基于PLS-BPNN算法的土壤速效磷高光谱回归预测方法

土壤速效磷是影响作物生长发育的重要养分指标。光谱分析技术对速效磷的定量预测具有较好的应用前景,高光谱带宽窄、分辨率高,但存在数据冗余和共线性等问题。本文针对皖北砂姜黑土145个样本开展研究,提出了利用偏最小二乘回归算法(PLS-R)对土壤可见近红外高光谱数据(400~1 000 nm)进行数据降维和特征提取,根据交叉验证和变量投影重要性分别得到潜在变量和特征波长;再分别输入BP神经网络(BPNN)进行训练,得到回归分析模型对速效磷进行定量预测。结果表明:与利用全部波长数据建模的预测结果(校正集和验证集的相对分析误差M_(RPD)分别为10.27和2.09)相比,利用9个特征波长建立的回归模型校正集M_(RPD)为2.66,预测精度明显降低,而验证集M_(RPD)为2.05,近似达到利用全部波长数据建模的预测效果;利用5个潜在变量建立回归模型,校正集和验证集的M_(RPD)分别为3.10和2.29,其中验证集相对于全部波长建模的预测精度提高了9.6%。因此,基于PLS-BPNN算法进行回归建模可以有效降低高光谱数据冗余和共线性的影响,提高模型的泛化能力,且利用潜在变量进行回归建模能提高模型预测精度。     

冬小麦叶绿素含量高光谱检测技术

以大田冬小麦叶绿素含量为研究对象,首先利用高光谱成像系统以线扫描方式获取其反射光谱图像,选择感兴趣区域(ROI)并计算出光谱平均反射率值;然后分别针对其原始光谱和一阶差分光谱,通过相关分析和逐步回归分析,得到能反映叶绿素含量变化的7个最佳优化波长;进而基于该优化波长采用多元线性回归(MLR)方法组建模型,通过假设检验剔除对模型贡献不显著的3个波长变量.选用剩余的4个波长即710.85、767.42、650和520 nm作为自变量重新建立模型,基于校正集和预测集模型的决定系数R2分别为0.843 4和0.709 3.研究结果表明,利用高光谱技术检测大田冬小麦叶绿素含量的方法是可行的.     

不同粒径处理的土壤全氮含量高光谱特征拟合模型

采集新疆北疆棉田385个自然土壤样本,将筛选出的土壤样品分别过2、1、0. 5、0. 15 mm筛并测定其原始光谱反射率,利用支持向量机(Support vector machine,SVM)、偏最小二乘回归(Partial least squares regression,PLSR)和多元逐步线性回归(Stepwise multiple linear regression,SMLR)方法对土壤原始光谱及其12种光谱变换数据分别构建土壤全氮含量的估测模型,并对模型精度进行检验。结果表明,土壤原始光谱特征在各个波段与全氮含量相关性都较差,不同形式的数据变换均能够提高光谱反射率与全氮含量的相关性,同一种数据变换形式在不同粒径处理中最大相关系数所对应的波段位置差异不大。从不同粒径处理的拟合精度来看,过筛粒径越小对全氮含量的估测精度越高,3种方法的最优拟合模型都是过0. 15 mm筛的处理,其中SVM方法采用(lgR)'变换后,构建模型R2c为0. 898 7,RMSEc为0. 018 1,RPD为2. 704 9,PLSR和SMLR方法均采用R'变换,构建模型的R2c分别为0. 852 0和0. 819 6,RMSEc分别为0. 041 3和0. 043 6,RPD分别为2. 554 9和2. 437 4,3种方法在该过筛处理下均能够很好地估测土壤全氮含量。用未参与建模的样本对3种最优模型进行验证,SVM、PLSR和SMLR模型的检验R2分别为0. 822 9、0. 771 5和0. 705 4,SVM方法优于PLSR和SMLR,模型具有较好的精度和稳定性,从模型的预测误差来看,土壤全氮含量越低其预测误差也越大,在氮素含量较低的情况下无法直接通过光谱反射特征准确反演。     

