基于EPO算法去除水分影响的土壤有机质高光谱估算

野外进行土壤有机质的光谱快速预测时需考虑土壤含水量的影响。在室内设计人工加湿实验分别获取9个土壤含水量梯度(0~32%,间隔4%)的土壤光谱数据,分析土壤含水量变化对光谱的影响,再利用外部参数正交化法(external parameter orthogonalization,EPO)进行湿土光谱校正,并结合偏最小二乘回归和支持向量机回归分别建立土壤有机质预测模型。结果表明,土壤光谱反射率随着土壤含水量的增加呈非线性降低趋势,偏最小二乘回归模型的预测偏差比为1.16,模型不可用;经EPO算法校正后,各土壤含水量梯度之间的光谱差异性降低,能实现土壤有机质在不同土壤含水量梯度的有效估算,偏最小二乘回归和支持向量机回归模型的预测偏差比分别提高至1.76和2.15。研究结果可为田间快速预测土壤有机质提供必要参考。     

柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。     

基于LS-SVM的草莓固酸比和可滴定酸近红外光谱定量模型

为提高草莓固酸比和可滴定酸近红外光谱定量模型的性能,该文采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机模型的输入变量,建立了两指标的近红外定量模型,并与偏最小二乘模型结果进行了比较,建模所使用的光谱范围为6000～12500 cm-1。结果表明,草莓可滴定酸和固酸比偏最小二乘模型校正相关系数、校正和预测均方根误差分别为0.430、0.096%、0.096%及0.688、0.926和1.190,而两指标的前10个潜在变量得分作为输入变量的最小二乘—支持向量机模型各项性能均远优于偏最小二乘模型,其校正和预测相关系数、校正和预测均方根误差以及剩余预测偏差分别为：可滴定酸0.965、0.967、0.028%、0.027%、3.881;固酸比0.980、0.973、0.258、0.373、3.111。研究表明,潜在变量作为最小二乘支持向量机模型的输入变量可在较大程度上改善草莓可滴定酸和固酸比指标近红外定量模型的预测性能和稳定性。     

基于中红外漫反射光谱法预测黄土碳酸钙含量

以黄土高原侵蚀严重的丘陵沟壑区7个小流域126个土壤样品和108个沉积泥沙样品为对象,分析了土壤的基本属性及其中红外漫反射光谱特征,将中红外漫反射光谱技术与化学计量法相结合,采用不同的光谱预处理方法,分别利用偏最小二乘回归法、主成分回归法和支持向量机回归法建立土壤碳酸钙的光谱估算模型,并对模型进行验证。结果显示:土壤光谱变量与碳酸钙含量的关系更接近线性相关,偏最小二乘回归法和主成分回归法要优于支持向量机回归法,其中PLSR(SG-Der1st)模型为最优,对土壤(决定系数R~2=0.948,相对分析误差RPD=4.426)和沉积泥沙(决定系数R~2=0.875,相对分析误差RPD=2.841)均能准确预测其碳酸钙含量。研究结果表明,基于中红外漫反射光谱的碳酸钙含量估算模型能准确定量土壤及沉积泥沙碳酸钙含量,实现了对黄土高原小流域土壤碳酸钙的快速无损测量。     

基于高光谱的柑橘叶片钾含量快速诊断模型

及时准确地监测柑橘树体钾营养状况,有助于科学施肥,提高柑橘果实的品质和产量。试验对采集的W·默科特叶片钾含量及叶片光谱信息进行相关性分析,利用主成分分析和连续投影算法进行降维处理,同时结合偏最小二乘回归和最小二乘支持向量机回归分别建立了叶片钾含量预测模型。结果显示,柑橘叶片钾含量特征波长主要集中在450～600 nm、700 nm左右、980～1030 nm区域;最小二乘支持向量机回归模型的预测效果明显优于偏最小二乘回归模型,预测集相关系数达0.91。结果表明,利用高光谱成像技术结合最小二乘支持向量机回归可实现对柑橘叶片钾含量的快速诊断。     

