基于光谱指数的胡杨叶片氮含量估算

为获取胡杨叶片光谱反射率及氮含量的实测值,采用Savitzky-Golay滤波器及小波变换对原始光谱曲线进行前处理,然后自由组合构建归一化光谱指数(NDSI)、差值光谱指数(DSI)和比值光谱指数(RSI)变量,优选出最佳的光谱指数组合作为模型输入量,构建估测胡杨叶片氮含量的反向传播神经网络(BPNN)模型和偏最小二乘回归(PLSR)模型。结果表明,基于Savitzky-Golay平滑数据构建的光谱指数,建立的BPNN模型和PLSR模型的决定系数(R²)分别为0.879、0.722,验证集的R²分别为0.838、0.739;基于小波变换数据构建光谱指数,建立的BPNN模型和PLSR模型的R²分别为0.887、0.615,验证集的R²分别为0.866、0.607。对比可知BPNN模型在预测能力、估算精度和稳定性上都优于PLSR模型,而以小波变换数据构建的3种光谱指数组合作为输入量建立的BPNN模型在估测胡杨氮含量上具有优势,可为胡杨的健康监测提供参考依据。     

蒙古栎抗弯弹性模量多模型共识的近红外检测方法

利用近红外光谱技术预测蒙古栎(Quercus mongolica)抗弯弹性模量(MOE),提出GN(global and neigh-borhood)样本优选与CPLS多模型共识的建模方法。选取近红外光谱谱段为900~1 700 nm,径切面和弦切面采集。首先,采用一阶导数与S-G卷积平滑相结合的方法进行数据预处理;然后,利用GN算法计算光谱样本间的全局和邻域马氏距离,实现蒙古栎MOE异常样本的剔除与校正集、预测集的自动划分;最后,融合具有多个成员样本子集的PLS模型,构建CPLS共识模型,取平均值作为最终预测结果。实验采用135个300 mm×20 mm×20mm的无疵小试样为样本,剔除异常样本12个,并选取其中78个为校正集样本,45个为预测集样本。结果表明,一阶导数处理能够消除光谱背景平缓区域干扰,S-G能消除小峰值无关吸收峰的影响;GN样本优选与CPLS结合的建模方法,预测相关系数为085,相对分析误差(RPD)为193,预测效果比传统PLS建模更好,且稳定性有所提高,但该改进模型方法的RPD依然小于25,因此,可做初步分析,准确地进行定量预测依然存在局限性。     

基于高光谱的云南胶园土壤全氮含量反演

以在云南西双版纳橡胶园采集的225个土壤样本为研究对象,进行风干土壤样品光谱数据采集和全氮含量测定,对土壤反射率（R）进行重采样（5 nm）后进行倒数的对数（log(1/R)）、多元散射校正（MSC）、标准正态交换（SNV）的光谱变换处理和SG平滑或导数变换模式优选获取最佳光谱数据,采用竞争性自适应重加权算法（CARS）、连续投影算法（SPA）和CARS-SPA算法对土壤全氮光谱特征波段进行选择,并分别应用偏最小二乘法（PLS）和支持向量机（SVM）构建胶园土壤全氮估算模型。结果表明,研究区内土壤全氮含量与光谱反射率呈负相关,基于光谱变换和预处理,log(1/R)结合SG导数变换是最佳的土壤全氮反演光谱变换模式,其中,导数阶数为1,SG滤波窗口为43,多项式次数为9。综合比较各变量筛选与建模组合发现,用CARS方法从全波段中筛选出的特征波长建立的SVM模型（R2=0.816,RMSE=0.201,RPD=2.266）效果最好,用于估测研究区土壤全氮含量具有良好的可行性,可为开展云南胶园土壤全氮高效测试和实施橡胶树精准施肥提供技术支持。     

基于近红外光谱与BP神经网络预测落叶松木屑的含水率

利用近红外光谱(NIR)技术结合BP神经网络定量预测了落叶松木屑的含水率。首先对采集的落叶松木屑原始近红外光谱进行9点平滑及多元散射校正预处理,然后利用主成分分析法提取光谱数据主成分作为BP神经网络的输入,最后建立BP神经网络预测模型并采用交叉验证法对模型进行验证。所建模型校正集的相关系数R为0.98,校正集的均方根误差RMSEC为0.001 7;预测集的相关系数R为0.99,预测集的均方根误差RMSEP为0.001 5。研究表明,此方法可以实现对落叶松木屑含水率的快速预测。     