ATR-FTIR光谱法快速测定农药溶液含量

用衰减全反射傅里叶变换红外光谱技术对26个浓度范围为0.03～6mg/kg的毒死蜱溶液和20个浓度范围为2～20mg/kg的炔螨特溶液进行定量快速检测。其中,两种农药溶液分别随机抽取5个样本作为预测集。采用差谱、基线校正和矢量归一化对光谱数据进行预处理,分别建立了以峰面积和峰高与浓度的定量分析模型,以峰面积建立定量模型的毒死蜱和炔螨特溶液的相关系数分别为0.995 8和0.989 5,RMSEC分别为0.168 5,0.643 2,RMSEP分别为0.196 5,1.125 6;以峰高建立定量模型的毒死蜱和炔螨特溶液的相关系数分别为0.9975,0.987 1,RMSEC分别为0.130 5,0.712 8,RMSEP分别为0.268 6,1.183 1。实验结果表明,衰减全反射傅里叶变换红外光谱技术可用于农药溶液的快速初步测定。     

鲜枣可溶性固形物可见/近红外光谱检测建模方法比较

对采摘于一枣园的180个壶瓶枣样本,随机分成150个样本校正集和30个样本预测集。用FieldSpec3光谱仪采集光谱,并进行多元散射校正(MSC)预处理,之后分别利用连续投影算法(SPA)和逐步回归法(SRA)提取特征波长,并结合光谱理论分析确定,再分别基于偏最小二乘法(PLS)和最小二乘-支持向量机(LS-SVM)建立壶瓶枣可溶性固形物含量预测的简化模型和全波段模型。结果表明,全波段PLS模型预测的相关系数和预测均方根误差分别为0.887 4和1.088 9,预测效果最好;建立的MSC-SPA-PLS模型预测的相关系数和均方根误差分别为0.799 0和1.407 8,建立的MSC-SRA-PLS模型预测的相关系数和均方根误差分别为0.822 4和1.3851,与全波段的MSC-PLS相比,精度均降低;建立的MSC-SPA-LS-SVM模型预测的相关系数和均方根误差分别为0.796 3和1.145 8,与全波段的MSC-LS-SVM相比,精度提高;建立的MSC-SRA-LS-SVM模型预测精度很低,不适用。     

土壤总氮和总磷含量的高光谱遥感预测

用遥感技术监测土壤养分是精准施肥中的一个重要手段。为此,在对118个风干的土壤样本的室内反射光谱进行预处理的基础上,分析了土壤总氮和总磷浓度与预处理后的反射光谱的相关性。分别选用与总氮和总磷浓度具有较强相关性的3个波段(分别是684,724,1 890,2 002nm和2 342,1 092,639,2 262nm),用偏最小二乘方法建立了土壤总氮和总磷含量预测的高光谱分析模型。结果显示,利用预处理的反射光谱建立的土壤总氮与总磷模型的决定系数分别是0.842和0.622,其均方根误差分别是0.132g/kg和0.208g/kg。     

基于高光谱与集成学习的单粒玉米种子水分检测模型

为建立单粒玉米种子水分含量的高精度检测模型,制备了80份不同水分含量的玉米种子样本。针对玉米种胚朝上和种胚朝下分别进行高光谱反射图像采集,每份样本取样100粒,波长范围为968.05～2 575.05 nm。采用PCA快速提取单粒种子光谱,经多元散射校正预处理后,分别采用随机森林(RF)和AdaBoost算法建立单粒种子水分检测模型,并集成两种算法特征提出基于加权策略的改进RF用于单粒种子水分含量建模。利用单粒玉米种子胚朝上的光谱信息建立的改进RF模型训练集相关系数R为0.969,训练集均方根误差(RMSEC)为0.094%,测试集R为0.881,测试集均方根误差(RMSEP)为0.404%;利用单粒玉米种子胚朝下的光谱信息建立的改进RF模型训练集R为0.966,RMSEC为0.100%,测试集R为0.793,RMSEP为0.544%。实验结果表明：改进RF的泛化能力和预测精度明显优于RF和AdaBoost算法;种胚朝上的单粒玉米种子水分含量检测模型优于种胚朝下的模型。高光谱检测技术结合集成学习算法建立的玉米种子水分检测模型预测精度高,稳健性好。     

鲜枣品种和可溶性固形物含量近红外光谱检

采用近红外光谱分析技术无损鉴别鲜枣品种和测定其可溶性固形物含量.对3个不同品种的鲜枣进行光谱分析,各获取30个样本数据.采用平滑法和多元散射校正方法对样本数据进行预处理,再用主成分分析法对光谱数据进行聚类分析并获得各主成分数据.将样本随机分成75个建模样本和15个预测样本,将建模样本的主成分数据作为BP神经网络的输入变量,鲜枣品种和可溶性固形物含量作为输出变量,建立3层人工神经网络鉴别模型,并用该模型对15个预测样本进行预测.结果表明,在阈值设定为±0.17的情况下该模型对预测集样本品种鉴别准确率达到100%,可溶性固形物含量预测值与实测值相对偏差小于10%.     