基于高光谱的复垦农田土壤有机质含量估测

为了快速准确估算矿区复垦土地土壤有机质含量,以永城矿区复垦农田为例,在土样有机质含量测定和高光谱数据测量的基础上,对土壤高光谱数据进行多种预处理并与有机质实测含量进行相关性分析,利用相关系数进行P=0.01水平显著检验,确定敏感波段,建立一元线性回归、多元逐步回归和偏最小二乘回归等多种有机质含量与高光谱估测模型。结果表明:经过数学变换的土壤光谱反射率与土壤有机质含量相关性显著提高,复垦区土壤光谱经过多元散射校正和一元微分处理并利用偏最小二乘回归模型建模预测效果最好。当前较少有研究对矿区复垦农田土壤有机质进行高光谱估测,本研究成果可为有效利用高光谱遥感技术,快速、有效地测定复垦农田土壤有机质含量提供技术支撑。     

基于近红外光声光谱的土壤有机质含量定量建模方法

该研究的目的在于应用近红外光声光谱技术结合不同的定量分析方法实现5种不同类型土壤有机质含量的快速估测。对中国中、东部地区5种不同类型土壤风干样本进行光谱扫描,经过多元散射校正、一阶导数、二阶导数及平滑等预处理后,应用逐步多元回归(SMLR)、主成分分析(PCR)、偏最小二乘法(PLS)和偏最小二乘法-反向传播神经网络(PLS-BPNN)等方法建立土壤有机质含量的定量估测模型。结果显示,不同预处理方法对所建土壤有机质含量估测模型的预测精度有较大影响,总体表现为多元散射校正+Norris一阶导数>多元散射校正>Norris一阶导数>标准正态化>Norris二阶导数>吸光度>Savitzky-Golay平滑后一阶导数>Savitzky-Golay平滑后二阶导数。对于4种不同建模方法,均以多元散射校正+Norris一阶导数滤波平滑后的光谱建模精度最高,其中采用PLS-BPNN方法建模效果最好,其次是PLS、SMLR和PCR。采用PLS-BPNN建立有机质校正模型具有极高的预测精度,建模决定系数和均方根偏差分别为0.97和1.88,模型测试决定系数和均方根偏差分别为0.97和1.72。因此,基于多元散射校正+Norris一阶导数光谱建立的PLS-BPNN模型可能是土壤有机质含量估测建模的最优方法。     

近红外光谱快速检测马铃薯全粉还原糖

还原糖含量是评价马铃薯全粉品质的重要指标之一,该文研究基于近红外光谱技术结合最小二乘支持向量机（least squares support vector machine,LSSVM）算法的马铃薯全粉还原糖含量非线性数学模型。采用移动窗口偏最小二乘法（moving windows partial least square,MWPLS）和连续投影算法（successive projections algorithm,SPA）组合方法筛选出20个特征变量,作为LSSVM的输入向量。优化径向基函数（radial basis function,RBF）的惩罚因子和核参数,训练LSSVM校正模型。经比较,LSSVM校正模型预测结果最优,预测相关系数为0.984,预测标准差为0.223%,相对分析误差（standard deviation ratio,SDR）为5.62。结果表明：近红外光谱结合LSSVM算法提高了马铃薯全粉还原糖含量的预测精度。     

基于多光谱成像技术的大麦赤霉病识别

该文提出了一种根据大麦多光谱图像实时识别大麦赤霉病害的方法。首先利用阈值分割以及形态学的处理算法去除大麦穗图像背景和麦芒干扰信息;其次从预处理后的多光谱图像中提取图像的颜色统计特征;最后将这些颜色统计特征数据经过预处理后应用偏最小二乘法（principal component analysis, PLS）进行模式特征分析,经过交互验证法判别选取最佳的主成分数,输入到最小二乘-支持向量机模型(least square-support vector machine, LS-SVM),建立病害识别模型。经过比较发现多元散射校正处理后,最佳主成分为1的最小二乘支持向量机模型对病害的识别准确率最高,达到93.9%。表明利用多光谱成像信息可对大麦赤霉病进行准确识别,为植物病害监测与防治提供了一条新方法。     

