支持向量机(LS-SVM)对甜瓜叶片SPAD定量预测模型。【结果】单一的特征筛选下,最优预测模型为CARS+SVM,校正集相关系数为0.903 5,预测集相关系数为0.893 1;特征筛选和特征提取融合下,最优的预测模型为GA+PCA+LSSVM,校正集相关系数0.955 8,预测集相关系数为0.939 7。【结论】优化后的模型可用于定量分析的使用,精准测定甜瓜叶片叶绿素含量。     

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。     

结合WT预处理的近红外光谱PLS算法预测鲜枣糖度

[目的]研究结合WT预处理的近红外光谱PLS算法模型预测鲜枣糖度的方法。[方法]用S-G、MSC、FD、SD、WT和WT＋MSC 6种预处理法,SMLR、PCR和PLS 3种算法模型,对60个鲜枣样品的近红外光谱数据进行预处理、糖度预测和建模精度分析,建立最佳算法的数学模型。[结果]在鲜枣糖度近红外光谱预处理阶段引进小波变换方法去除导数光谱噪声,得到了很好的去噪效果。不同的小波函数、分解尺度使消噪的结果有所不同。与常见的光谱预处理法相比,在选用db4-3小波函数、默认阈值情况下,采用WT＋MSC预处理及建模算法为PLS时所建立的模型最好,其相关系数R为0.919 02,校正集标准差RMSEC为0.863,预测集标准差RMSEP为1.71。[结论]结合小波变换预处理的PLS算法模型可有效预测鲜枣糖度,改善模型的预测精度。     

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。     

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。     

花生高光谱叶片营养诊断研究

通过控制实验室叶片光谱采集环境,在相同背景下利用光谱分析技术提取花生光谱特征变量,通过统计回归分析方法建立光谱特征变量与花生生化组分含量间的关系,找出一些适于估算花生生化组分含量的敏感波段和特征参数,并评价其估算叶片生化组分含量的潜力。对花生氮磷钾含量光谱诊断的研究结果发现,一阶导数光谱对叶片生化组分含量的估算能力比原始光谱要好,叶片氮磷含量均能够得到较好的预测,无法预测叶片钾含量。