新型可见光催化剂钒酸铋BiVO4的制备及改性研究进展

新型可见光催化剂钒酸铋(BiVO_4)的改性研究是近年来国内外的一个热点研究领域,具有良好的应用前景。该文介绍了半导体可见光光催化材料BiVO_4的改性制备方法和光催化性能,对BiVO_4的不同制备工艺方法(水热法、化学沉淀法、溶胶-凝胶法等)进行了比较,并叙述了BiVO_4改性研究(同质异构体、掺杂、修饰、负载等)的研究进展,最后提出了有效提高BiVO_4活性的对策建议:改进BiVO_4的制备工艺、寻找最佳的掺杂材料、探索适当的异质结构以及合适的负载载体。     

可见分光光度法在布鲁氏菌病试管凝集试验结果判定中的应用

[目的 ]研究可见分光光度法在布鲁氏菌病试管凝集试验结果判定中应用。[方法 ]对布鲁氏菌病虎红平板试验中筛选出的4份样品(样品1、2为阳性,样品3、4为可疑),严格按《动物布鲁氏菌病诊断技术》(GB/T 18646—2002)中的试管凝集试验操作规程,对这4个奶牛样品的试管凝集试验结果进行人工判定和450/630nm分光光谱分析判读。[结果 ]人工判定样品1:100的结果为样品1、2、4可疑或阳性,样品3强阳性,分光光度法判读为样品1、2、4阳性,样品3强阳性。[结论 ]标准比浊管静置45 min后,各可见光谱数据均具有良好的线性关系;与人工判定结果相比,可见分光光度法判定的结果更直接、客观,受主客观影响因素更少。建议在标准GB/T 18646—2002的试管凝集试验操作规程中,增加可见分光光度法的判读标准。     

基于可见光视频的森林火灾识别算法

以森林火灾远程视频预警监控工程为依托,对森林火灾发生、发展的可见光视频图象进行研究,提出森林火灾识别算法,并进行处理。分析了基于视频的森林火灾火焰特征,指出火焰特征主要包括颜色变化、面积变化、边缘变化、形体变化、闪动规律和整体移动等。在此基础上,提出了视频图像中的森林火灾区域检测方法与森林火灾识别方法;根据图像区域分割匹配算法,以火焰颜色特征和面积变化为火灾判别依据,统计疑似火灾区域面积,定时地对其进行两两匹配,实现对森林火灾图像的实时检测和识别。经实际验证,该算法的查全率与查确率分别达到72.22%和92.86%。     

紫外可见光分光光度法测定莽吉柿胶囊中总双苯吡酮的含量

建立一种测定莽吉柿胶囊中总双苯吡酮含量的方法。以α-倒捻子素为标准品,以NaNO2-Al(NO3)3-NaOH为显色系统,采用紫外可见光分光光度法在370nm测量波长测定莽吉柿胶囊中总双苯吡酮的含量。紫外可见光分光光度法符合精密度、准确度、线性(r=0.999)的基本要求,加样回收率为100.38%,RSD为2.49%。该方法简便、准确、灵敏度高、重现性好,可用于莽吉柿胶囊中总双苯吡酮的含量测定。     

基于可见光和近红外光谱的肉色检测

【目的】明确可见光和近红外光谱快速无污染检测猪肉颜色的可行性。【方法】采用漫反射光纤探头测定真空包装猪肉的光谱,用国际发光照明协会(CIE)规定的亮度(L*)、红度(a*)、黄度(b*)、色相和饱和度对猪肉颜色进行评价。【结果】测得任意厚度真空包装猪肉的可见光谱和近红外光谱,经二阶微分处理,用偏最小二乘法进行回归分析后,所有肉色的相关系数均大于0.83,且预测值与测定值之间无显著差异。【结论】用漫反射光纤探头的可见光和近红外光谱可以预测猪肉肉色,且精度较高。利用可见光和近红外光谱可以实现猪肉颜色的快速无污染检测。     