基于低秩自动编码器及高光谱图像的茶叶品种鉴别

提出一种基于低秩自动编码器及高光谱图像技术的茶叶品种鉴别方法。应用高光谱成像系统采集5个品种的茶叶样本高光谱图像数据,利用ENVI软件确定高光谱图像的感兴趣区域(ROI),并提取茶叶样本在ROI的平均光谱作为该样本的原始光谱数据。由于高光谱信息量大、冗余性强且存在噪声,运用自动编码器和低秩矩阵恢复结合的低秩自动编码器(LR-SAE)对原始光谱数据进行降维,在自动编码器降维基础上加入去噪处理,提取鲁棒判别特征。在此基础上应用支持向量机(SVM)和Softmax分类算法对降维后的茶叶样本高光谱数据分类。通过5折交叉试验验证,LR-SAE-SVM模型的预测集准确率达到99.37%,SAE-SVM模型的预测集准确率为98.82%;LR-SAE-Softmax模型的预测集准确率达99.04%,SAE-Softmax模型的预测集准确率为97.99%。研究结果表明,相较于未进行去噪处理的传统自动编码器,LR-SAE降维之后的分类建模效果有所提升,将其应用于茶叶品种鉴别是可行、高效的。     

土壤中总氮与总磷含量的近红外光谱实时检测方法

以浙江省潮化盐土为研究对象,用近红外光谱分析技术探测土壤氮(N)和磷(P)的含量.从试验田采集6组土样,每组取20个样品,共计120个样品.利用均值法、卷积滤波确定最终光谱数据,然后采用偏最小二乘回归法(PLS)及最小二乘支持向量机(LSSVM)分别建立了土壤总氮和总磷的近红外光谱模型,其中采用PLS所建模型的相关系数分别为0.9454(N)、0.9327(P),预测标准误差分别为0.0321(N)、0.0089(P).采用LSSVM所建模型的预测相关系数分别为0.9503(N)、0.9547(P),预测标准误差为0.0378(N)、0.0101(P).分析结果表明采用近红外分析技术可以预测土壤总氮(N)和总磷(P)的含量.     

基于流形学习算法的柑橘叶片氮含量光谱估测模型

提出了一种基于流形学习算法的柑橘叶片氮含量光谱快速检测方法。分别在萌芽期、稳果期、壮果促梢期和采果期,使用ASD Field Spec 3光谱仪采集了柑橘叶片的反射光谱,并同步采用凯式定氮法测定叶片的氮含量。首先采用正交试验确定各个生长期小波去噪的最佳参数组合,然后分别采用主成分分析、多维尺度变换、局部线性嵌入、等距映射和拉普拉斯特征映射5种流形学习算法对原始光谱和经小波去噪后的光谱数据进行特征提取,将特征数据导入支持向量机回归建立柑橘叶片氮含量预测模型,4个生长期的最佳验证集模型决定系数依次为0.901 4、0.934 4、0.895 4和0.877 9。试验结果表明,这5种流形学习算法都能有效地用于柑橘叶片氮含量预测,为柑橘叶片氮含量快速无损检测、生长态势监测和变量施肥提供了理论依据。     

基于无人机多光谱影像的柑橘冠层叶绿素含量反演

叶绿素是一种反映植物生长水平和健康状况的重要生理生化指标,为快速、无损地大规模获取柑橘冠层的叶绿素含量以精确指导果园管理,利用多旋翼无人机搭载多光谱传感器获取多波段反射率数据,使用多光谱阴影指数对冠层阴影和土壤背景进行剔除,计算得到植被指数与纹理特征,将地面实测的叶绿素含量作为验证,综合对比了全子集回归、偏最小二乘回归和深层神经网络的反演精度以选取最优模型。结果表明,植被指数与叶绿素含量的相关性良好;将仅使用植被指数与仅使用纹理特征的建模结果进行对比,仅使用纹理特征的模型在全子集回归和偏最小二乘回归的反演精度均有明显提升;结合植被指数与纹理特征共同建模后,全子集回归和偏最小二乘回归的反演精度相比仅使用纹理特征的模型均能获得提升;深层神经网络因其良好的非线性拟合能力,获得了最高的反演精度,R²、MAE、RMSE分别为0.665、7.69 mg/m²、9.49 mg/m²,成为本文最优模型。本研究利用无人机多光谱影像反演得到柑橘冠层叶绿素含量,为实现柑橘生长监测提供指导作用。     