北京典型耕作土壤养分的近红外光谱分析

为研究土壤养分含量分布信息,以从北京郊区一块试验田采集的72个土壤样品为试验材料,应用傅里叶变换近红外光谱技术分析了土样的全氮、全钾、有机质养分含量和pH值。采用偏最小二乘法(PLS)对光谱数据与土壤养分实测值进行回归分析,建立预测模型,以模型决定系数(R2)、校正标准差(RMSECV)、预测标准差(RMSEP)和相对分析误差(RPD)作为模型精度的评价指标。结果表明,利用该模型与光谱数据对土壤全氮、全钾、有机质养分含量和pH值进行预测,结果与实测数据具有较好的一致性,最高决定系数R2达到0.9544。偏最小二乘回归方法建立的养分预测模型能准确地对北京地区褐土土质全氮、有机质、全钾和pH值4种养分进行预测。     

辽宁省黄土状母质发育土壤有机质含量高光谱预测模型的构建

  目的  建立辽宁省黄土状母质发育土壤有机质含量的高光谱预测模型,以便快速获取土壤样品的有机质含量。  方法  对省域内黄土状母质发育土壤进行了样品采集,获取样品有机质含量和高光谱数据;选择原始光谱及其一阶微分、二阶微分、倒数对数、倒数对数一阶微分、倒数对数二阶微分6种光谱变换数据作为自变量,与土壤有机质含量进行相关分析,选取特征波段,分别建立多元逐步线性回归（SMLR）、偏最小二乘回归（PLSR）和主成分回归（PCR）3种土壤有机质高光谱线性预测模型,并进行了支持向量机（SVM）方法的非线性模型拟合。  结果  土壤有机质含量与其光谱反射率呈负相关关系,对光谱进行不同的数学变换,可以提高土壤有机质含量与光谱反射率的相关性,其中一阶微分和二阶微分的提升效果最佳;相同光谱数据在不同模型中建模精度存在显著差异,以原始光谱反射率一阶微分为自变量的PLSR模型精度最高,建模集和验证集的决定系数（R2）分别为0.958和0.976;3种线性方法建立的最佳预测模型的检验精度为:PLSR > SMLR > PCR。  结论  PLSR模型是辽宁省黄土状母质发育土壤有机质含量的最佳高光谱预测模型,且基于特征波段的建模效果优于全波段;SVM非线性模型的预测精度较低。     

基于高光谱的三江源区土壤有机质含量反演

土壤有机质(SOM)是指土壤中各种含碳有机化合物的总称,其动态变化不仅影响农业生态系统的稳定,而且与大气圈和生物圈的碳循环密切相关,对土壤有机碳的大规模快速监测和碳储量核算具有重要意义.本研究于2017年、2018年7月在三江源区野外采集了145个土壤样品,检测了土壤光谱信息.然后将原始光谱反射率数据及其不同数据变换形...     

Use of visible and near infrared spectroscopy and least squares-support vector machine to determine soluble solids content and pH of cola beverage

Visible and near infrared (VIS/NIR) transmission spectroscopy and chemometric methods were utilized for the fast determination of soluble solids content (SSC) and pH of cola beverage. A total of 180 samples were used for the calibration set, whereas 60 samples were used for the validation set. Some preprocessing methods were applied before developing the calibration models. Several PLS factors, extracted by partial least squares (PLS) analysis, were used as the inputs of least squares-support vector machine (LS-SVM) model according to their accumulative reliabilities. The correlation coefficient (r), root mean square error of prediction (rmsEP), bias, and RPD were 0.959, 1.136, -0.185, and 3.5 for SSC, whereas 0.973, 0.053, 0.017, and 4.1 for pH, respectively. An excellent prediction precision was achieved by LS-SVM compared with PLS. The results indicated that VIS/NIR spectroscopy combined with LS-SVM could be applied as a rapid and alternative way for the fast determination of SSC and pH of cola beverage.     