植被叶片生化组分光谱响应分析与估测

【目的】传统植被生化组分化学分析法具有破坏性且耗费较多人力物力等缺点,高光谱技术可以为快速无损地估测植被生化组分含量提供有效手段。【方法】利用LOPEX’93数据集,对原始光谱进行了4种光谱变换(一阶微分DR、取倒数1/R、取对数log R、倒数的对数log(1/R)),提取了“三边”参数、光谱指数、全波段光谱指数,并分析它们与叶绿素含量(C＿ab)、干物质含量(LMA)、等效水厚度(EWT)的相关性,将提取的相关性高的光谱特征作为输入变量,分别采用偏最小二乘回归(PLSR)、支持向量机(SVM)、随机森林(RF)建立模型并进行预测,以模型的决定系数R²和均方根误差RMSE作为判定模型优劣的指标。【结果】4种光谱变换中最有效的方式是一阶微分,其中,一阶微分波段D₇₄₂、D₅₃₅对C＿ab有较强的光谱响应;D₁₇₀₀、D₁₂₂₉、D₂₁₉₂对LMA具有较高的响应;D₁₁₄₅、D₁₃₀₂、D₉₅₅     

基于不同预处理的椴树木材基本密度近红外光谱估测及模型优化

【目的】木材的基本密度在木材质量等级评定中起着重要的作用,是木材分流及精细化利用的重要依据。利用近红外光谱技术,实时监测木材性质,掌握木材性质的变化,为进一步制定和改善林木培育方法提供理论依据。【方法】借助树木生长锥对椴树活立木取样,以椴树样品基本密度真值和近红外光谱数据为输入,分别通过卷积平滑、一阶导数和二阶导数预处理方法来实现近红外光谱数据的预处理,建立了基于偏最小二乘法(PLS)的椴树木材基本密度的近红外估测模型。【结果】在350~2 500 nm波段范围内,一阶导数预处理的椴树木材基本密度模型是最优的,校正集相关系数为0.964 8,校正均方根误差为0.002 7,验证集相关系数为0.943 2,预测均方根误差为0.003 3。在对近红外光谱数据进行去噪优化处理,构建椴树木材基本密度模型后,在500~2 300 nm波段范围内,一阶导数预处理椴树木材基本密度模型依旧最优,其校正集相关系数为0.987 1,校正均方根误差为0.001 6,验证集的相关系数是0.948 6,预测的均方根误差是0.002 1。【结论】选择特定的预处理方法,结合样本特征,建立椴树木材基本密度模型,可以显著降低建模成本,提高模型预测精度,快速测定椴树木材的基本密度。     

基于高光谱微分指数的杉木炭疽病病情指数反演

通过实地调查,获取杉木炭疽病病情指数以及各级病情梯度的高光谱遥感数据,将冠层光谱一阶微分数据与相应的病情指数进行相关性分析,选取相关系数大于0.7的高光谱微分指数构建反演模型,并对模型进行精度检验。结果表明:病情指数与冠层光谱一阶微分值在431～485nm,549～616nm和700～754nm3个波段达到极显著相关;以微分指数SDy,SDr,SDg/SDb,(SDg-SDb)/(SDg+SDb)和(SDr-SDy)/(SDr+SDy)为变量反演病情指数的最佳模型均为线性模型,均方根差在0.094～0.119之间。该研究结果表明,利用高光谱微分指数估测杉木炭疽病病情指数精度较高,且具有较高的实际应用价值。     

应用近红外光谱技术预测进口辐射松木材抗压和抗弯性能

以进口辐射松（Pinus radiata）木材为研究对象,探究应用近红外光谱技术预测辐射松木材抗压和抗弯性能的可行性,比较不同切面采谱、不同光谱预处理方法以及不同谱区波段的建模效果。结果表明,用弦切面的光谱建立的校正模型精度最高。原始光谱建立的校正模型精度较好,相关系数达0.85及以上,抗压强度模型在经过S-G卷积平滑处理后相关系数可提高到0.92。在全波段建立的校正模型效果最好。经外部验证,抗压强度、抗弯强度和抗弯弹性模量预测值与实测值相关性较高,相关系数达0.82及以上。研究结果可为辐射松木材的抗压和抗弯性能的快速评价提供新方法。     

