烟叶总氮的近红外光谱检测模型研究

探索建立一种有效的烟叶总氮含量近红外光谱检测模型,并寻找1100~2500 nm波段中预测烟叶总氮含量的有效波长。采用多种不同的光谱处理方法,并选择较优的一阶导数光谱处理原始光谱,再用偏最小二乘回归建立模型和Martens不确定性检验方法选择有效波长。基于全部波长建立的模型,训练集r=0.9930,RMSE=0.0490;交叉验证r=0.9708,RMSE=0.0996;预测集r=0.9747,RMSE=0.0884。基于有效波长建立的模型,训练集r=0.9937,RMSE=0.0464;交叉验证r=0.9744,RMSE=0.0938;预测集r=0.9610,RMSE=0.1116,预测值与化学值的绝对误差小于0.227%,相对误差未超过0.1%。表明使用近红外光谱分析技术检测烟叶总氮含量较好,采用Martens不确定性检验方法选择有效波长,并利用有效波长预测烟叶总氮含量是可行的。     

烟叶化学成分协调性的近红外光谱检测模型研究

对烟粉全部近红外光谱数据采取不同的预处理方法来探究烟叶化学成分协调性（施木克值、糖碱比、氮碱比）,基于有效波长光谱数据建立相应的近红外光谱的检测模型,并利用偏最小二乘法(PLS)通过训练集的交叉验证建立回归模型。通过全部波长数据中值滤波平滑处理后建立施木克值的回归模型,预测集r=0.9861、RMSE=0.0548;通过全部波长数据卷积平滑二阶求导处理后建立糖碱比的回归模型,预测集r=0.9498、RMSE=0.9095;在对光谱数据处理较优的Norris一阶导数数组基础上选取30个有效波长建立氮碱比的回归模型,预测集r=0.9202、RMSE=0.6947。结果表明：利用近红外光谱可以较好地预测烤烟施木克值、糖碱比和氮碱比。     

大米蛋白质含量近红外光谱检测模型研究

探索建立一种有效的大米蛋白质含量近红外光谱检测模型,并寻找1100~2500nm波段中预测大米蛋白质含量的有效波长。采用面积归一化（Area Normalization）方法进行光谱预处理。用主成分回归方法建立回归模型,用Martens不确定性检验方法选择有效波长。发现利用主成分分析可以较好地区分出不同种类的米粉,样品在主成分上的得分可以作为鉴别米粉种类及品质的依据。基于全部波长建立的回归模型,训练集r=0.9923,RMSE=0.0747。交叉验证的结果r=0.9399,RMSE=0.2103。预测集r=0.9364,RMSE=0.1607。基于有效波长建立的回归模型,训练集r=0.9899,RMSE=0.0854。交叉验证结果r=0.9437,RMSE=0.2004。预测集r=0.9079,RMSE=0.1796。使用近红外光谱分析技术检测大米蛋白质含量是可行的,采用Martens不确定性检验方法选择有效波长,并利用有效波长预测大米蛋白质含量也是可行的。     

不同烘烤条件下烤烟纤维素的近红外光谱检测模型研究

为探索不同烘烤条件下烤烟纤维素含量近红外光谱检测模型,采用偏最小二乘回归法(PLS)对不同烘烤条件下的共85个样品,分别基于全部波长建立模型。常规烘烤时,定标集r=0.9949,RMSE=0.1122;交叉验证集r=0.9234,RMSE=0.4636;预测集r=0.8982,RMSE=0.6963。低温烘烤时,定标集r=0.9811,RMSE=0.3279;交叉验证集r=0.9456,RMSE=0.5290;预测集r=0.9938,RMSE=0.1608。高温烘烤时,定标集r=0.9128,RMSE=0.4381;交叉验证集r=0.8215,RMSE=0.6162;预测集r=0.9743,RMSE=0.1986。结果表明,采用偏最小二乘法预测不同烘烤条件下烤烟纤维素含量是可行的。     

烤烟叶片含水量的光谱检测模型研究

为研究烤烟叶片中含水量随烘烤时间变化的问题,通过烘烤实验探索烤烟叶片含水量的可见-近红外光谱监测模型。针对光谱原始数据和预处理数据,利用交叉验证法采用偏最小二乘法建立回归模型,发现经过平滑处理的数据利用偏最小二乘法(PLS)可以较好地检测烤烟叶片含水量。基于全部波长建立回归模型,训练集r=0.9771,RMSEC=0.0742;交叉验证结果r=0.9573,RMSEC=0.1009;预测集r=0.9683,RMSEC=0.0862。结果表明,基于全部波长原始数据平滑处理的PLS模型预测烤烟叶片含水量是可行的。     

