基于光谱技术的土壤养分快速测试方法研究

应用近红外光谱和中红外光谱对浙江省衢州红壤和海宁青紫泥2种典型土壤的氮(N)、磷(P)和钾(K)等养分进行快速测试;试验共采集80个样本,其中60个用于建模,20个用于预测;在获取光谱信息的基础上,分别采用偏最小二乘-支持向量机(PLS-LS-SVM)和偏最小二乘-人工神经网络(PLS-BP/ANN)2种方法进行建模.结果表明:2种模型的预测结果均比较理想,在小样本的学习预测上,PLS-LS-SVM比PLS-BP/ANN更精确一些;近红外光谱和中红外光谱2个波段对N含量的预测效果均较好,PLS-LS-SVM模型的预测相关系数分别为0.876和0.867;中红外波段对P和K的预测效果更好,PLS-LS-SVM模型的预测相关系数分别为0.938(P)和0.803(K).这为土壤养分的快速测试提供了一种新方法.     

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.     

基于PCR和PLS的沙棘汁品种近红外光谱研究

建立可见-近红外漫反射光谱与沙棘汁品种之间的数学模型,以评价可见-近红外漫反射光谱技术快速检测沙棘汁品种。采用美国ASD公司的FieldSpec3光谱仪对三种不同品种的沙棘汁进行光谱分析,各获取30个样本的光谱数据,对原始光谱进行一阶微分和二阶微分预处理,并利用偏最小二乘法(PLS)数学校正方法对三种不同预处理的光谱数据建模。结果表明,采用二阶微分预处理数据,应用PLS方法建模较好,其校正模型相关系数为0.9992,均方根误差为0.0317;采用主成分回归(PCR)和偏最小二乘法(PLS),对沙棘汁的二阶微分数据进行分析比较,结果也表明,基于二阶微分数据,应用PLS方法建模较为理想,其预测集的相关系数为0.9988,所测预测样本的均方根误差为0.0392。近红外光谱可作为一种快速、有效的无损检测方法来识别沙棘汁的品种。     

长波近红外光谱在土壤总氮分析与稳定性中的应用

[目的]通过定标集、预测集、检验集的建模过程,采用偏最小二乘(PLS)方法结合波段选择建立土壤总氮快速分析的近红外(NIR)光谱模型。[方法]为了避免模型评价失真,基于随机性、相似性和稳定性,提出一种严谨的建模体系。将全谱扫描区(400～2 498nm)分成可见区(400～780 nm)、短波近红外区(780～1 100 nm)和长波近红外区(1 100～2 498 nm)。[结果]经过比较、检验,结果表明长波近红外达到了最好的模型效果和稳定性,最优PLS因子数为8,检验的预测均方根误差(V-SEP)和预测相关系数(V-RP)分别为0.118 g/kg和0.857,得到客观、稳定的预测模型。     

基于田间原位土壤含水量估测的可见/近红外光谱建模方法

为实时、准确地获取原位土壤含水量信息,利用可见/近红外光谱技术,分别使用全局偏最小二乘(PLS)建模、局部PLS建模方法,对田间原位土壤含水量进行快速估测。结果表明:全局PLS模型中,其建模集的决定系数(R~2)、交叉验证均方根误差(RMSECV)分别为0.943和1.750%,检验集的决定系数(R~2)、预测均方根误差(RMSEP)分别为0.956和1.260%。局部PLS模型中,分别比较了选取定标子集的2种方法(欧氏距离法和马氏距离法),采用欧氏距离法和马氏距离法选取定标子集进行建模的R~2值分别为0.974和0.979,RMSEP值分别为0.976%和0.943%。因此,将可见/近红外光谱技术应用到田间原位含水量测量是可行的,其中,使用局部建模方法的效果优于全局建模。     