基于近红外光谱波段优选的针叶木材基本密度估测模型的优化研究

【目的】木材基本密度在木材质量等级评定中具有重要作用,是木材分流及精细化利用的重要依据。【方法】以东北林区典型针叶树种为研究对象,结合近红外光谱技术,构建红松、落叶松、云冷杉木材基本密度近红外估测模型,分析比较了不同波段优选算法并进行了模型优化。研究采用竞争性自适应重加权法(CARS)、无信息变量消除法(UVE)和间隔偏最小二乘法(iPLS)对木材近红外光谱波段进行优化,基于卷积平滑算法对近红外光谱数据进行预处理,结合偏最小二乘法(PLS)建立针叶木材基本密度估测模型。依据相关系数(R)、均方根误差(RMSEC)等模型参数对模型效果进行评价,对比分析确定最佳波段优选方法,得到最优针叶木材基本密度近红外估测模型。【结果】利用CARS、UVE、i PLS的波段优化方法对近红外光谱波段的筛选,可以起到优化针叶木材基本密度模型的作用,减少参与建模的近红外光谱的波段变量数,明显提升模型的运算速度,使得模型准确度更高、稳定性更好;利用间隔偏最小二乘法结合偏最小二乘法(iPLS-PLS)进行波段优选的针叶木材基本密度模型效果最好,其模型校正相关系数为0.938 0,校正均方根误差为0.021 8,验证相关系数为0.8959,验证均方根误差为0.028 0。【结论】基于波段优选及模型优化构建东北林区典型针叶树种基本密度近红外估测模型,可以有效提高运算速度及估测精度,实现针叶材基本密度的快速、准确、无损估测,为针叶木材材性研究和森林培育提供了理论依据与技术支撑,有利于进一步实现木材的高效节约与精细化利用。     

湿加松16种黄酮总含量近红外预测模型的建立

在950～1650 nm的光谱范围内,使用DA2700型近红外光谱仪采集了110个湿加松Pinus elliottii × P.caribaea松针粉末样本的光谱数据。结合实际测定值,采用偏最小二乘(PLS)回归法并选择最佳光谱预处理方法和最佳主成分数,建立湿加松松针组织16种黄酮物质总含量的快速预测模型。结果表明:采用一阶导数(FD)与滤波拟合(SG)相结合法对光谱数据进行预处理且当主成分数为10时,可得最优模型。其校正集相关系数(R_c)和交互验证集相关系数(R_v)分别为0.852 1和0.705 9。校正集均方根误差(RMSEC)和交互验证集均方根误差(RMSEV)分别为6.361 0和9.150 9。外部验证集测定值和模型预测值之间的相关系数为0.8537。综合表明所建模型预测精度高、可靠性强,可用于湿加松松针组织16种黄酮物质总含量的预测。     

油桐籽含油率近红外光谱检测模型的构建

为实现油桐籽含油率的快速检测,采用近红外光谱结合化学计量学方法对油桐籽含油率的测定进行了研究。107个样本用Kennard-Stone法划分为校正集(80个)和验证集(27个)。光谱经预处理方法优化,确定一阶导数结合均值中心化预处理最优。分别采用竞争性自适应重加权算法筛选变量及小波变换压缩变量,比较了偏最小二乘法与径向基神经网络法所建模型的预测性能,确定竞争性自适应重加权算法筛选出的8个变量用于偏最小二乘法建模,所建模型预测性能最好:验证集相关系数0.927,均方根误差2.08,相对标准偏差为3.99%。结果表明竞争性自适应重加权算法筛选变量结合偏最小二乘法建模,所建模型简单,精度较好,可用于油桐籽含油率的快速检测。     

近红外光谱快速预测乙酰化木材的增重率

采用近红外光谱技术对乙酰化大青杨和樟子松木材的增重率进行快速预测。在近红外波长780～2500 nm范围内,利用偏最小二乘法( PLS)建立木材横切面原始光谱及不同预处理(一阶导数、二阶导数、归一化处理和消噪)光谱乙酰化木材增重率数学模型,并进行比较分析。结果表明：乙酰化大青杨和樟子松木材分别选用归一化处理光谱和消噪光谱建立的增重率校正模型预测效果较好,预测模型相关系数( R)分别为0.90和0.70,预测标准差(RMSEP)分别为1.0072和1.3012,其中乙酰化大青杨木材增重率预测模型实测能力较佳,表明利用木材横切面近红外光谱建立的数学模型可以实现乙酰化木材增重率的快速预测。     