基于无人机可见光影像的玉米冠层SPAD反演模型研究

叶绿素是植物进行光合作用的重要色素,利用作物光谱、纹理信息对叶绿素进行反演,为作物的实时监测和健康状况诊断提供重要依据。以大田环境下5个不同品种四叶期、拔节期的玉米为研究对象,利用无人机获取试验区可见光影像,对土壤背景进行掩膜处理,提取25种可见光植被指数、24种纹理特征,综合分析植被指数、纹理特征与玉米冠层叶绿素相对含量（SPAD）的相关性,分别建立基于植被指数、纹理特征和植被指数+纹理特征的逐步回归（SR）、偏最小二乘回归（PLSR）和支持向量回归（SVR）模型,定量估算叶绿素相对含量。在SR模型中,植被指数+纹理特征模型与植被指数模型相同,R2为0.7316,RMSE为2.9580,RPD为1.926,优于纹理特征模型;在PLSR模型中,植被指数+纹理特征模型较优,R2为0.8025,RMSE为2.4952,RPD为2.284,纹理特征模型次之,植被指数模型最差;在SVR模型中,植被指数+纹理特征模型较优,R2为0.8055,RMSE为2.6408,RPD为2.158,植被指数模型次之,纹理特征模型最差。综合分析采用基于PLSR植被指数+纹理特征模型可以实现玉米冠层SPAD快速、准确提取,为叶绿素反演提供一种新的方法,可为无人机遥感作物长势监测提供参考。     

基于无人机可见光图像的作物分类研究

【目的】采用无人机遥感技术对作物进行分类识别,为及时获取农田信息、制定农田管理策略及产量估测提供技术支持。【方法】采用无人机遥感平台,获取试验区域玉米、桃树、菜花、大豆的可见光正射影像;利用HSV色彩空间转换和纹理滤波,获取不同地物的24项纹理特征与3项色彩特征。分别通过ReliefF算法及基于支持向量机的递归特征消除算法(support vector machine-recursive feature elimination,SVM-RFE)进行特征选择与分类,建立6种监督分类模型,利用得到的特征子集对其进行训练,对各模型分类效果进行精度评价。【结果】由SVM-RFE特征子集训练的6种监督分类模型测试集的分类精度均高于80%,分类精度平均提高5.023%,优于ReliefF特征子集训练的监督分类模型,其中SVM-RFE特征子集与支持向量机模型组合对作物的监督分类效果最佳,总体精度达83.417%,Kappa系数为78.60。【结论】基于无人机遥感技术的作物分类识别是可行的。     

基于无人机影像的可见光波段植被信息识别

该文通过对6种典型地物在无人机影像可见光波段的光谱特性分析,提出一种基于红、绿、蓝波段的可见光植被指数—超绿红蓝差分指数EGRBDI(excess green-red-blue difference index),并运用该植被指数与18种基于可见光波段的植被指数进行精度比较研究。研究表明,在利用均值和1倍标准差获得的区间范围内,EGRBDI各地类之间的信息无重叠交叉现象;该指数能对植被覆盖相对稀疏区域进行植被信息识别,其总体精度为97.67%,Kappa系数为0.9415,较其他18种指数具有更好的植被信息识别能力。利用不同地物覆盖情况的3幅无人机影像作为数据源,对EGRBDI适用性和稳定性进行研究,结果表明,在3个研究区中,基于EGRBDI的植被信息识别总精度均高于93%,Kappa系数均大于0.85,提取精度受地物类型差异影响的波动性较小,能较好地削弱影像中阴影等因素的影响,具有较好的适用性、可靠性和提取精度。     

基于无人机多维数据集的森林地上生物量估测模型研究

森林地上生物量（Aboveground biomass,AGB）是评价森林生长情况的重要指标。基于数字航空摄影（Digital aerial photography,DAP）生成的二维和三维数据,分别计算了41个点云高度变量和16个可见光植被指数,利用6种回归算法（随机森林（RF）、袋装树（BT）、支持向量回归（SVR）、Cubist、类别型特征提升（CatBoost）、极端梯度提升（XGBoost））分别构建了单一变量集和综合变量集AGB估测模型,探索了不同变量对于AGB估测模型的贡献。研究结果表明光谱数据集和点云数据集AGB预测模型精度最高分别为Cubist和XGBoost,R2分别为0.5309和0.6395。组合数据集最高精度模型为XGBoost,R2达到0.7601, XGBoost模型具有更高的AGB估测稳定性。研究还表明6种机器学习模型的贡献主要取决于所考虑的回归方法,所选择的特征个数和特征对模型的重要性在不同的模型中并不一致。DOM光谱特征在AGB的估测中具有更高的重要性。总体来说,二维和三维数据的结合能够有效提高森林AGB估测精度,基于无人机倾斜摄影获取的RGB影像能够实现森林AGB的快速无损估计。