基于可见/近红外漫反射光谱的土壤有机质含量估算方法研究

为研究不同土壤颗粒粒径对可见/近红外光谱分析技术在土壤有机质含量快速检测应用中的影响,获取粒径为0.169～2 mm和＜0.169 mm的2种土壤样本(各53个)的可见/近红外光谱(325～1075 nm),分别建立各自的主成分-反向传播神经网络(PCA-BPNN)、最小二乘-支持向量机(LS-SVM)和偏最小二乘法(PLS)土壤有机质含量检测模型.结果表明:当土壤粒径为0.169～2 mm时,所建立模型的土壤有机质含量预测相关系数r均在0.84以上,且预测均方根误差(RMSEP)都在0.20以下;而当土壤粒径＜0.169 mm时,所建立模型的预测相关系数r均不超过0.71.而RMSEP都在0.23以上;对于相同粒径的土壤,PLS模型对土壤有机质含量的预测效果优于LS-SVM和PCA-BPNN模型.说明不同土壤颗粒粒径会显著影响可见/近红外光谱对于土壤有机质含量的预测结果.     

基于时间序列神经网络的山核桃化学成分分析

利用果实化学成分含量与光谱的非线性模型,实现果实化学成分含量的快速无损鉴定,成为林业研究的热点之一。果实在生长发育过程中,化学成分的含量随时间的递增而不断增加,常规方法不能较好拟合和预测果实化学成分含量的变化。本研究提出一种基于时间梯度的神经网络方法(TSNN),以6个时间梯度山核桃果实蛋白质和脂肪含量的光谱和实测数据为研究对象,分别与偏最小二乘法(PLS)和人工神经网络(PLS-ANN)方法比较,检验TSNN方法的建模和预测效果。结果表明:TSNN方法对蛋白质含量的预测,均方根误差分别比PLS和PLS-ANN方法降低了18.82%和7.39%;TSNN方法对脂肪含量的预测,均方根误差分别比PLS和PLS-ANN方法降低了39.95%和35.02%。TSNN方法的校正相关系数平方(R_c~2)和预测相关系数平方(R_p~2)比PLS和PLS-ANN均有提升。因此,TSNN方法是一种比较准确实用的定量分析方法。     

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。     

近红外光谱法无损检测番茄可溶性固形物含量的研究

应用近红外漫反射光谱技术对番茄可溶性固形物含量进行了非破坏性检测分析,比较了10种不同的光谱预处理方法对偏最小二乘法(PLS)模型的影响.结果表明,常数偏移消除是适合建立近红外光谱法无损检测番茄可溶性固形物含量PLS模型的最优光谱预处理方法,最能反映番茄可溶性固形物含量信息的光谱波段为11998.9-5449.8cm-1和4601.3～4246.5 cm-1.用偏最小二乘法建立的定量分析模型,其预测值和实测值的相关系数为0.954,校正标准差为0.321%,预测标准差为0.475%.近红外漫反射光谱法可非破坏性分析番茄中可溶性固形物的含量.     

近红外光谱技术建立镜鲤新鲜度定量预测模型

以镜鲤为研究对象,利用近红外光谱技术和化学计量法采集、测定相关指标,并应用偏最小二乘法(PLS)、偏最小二乘法和BP人工神经网络两种方法经比较优化模型。经过鱼肉样品光谱的扫描及pH值、TVB-N(挥发性盐基氮)值、TBA(硫代巴比妥酸)值的测定,在21种预处理下,确定最佳建模方式、预处理方式和最优波段。经模型优化得知,pH、TVB-N、TBA均在偏最小二乘法中建立的模型最好,最优预处理方法分别为基线校正和标准正态变量变换、净分析信号、Savitzky-Golay导数和基线校正,最优波段分别为1 000~1 300 nm和1 700~1 799 nm、1 000~1 200 nm和1 300~1 650 nm、1 000~1 799 nm,并且pH、TVB-N和TBA的Rc分别为0.9906、0.99865、0.99971,Rp分别为0.6436、0.021357、0.7723,达到了利用近红外光谱技术对镜鲤新鲜度高效、快捷、无损伤的定量检测预测模型的建立。