表面粗糙度对NIR预测落叶松基本密度的影响

【目的】对不同表面粗糙度的落叶松木材光谱进行分析,建立适合不同表面粗糙度的近红外模型,为提高近红外模型预测木材密度精度和普适性提供理论依据。【方法】以黑龙江省星火林场落叶松木材为研究对象,对未打磨（M0）、150目打磨（M1）和320目打磨样品（M2）的近红外光谱进行分析。分别采用11点移动平均平滑、基线校正（baseline）和SG平滑进行了光谱预处理以去除冗余光谱信息,采用人工选择、反向区间偏最小二乘法（BiPLS）和联合区间偏最小二乘法（SiPLS）完成波段优选,构建针对不同表面粗糙度的单一预测模型及包含3种表面粗糙度样品的近红外混合模型。【结果】M0样品包含的光谱信息要多于另外2种粗糙度,3种预处理方法中,SG平滑预处理的建模效果综合评价最好。基于3种波段优选方法分别建立M0、M1和M2的基本密度预测模型,SiPLS波段选择方法效果更好,对于M0、M1、M2这3种表面粗糙度样品,验证集相关系数R及均方根误差（RMSEP）分别为0.865 9和0.022 7、0.766 0和0.021 4、0.725 6和0.027 4。以3种不同粗糙度混合建立的SiPLS-混合预测模型,对于不...     

基于NIR-PLS的土壤碳含量预测模型研究

以东北小兴安岭林区带岭林业局东方红林场的土壤为研究对象,对120个土壤样品近红外光谱做去噪、Savitzky-Golay平滑和多元散射校正预处理,利用偏最小二乘（PLS）法建立关于土壤碳含量和吸光度之间的定量分析模型,并进行模型校、验证及部分预测集样品碳含量预测.结果表明：主成分数为4时,模型最优.校正模型的决定系数R2和均方根误差（RMSE）分别为0.784和5.752;验证模型的决定系数R2和均方根误差（RMSE）分别为0.621和7.521,预测集样品的实测值和预测值的决定系数R2达到0.735,均方根误差RMSE为7.202,预测标准差SEP为10.356.应用近红外技术可以实现对小兴安岭次生林土壤碳含量的有效预测,为大面积快速测定土壤碳含量提供理论依据与技术支撑,进而为林分土壤碳循环的相关研究提供新的思路.     

粗皮桉木材力学性质的近红外光谱方法预测

以人工林粗皮桉木材为研究对象,采用常规力学测试方法和近红外光谱方法对其无疵小试样力学性质进行研究。用近红外光谱仪采集试样表面的近红外光谱,对采集的近红外漫反射光谱进行导数预处理并对不同波段光谱建立校正模型,以1/3试样作为预测集对校正模型进行验证。结果表明:二阶导数预处理、350～25000nm全光谱波段、径切面和弦切面平均光谱值对粗皮桉木材力学性质模型预测效果最好。抗弯弹性模量和抗弯强度、顺纹抗压强度的实测值与近红外光谱方法的预测值存在较好的相关性,相关系数均大于0.88,相对分析误差大于2.0,表明利用近红外光谱方法预测人工林粗皮桉木材力学性质效果较好。     

一种基于近红外光谱判别木材属种的方法

采用近红外光谱结合化学计量学的方法,对桉木和相思木及其属间6种木材的判别分类进行了研究。首先采集了尾巨桉、尾叶桉L11、尾叶桉U6、蓝桉、马占相思、厚荚相思,共计86个样本的近红外光谱图,采用偏最小二乘法判别分析(PLS-DA)建立了桉木和相思木的分类模型,校正集和验证集的预测值与实际值之间的回归线基本重合,决定系数(R2)分别为0.99和0.97,模型效果较好,且对未知样本的识别正确率为100%。为了对属间的6种木材作进一步的判别,采用MSC和Savitzky-Golay平滑对4000~7500 cm-1光谱进行预处理后,结合主成分分析(PCA)建立判别模型,模型识别率和验证正确率均为100%。结果表明基于近红外光谱结合化学计量学算法可以对桉木和相思木的不同属进行快速鉴别。     

近红外光谱结合回归分析预测法判别木材的生物腐朽

利用近红外光谱结合多变量回归分析中常用的主成分回归(PCR)和偏最小二乘法回归(PLSR)分析预测法来判别木材的生物腐朽,并与前期采用的SIMCA和PLS-DA 2种判别方法进行对比分析.结果表明:1)应用近红外光谱结合多变量回归分析方法对校正集样本建立的判别模型,其校正及验证结果与标准值的相关性很高,相关系数均大于0.95,SEC和SEP都很低(0.07 ～0.20),利用模型对未参与建模的样本进行检测,发现2个模型对未腐朽、白腐和褐腐3种类型样本的判别准确率均为100％(偏差都小于0.27);2)对于相同样本集的判别效果,PLSR法比PCR法的判别效果好,且二者都比采用SIMCA法的效果好,并都与PLS-DA法的判别结果相近,说明利用近红外光谱结合回归分析预测法能有效地检测木材的生物腐朽,并对生物腐朽的类型进行准确判别.     