基于近地高光谱棉花生物量遥感估算模型

分析棉花地上鲜生物量冠层高光谱反射率变异系数，反射率光谱、一阶微分光谱与地上鲜生物量相关关系得结果表明：在可见光近红外波段棉花冠层反射率光谱变异系数在672 nm波段处最大；棉花地上鲜生物量与反射率光谱相关系数最大值在可见光波段出现在589~700 nm，在近红外波段出现在865~919 nm波段，且前者大于后者。地上鲜生物量与一阶微分光谱相关系数在可见光波段出现524~528 nm、552~588 nm、710~755 nm 3个高值区。基于以上研究，选择19个高光谱特征参数建立了棉花地上鲜生物量高光谱遥感监测模型，经检验，单波段中以F₆₂₉估算水平最高，估算模型为Y = 9.7914 exp(－20.738 F629)，准确度为83.9%、RMSE为0.64 kg m^-2、预测值与实测值相关系数为0.940**；组合参数以[629, 901]指数形式估算模型估算水平最高，模型为Y = 0.0986 exp(4.3696[629, 901])，准确度达84.0%，RMSE为0.55 kg m^-2，预测值与实测值相关系数为0.960**，上述两个模型为参选模型中估算棉花地上鲜生物量最佳高光谱估算模型。     

茶叶干燥过程水分含量的近红外光谱检测方法研究

水分含量是衡量茶叶干燥过程中品质的最重要因素之一,采用近红外光谱分析技术分析茶叶干燥过程水分含量。首先,采用便携式近红外光谱检测系统采集茶叶干燥过程样本的光谱,采用标准正态变量变换(SNV)预处理光谱;然后,比较应用全光谱偏最小二乘模型(PLS)、遗传偏最小二乘模型(GA-PLS)、竞争性自适应加权抽样偏最小二乘模型(CARS-PLS)建立模型,采用交互验证优化模型。结果显示,CARS-PLS模型预测性能最佳,结果优于PLS和GA-PLS模型;CARS-PLS模型优选的变量数为11,变量数仅为全光谱变量数的2.1%,预测集的Rp=0.990 7,RMSEP=0.574。结果表明,采用近红外光谱技术结合合适的化学计量学方法评价茶叶干燥过程的水分含量具有可行性,为茶叶干燥过程品质的数字化、智能化监控提供方法。     

基于高光谱遥感的玉米叶片SPAD值估算模型研究

灌浆期玉米叶片叶绿素含量对玉米光合作用及产量形成具有重要作用。为通过高光谱特征准确、高效估测玉米叶片叶绿素含量,以SPAD值表征叶绿素相对含量,构建了基于光谱特征参数的传统回归模型、基于全谱和光谱特征参数的PLSR模型和BP神经网络模型,并进行了比较分析。结果表明：基于全谱构建的PLSR模型SPAD值拟合效果最好（R ²=0.910,RMSE=2.071）,而基于光谱特征参数所建立的PLSR模型拟合效果可达到与全谱PLSR模型相近的水平。但后者的实测值与预测值拟合效果（R ²=0.867,RMSE=2.581,RPD=2.628）优于全谱PLSR模型,且建模时间短,模型复杂程度降低。BP神经网络模型相较于两种PLSR模型预测效果略差,但优于传统回归模型。综合来看,基于光谱特征参数建立的PLSR模型估测效果最好。     

食用向日葵子仁蛋白质含量近红外光谱模型的建立

以自育的57份食用向日葵子仁为测试对象,用化学方法测定蛋白质含量,对照近红外漫反射光谱,通过偏最小二乘法建立了食用向日葵子仁蛋白质含量的近红外光谱模型。结果表明,对原始光谱数据采用“一阶倒数+多元散射校正(FD+MSC)”处理的方法建立的模型其校正或预侧效果最佳。该模型的校正决定系数和验证决定系数分别为0.95和0.93,校正标准误和预测标准误分别为0.96和1.16。用该模型对16份未参与建模的食用向日葵材料进行了预测,结果表明该模型预测能力较好。     

近红外光谱法快速测定海产品处理过程中牛磺酸含量的研究

利用近红外光谱分析技术,建立快速检测水产品下脚料提取过程中牛磺酸含量的方法。利用氨基酸分析仪测定样品中牛磺酸含量,采用一阶导数对原始光谱进行处理,采用偏最小二乘法建立校正模型,并预测样品中牛磺酸含量。所建模型回归系数(R2)为99.12%,交叉检验均方根为0.086;经验证,预测值与参考值的回归系数(R2)为99.9%,预测误差均方根为0.040,模型预测值与氨基酸分析仪测定值之间没有显著差异。因此,近红外光谱分析法可以检测水产品下脚料提取过程中牛磺酸含量。     