基于正则化TSVR的甘蔗收割机切割器入土切割负载压力预测研究

为更准确、快速地对甘蔗收割机切割器入土切割时负载压力的预测,以机车行进速度、土壤含水率、土壤密度、刀盘入土深度以及甘蔗密度为模型输入,基于正则化孪生支持向量回归机(ITSVR)模型,结合基于遗传算法的粒子群优化算法对切割器负载压力进行仿真模拟预测,并将仿真结果与BP神经网络、支持向量回归(TSVR)、极限学习机(ELM...     

基于近红外的小麦植株含水率检测方法

针对小麦植株含水率快速检测需求,提出了一种基于近红外的小麦植株含水率检测方法。利用不同波长近红外感光元件组成的探测器研发了小麦植株含水率无损快速检测装置,利用该检测装置对采集的多组样品进行了测量,通过均值滤波与参考实时校正方法得到了小麦植株的近红外反射强度。基于测量数据,分别采用多元线性回归、多元逐步回归、偏最小二乘以及最小二乘支持向量机建立了含水率检测模型。结果表明,基于最小二乘支持向量机建立的模型效果最优,校正集决定系数R2达到0.9742。利用建立的检测模型对另一批样品进行含水率检测试验,结果表明：小麦植株含水率真实值与预测值的决定系数R2为0.9337,预测集均方根误差均小于等于3.00%。研究结果为小麦植株含水率无损快速检测提供了一种有效的方法与装置,能够满足联合收获机在作业现场对小麦植株含水率快速调整作业参数的需求。     

干旱区绿洲植被高光谱与浅层土壤含水率拟合研究

水资源一直是制约我国西北干旱区农业发展的关键因素。以新疆渭库绿洲为研究区域,选取41个土壤含水率与干旱区绿洲植被实测高光谱样本,以植被指数为桥梁,采用支持向量机回归(SVR)方法,建立干旱区绿洲土壤含水率与植被指数之间的拟合方程模型,并与多元回归(MLSR)、偏最小二乘回归(PLS)2种模型进行对比。实验结果表明:不同模型的精度各异,拟合效果由优到劣为:改进的SVR模型、PLS模型、MLSR模型,其中基于干旱区绿洲实测的植被光谱数据改进的SVR模型对土壤含水率具有较好的拟合效果,通过最优参数的定值与最优测试集的抽取,R2高达0.891 6,RMSE仅为2.004,在干旱区绿洲的土壤含水率拟合中获得比较高的预测精度。而MLSR模型与PLS模型,R~2分别为0.630 0、0.654 9,RMSE分别为3.001与2.749。研究结果表明,因地制宜开展合理的土壤含水率反演模型规则制定是提高干旱区绿洲土壤浅层含水率监测精度的有效手段,也可为干旱区农业作物生长提供更精准的数据积累。     

基于支持向量机的有机肥总养分含量NIRS分析

以我国22个省市的120份畜禽粪便为原料的有机肥产品样品为研究对象,利用近红外漫反射光谱法与支持向量机相结合建立了有机肥产品中总养分含量的快速测定模型,并与偏最小二乘法所建模型作了比较.利用偏最小二乘回归法所建立的基于原始样品和干燥粉碎样品的总养分含量近红外模型验证决定系数R_v~2、预测标准差SEP和验证相对分析误差RPD分别为0.96、7.95 g/kg、2.47和0.93、8.02 g/kg、3.58.利用支持向量机回归法所建立的干燥粉碎样品中总养分含量的近红外模型验证决定系数R_v~2、预测标准差SEP和验证相对分析误差RPD分别为0.93、7.38 g/kg和3.88.结果表明,近红外漫反射光谱法可以快速测定畜禽粪便为原料的有机肥产品中总养分含量,与偏最小二乘法相比,支持向量机所建模型具有更高的预测精度.     