基于近红外光谱技术的4种樟属植物识别技术研究

探究近红外光谱分析技术应用于樟属植物识别的可行性,为樟属植物识别提供一个新方法。本研究运用近红外光谱仪采集猴樟、黄樟、油樟、银木4种樟属植物叶片的近红外光谱信息,并结合PCA聚类分析(PCA-Cluster)和偏最小二乘判别分析法(PLS-DA)建立识别模型。结果表明：运用PCA-Cluster方法,选择4 400～4 800 cm^-1、5 400～6 600cm^-1、7 800～10 000 cm^-1建模波段,Segment 5 Gap5的3点二阶泰勒求导(ds2)方法对光谱数据进行预处理所建模型的识别效果最好,对外部验证集样品的识别率达97.5%;运用PLS-DA方法选择4 000～8 000 cm^-1波段,一阶导数、5点平滑两种预处理相结合的方法建立判别模型性能最佳,其校正集相关系数(Rc²)为0.923,交叉验证均方根误差(RMSEC)为0.1202,利用所建模型对外部验证集样品进行识别,识别率为100%。说明近红外光谱技术能够用于不同种樟属植物的识别。     

近红外高光谱技术在亚美马褂木与其亲本木材鉴别中的应用

亚美马褂木(Liriodendron sion-americanum)是一种通过中国马褂木和北美鹅掌楸杂交培育获得的优良阔叶工业树种与园林绿化树种。相比于亲本,亚美马褂木具有生长更快、适应性更广、材性更优等特点。由于亚美马褂木和其亲本木材在外观上相似度较高,因此木材交易中常出现以次充好的问题,破坏了市场秩序。为解决亚美马褂木木材鉴别问题,降低木材鉴别误差,本试验基于近红外高光谱(NIR-HSI)技术,建立亚美马褂木和其亲本的木材快速无损鉴别方法。使用近红外高光谱仪采集了亚美马褂木、北美鹅掌楸和中国马褂木木材样品的光谱信息,建立偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)2种判别模型,比较了连续投影算法(successive projections algorithm, SPA)、SG平滑(S-G smoothing)、多元散射校正(multiplicative scatter correction, MSC)、归一化数据(Normalize)和标准正态变量变换(standard normal variate, SNV)5种预处理方法对建模的影响。试验结果表明：亚美马褂木与其...     

桦木顺纹抗压强度的SEPA-VISSA-RVM近红外光谱预测

木材顺纹抗压强度是评价木材力学性能的重要指标,而传统测量方法操作复杂、精确度低。以桦木为例,提出基于近红外光谱技术(NIR)的SEPA-VISSA-RVM木材顺纹抗压强度模型,实现对其更加精确的预测。试验选取100个木材试件,在900~1700 nm近红外光谱波段上采集数据并测量抗压强度真值;然后采用卷积平滑(SG)方法进行光谱预处理;使用采样误差分布分析(SEPA)作为变量空间迭代收缩算法(VISSA)的改进策略进行特征波长优选;最后通过粒子群优化算法(PSO)优化核函数参数并建立相关向量机(RVM)的预测模型。试验表明:在特征波长优选方面,以偏最小二乘法(PLS)建模为基础的SEPA-VISSA方法,其预测决定系数为0.9593,预测均方根误差为2.8995,相对分析误差为3.0256,光谱变量数由512减小到111个,占总波长的22%,均优于VCPA、CARS和VISSA算法;在建模预测方面,以SEPA-VISSA所选波长为基础的RVM模型,PSO优化的拉普拉斯(Laplacian)核函数的核宽度为10.4043,决定系数为0.9449,预测均方根误差为2.0432,相对分析误差为4.2936,预测效果优于PLS和SVR。因此,基于近红外光谱的SEPA-VISSA-RVM建模能够实现对桦木顺纹抗压强度更准确和稳定的无损检测。