基于光谱指数的苹果叶片水分含量估算模型研究

建立快速、无损的苹果叶片水分含量高光谱估算模型,为苹果树干旱预警提供理论依据。以2个不同生育期采集的苹果叶片为研究对象,研究了不同水分含量的苹果叶片高光谱特征,分析了苹果叶片水分含量与光谱指数(WI、WBI、PWI、GVWI、MSI、 NDW)之间的相关关系,建立了苹果叶片水分含量估算模型。结果表明,苹果叶片水分含量的敏感光谱波段主要集中于近红外和短波红外波段;利用6个光谱指数建立的单变量估算模型均达到了极显著水平(P<0.01),但以水分指数（WI）建立的估算模型y=29503x2-57746x+28317的拟合决定系数R2最大,为0.5401;经检验,拟合方程的RMSE为 2.4,RE为 5.8%,检验精度达到了94.2%。采用主成分回归分析方法,建立的苹果叶片水分含量估算模型y=-556.819+347.838x1-17.815x2-27.864x3+299.492x4+25.647x5+9.835x6的拟合决定系数R2为0.6371,经检验,拟合方程的RMSE为 1.26,RE为 1.8%,检验精度达到了98.2%。表明以主成分回归分析建立的苹果叶片水分含量估算模型具有较好的敏感性和稳定性。     

基于烟叶致香成分建立烤烟香型分类模型方法研究

为筛选出基于烟叶致香成分数据建立烤烟香型分类的最优模型,以便于较好地对烤烟的香型进行正确分类。首先对142 个烤烟烟叶样品中的45 个指标采用行业标准进行检测,然后采用逐步回归法筛选出14 个烟叶致香成分,依据这14 个指标采用判别分析法、Logistic 回归、高斯混合模型、分类树、K最邻近法、人工神经网络和支持向量机7种方法进行建模。通过对不同方法建立的模型采用100次随机抽取训练集样本和测试样本计算错误分类率,选择错误分类率较低的模型作为优选模型。结果表明,线性判别法和高斯混和模型建立的2 种香型函数能较好地对未知样品的香型进行正确分类,且效果较好（正确率可达90%以上）。研究筛选出的2种优选模型对于烤烟香型分类研究具有一定的应用价值。     

基于图像处理和支持向量机的初烤烟叶颜色特征区域分类

颜色是烤烟烟叶品质的重要外在指标之一, 在生产中, 同类颜色烟叶在不同产地却往往存在着较大的差异。采用区域生长方法对烟叶图像进行分割预处理, 然后提取烟叶的颜色特征, 再运用一种新的机器学习算法—支持向量机分类方法对我国烟叶颜色特征进行区域分类。结果发现在小样本情况下, 采用径向基函数作为支持向量模型的核函数, 并确定了适当的模型参数, 所建立模型对烟叶颜色区域特征的回判识别率达100%, 预测识别率达86.67%。支持向量机对典型产地烟叶颜色的分类识别具有良好的应用性能。     

土壤水分的高光谱响应特性及定量监测研究

为及时、准确地监测土壤含水量（SMC），采用室内条件下人工模拟不同SMC环境的方法，通过测定各时间段的SMC及其对应的土壤光谱反射率，运用连续投影算法（SPA）提取土壤水分的特征波长，结合多元线性回归（MLR）方法，构建SMC的高光谱定量监测模型。结果表明，光谱反射率随着样本SMC的增加而逐渐降低，二者存在明显的负相关关系；采用SPA方法提取的光谱特征波段为422、629、817、976、1121、1258、1359、1448、1830和2022nm；构建的SPA-MLR土壤水分高光谱监测模型表现出良好的预测效果（校正集的R2=0.930、RMSE=8.845、RPD=3.794，验证集的R2=0.927、RMSE=8.799、RPD=3.581）。研究结果可为土壤水分的高效精准监测提供一定的实践探索和理论参考。     

基于高光谱分数阶微分的烟叶SPAD值估测

基于高光谱分数阶微分估测烟叶SPAD值,旨在提升高光谱数据估测烟叶SPAD值的准确度。首先,确定估测烟叶SPAD值的最优变换方式,并进行分数阶微分处理;然后,基于相关性分析、袋外数据(OOB)重要性、随机森林(RF)相结合的方法,筛选特征波长;最后构建烟叶SPAD值估测模型。结果表明：（1）估测烟叶SPAD值的特征波长主要有绿波段(499、500 nm),红边波段(634、636、702、703、732 nm)、近红外波段(972、1286、1289、1295、1298、1316 nm)、短红外波段(1450、1453、1456、1806 nm)。（2）以1.9阶次的特征波长所构建的RF-SPAD模型的精度最高,R²=0.690,较0、1、2阶次分别提高了22.1%、42.6%、87%,RMSE=2.799,比0、1、2阶分别减少了13.5%,20.2%,27.8%。利用1.9阶次特征波长构建的RF-SPAD模型较整数阶次模型有效提高了烟叶SPAD值的估测精度,为高光谱分数阶微分技术估测SPAD值提供了新的思路。