黄河三角洲土壤有机质含量的高光谱反演

【目的】土壤有机质(SOM)具有改良土壤结构、 促进团粒结构形成、 增加土壤疏松性、 改善土壤通气性和透水性以及促进植物生长发育的作用。传统测定土壤有机质的方法,虽然精度高,但是实时性差。本文通过对土壤高光谱数据进行变换和分析,筛选出与土壤有机质含量相关性高的敏感波长,构建能够实时、 快速反演黄河三角洲土壤有机质含量的数学统计模型。【方法】60个土壤样品采于黄河三角州。利用ASD Fieldspec3光谱仪,在室内环境下对黄河三角洲不同有机质含量的风干土壤样本进行了光谱测量,利用化学方法测定了土壤的有机质含量。在对土壤样品高光谱反射率进行去包络线处理的基础上,与土壤有机质含量进行相关分析,筛选敏感波长;运用主成分回归分析、 多元线性回归分析、 二次多项式逐步回归分析和支持向量机回归分析方法,分别建立了有机质含量的反演模型。【结果】确定了估测土壤有机质含量的敏感波长,建立了能够快速反演黄河三角洲土壤有机质含量的数学统计模型。从土壤光谱反射率曲线可以看出在1400 nm、 1900 nm和2200 nm等波段附近有十分明显的水分吸收谷。经对比相关性可以看出,去包络线的数据处理方法明显提高了光谱反射率与土壤有机质之间的相关性。1278 nm、 1307 nm、 1314 nm、 1322 nm、 1328 nm、 1334 nm、 1343 nm 7个相关性较高的波长作为估测土壤有机质含量的敏感波长。基于主成分回归分析、 多元线性回归分析、 二次多项式逐步回归分析和支持向量机回归分析方法,分别构建了反演有机质含量的模型。其中,二次多项式逐步回归模型校正集的决定系数达到了0.865,验证集的决定系数最大,达到了0.837,为黄河三角洲土壤有机质含量的最佳反演模型。【结论】去包络线的数据处理方法可提高光谱反射率与土壤有机质之间的相关性,确定的1278 nm、 1307 nm、 1314 nm、 1322 nm、 1328 nm、 1334 nm、 1343 nm 7个波长是估测黄河三角洲土壤有机质含量的敏感波长。由于二次多项式逐步回归模型校证集的决定系数最高、 均方根误差最小,其拟合效果最好。因此二次多项式逐步回归模型对反演黄河三角洲土壤有机质含量是最佳的。     

滩涂土壤有机质含量的反射光谱估算

Rapid determination of soil organic matter (SOM) using regression models based on soil reflectance spectral data serves an important function in precision agriculture. “deviation of arch”(DOA)-based regression and partial least squares regression (PLSR) are two popular modeling approaches to predict SOM. However, few studies have explored the accuracy of the DOA-based regression and PLSR models. Therefore, the DOA-based regression and PLSR were applied to the visible near-infrared (VNIR) spectra to estimate SOM content in the case of various dataset divisions. A two-fold cross-validation scheme was adopted and repeated 10 000 times for rigorous evaluation of the DOA-based models in comparison with the widely used PLSR model. Soil samples were collected for SOM analysis in the coastal area of northern Jiangsu Province, China. The results indicated that both modelling methods provided reasonable estimates of SOM, with PLSR outperforming DOA-based regression in general. However, the performance of PLSR for the validation dataset decreased more noticeably. Among the four DOA-based models, the linear model of the DOA provided the best estimation of SOM and a cutoff of SOM content (19.76 g kg^-1), and the performance for calibration and validation datasets was consistent. As the SOM content exceeded 19.76 g kg^-1, SOM became more effective in masking the spectral features of other soil properties to a certain extent. This work confirmed that reflectance spectroscopy combined with PLSR could serve as a non-destructive and cost-efficient way for rapid determination of SOM when hyperspectral data were available. The DOA-based model, which requires only 3 bands in the visible spectra, also provided SOM estimation with acceptable accuracy.     