基于landsat卫星影像的水库水体总磷质量浓度反演研究

以清河水库为研究区域,利用Landsat8卫星OLI数据及实地观测数据,建立了适于清河水库水体总磷质量浓度的最小二乘支持向量机(LS-SVM)遥感反演模型,并对清河水库总磷量进行了反演分析。结果表明,LS-SVM模型的平均相对误差为6.06%,相比于单波段线性回归反演模型及波段组合线性回归模型,平均误差分别降低了20.77%、12.53%,显著提高了清河水库水体总磷质量浓度反演的模型精度,达到遥感反演预测精度要求;利用LSSVM反演模型对清河水库总磷量反演显示,水体中总磷质量浓度主要集中在0.04~0.08 mg/L,水库水体总磷质量浓度总体偏高。     

基于PCA_SVR的油菜氮素光谱特征定量分析模型

研究了采用光谱分析技术对油菜植株全氮进行定量分析的方法.采用逐步回归法对氮素的光谱特征波长进行选择,为克服光谱变量间多重共线性的影响,对变量进行了主成分分析(PCA),为提高模型的拟合优度,应用支持向量机回归(SVR)建立油菜氮素的定量分析模型.对不同氮素水平的油菜冠层光谱数据进行分析,结果表明,406、460、556、634、662、675nm的光谱反射率与油菜含氮量呈极显著相关.植株全氮SVR模型预测值与实测值的相关系数为0.89,模型的检验误差(RMSE)为2.51.     

基于无人机高光谱影像的水稻叶片磷素含量估算

为快速获取水稻叶片磷素含量信息,采用无人机搭载高光谱成像仪获取水稻冠层高光谱影像,并采样检测叶片磷素含量（质量分数）（Leaf phosphorus content, LPC）。分析了水稻LPC在无人机高光谱影像上的光谱特征,使用连续投影算法提取对磷素敏感的特征波长,通过任意波段组合构建并筛选与磷素高度相关的光谱指数,基于特征波长反射率和光谱指数建立水稻LPC的估算模型,利用最佳模型对高光谱影像进行反演填图,得到LPC空间分布信息。结果表明：全生育期内LPC与462~718 nm范围内光谱反射率显著负相关,负相关最大处相关系数达到-0.902;LPC的特征波长为670、706、722、846 nm,基于特征波长、使用偏最小二乘回归建立的LPC估算模型精度最高,验证R2达到0.925,RMSE为0.027%;在任意波段组合构建的3种类型的光谱指数中,NDSI(R498,R606)、RSI(R498,R606)和DSI(R498,R586)与LPC的相关性最高,相关系数分别为0.913、0.915和0.938;基于3个光谱指数、使用神经网络构建的LPC估算模型精度较高,验证R2为0.885,RMSE为0.029%;对各生育期水稻LPC空间分布的反演结果与实测数据相一致,说明利用无人机高光谱遥感可以实现田间水稻LPC的快速无损监测。     

基于反射光谱的苹果叶片叶绿素和含水率预测模型

为探索苹果叶片叶绿素含量(质量比)、叶片含水率与反射光谱之间的关系,以华北地区苹果树为研究对象,分别测定了各个关键生长期苹果叶片的光谱反射率、叶绿素含量和叶片含水率。分析光谱反射率与叶绿素含量以及叶片含水率之间相关性发现,在不同生长时期,苹果叶片叶绿素a含量与反射光谱在515~590 nm和688~715 nm两组波段内具有较高的相关性,且果实成熟期数据显示相关度最高(R2=0.6)。在420~500 nm、640~680 nm、740~860 nm 3个波段叶片含水率与反射光谱有较高的相关性,且果实膨大期的叶片含水率在可见光波段的相关系数最大。根据所选敏感波段,分别利用多元线性回归、主成分分析和人工神经元网络建立基于反射光谱的苹果叶片不同生长时期叶绿素和含水率的预测模型。通过对所建立的预测模型进行校验,结果显示,利用主成分分析方法所建立的苹果叶片叶绿素含量预测模型的决定系数最高(R2=0.885 2),校验系数为0.828 9。该模型可以较为准确地预测苹果叶片叶绿素含量。而采用神经元网络所建立苹果叶片含水率预测模型的决定系数R2=0.862,校验系数为0.8375,预测效果最好。