基于近红外光谱和支持向量机的土壤参数预测

应用支持向量机算法对实时土壤光谱数据进行处理,获得了土壤全氮和有机质的回归模型并研究了模型随参数变化的规律。从中国农业大学试验田采集了150个土样,用光谱仪获取了原始土壤样本的近红外光谱,用实验室分析法获取了各样本的全氮和有机质含量。以近红外光谱数据为自变量对2个土壤参数进行了回归建模并评价了算法各参数对模型的影响。研究表明土壤参数适合于全谱支持向量回归。对于土壤全氮,基于小波降噪NIR光谱的SVM回归模型的标定R2为0.9224,验证R2为0.3667;对于土壤有机质,基于原始NIR光谱的SVM回归模型     

Spectroscopy-Based Soil Organic Matter Estimation in Brown Forest Soil Areas of the Shandong Peninsula, China

Soil organic matter (SOM) is important for plant growth and production. Conventional analyses of SOM are expensive and time consuming. Hyperspectral remote sensing is an alternative approach for SOM estimation. In this study, the diffuse reflectance spectra of soil samples from Qixia City, the Shandong Peninsula, China, were measured with an ASD FieldSpec 3 portable object spectrometer (Analytical Spectral Devices Inc., Boulder, USA). Raw spectral reflectance data were transformed using four methods:nine points weighted moving average (NWMA), NWMA with first derivative (NWMA + FD), NWMA with standard normal variate (NWMA + SNV), and NWMA with min-max standardization (NWMA + MS). These data were analyzed and correlated with SOM content. The evaluation model was established using support vector machine regression (SVM) with sensitive wavelengths. The results showed that NWMA + FD was the best of the four pretreatment methods. The sensitive wavelengths based on NWMA + FD were 917, 991, 1 007, 1 996, and 2 267 nm. The SVM model established with the above-mentioned five sensitive wavelengths was significant (R²=0.875, root mean square error (RMSE)=0.107 g kg^-1 for calibration set; R²=0.853, RMSE=0.097 g kg^-1 for validation set). The results indicate that hyperspectral remote sensing can quickly and accurately predict SOM content in the brown forest soil areas of the Shandong Peninsula. This is a novel approach for rapid monitoring and accurate diagnosis of brown forest soil nutrients.     

近红外光谱快速检测食用油必需脂肪酸

为了建立食用油必需脂肪酸快速检测的方法,该研究提出了基于近红外光谱技术检测食用油中α-亚麻酸和亚油酸含量的快速测定方法。对光谱信息分别采用偏最小二乘回归方法(PLS)和最小二乘支持向量机(LS-SVM)建立模型。比较了多种光谱预处理方法对模型预测能力的影响。结果表明对于亚油酸含量的预测,采用Savitzky-Golay平滑法结合多元散射校正(MSC)的光谱预处理所建立的LS-SVM模型最优。预测集的决定系数(R2)、预测均方根误差(RMSEP)和剩余预测偏差(RPD)分别达到了0.989,0.0161和9.4783。对于α-亚麻酸含量的预测,采用Savitzky-Golay平滑法结合标准正态变换(SNV)的光谱预处理所建立的LS-SVM模型最优。α-亚麻酸含量预测结果的R2、RMSEP和RPD为0.972,0.0036和6.0561,据此表明,应用近红外光谱技术能够检测食用油中α-亚麻酸和亚油酸的含量,为快速检测食用油的必需脂肪酸提供了参考。