基于可见光-近红外漫反射光谱的红壤有机质预测及其最优波段选择

有机质是土壤肥力、土壤质量的重要指标,同时也是土壤碳库的重要组成部分。传统的土壤有机质测试方法费时、繁琐,难以满足快速监测土壤有机质含量的需求。近年来,具有无损、快速、简便等优点的可见-近红外光谱技术的应用为土壤有机质的快速监测提供了有效途径。     

基于可见光技术的倒伏水稻识别研究

研究可见光技术倒伏水稻的识别,主要光谱分析因受穗颈瘟或者稻飞虱倒伏的水稻,对主分量进行光谱分析。使用支持向量分类机,输入数据创建分类模型。得出结果,因受穗颈瘟倒伏的水稻识别精度为90.9%,因受稻飞虱倒伏的水稻识别精度为100%。可见,可见光谱是有效识别倒伏水稻方法的一种。     

鸡的光感行为与饲养管理

鸡的视觉较敏感，可见到波长400～770纳米问的光线，与人眼可见光（红、橙、黄、绿、青、蓝、紫光）波长基本一致。光照是养鸡生产中不可缺少的环境条件之一，光照与雏鸡生长发育的好坏、成活的多少及成鸡产蛋率的高低等，都有着极其密切的关系。     

基于可见光光谱分析的土壤参数分析

利用光谱分析技术，进行了农田原始状态土壤样品的可见光光谱与土壤参数之间的相关、回归分析。土壤样品采集于一块水分较低的玉米地和一块水分较高的牧草地，所分析的土壤参数有土壤水分、土壤有机质含量、土壤硝态氮含量、土壤电导率以及土壤pH值，土样的可见光光谱由精密分光光度计测量。分析结果显示，有效的光谱特性值为反射光谱的一次微分，所有5个土壤参数都可以利用土样的可见光光谱特性进行分析和检测。对于土壤水分、土壤有机质含量、土壤电导率以及土壤pH值，线性模型是有效的；而对于土壤硝态氮含量，则需要利用多元指数模型进行分析或检测。     

土壤有机质可见光-近红外光谱预测样本优化选择

土壤有机质可见光-近红外光谱预测中建模样本的优化选择对提高有机质模型估算精度具有重要作用。本文以湟水流域土壤有机质为例,采用基于土壤单一属性信息考虑的建模样本选择方法:浓度梯度法、Kennard-Stone(KS)方法,以及基于土壤多种信息考虑的建模样本选择方法:Rank-KS(RKS)法、土壤类型结合浓度梯度法以及土壤类型结合KS法。通过偏最小二乘回归建模,探索可见光–近红外光谱预测青海湟水流域有机质的最优样本集。结果表明:不同级别样本数的最佳建模样本选择方法不同,整体表现为基于土壤多种信息挑选的建模样本集的模型精度相比土壤单一信息均较高,特别是KS方法结合土壤类型后的建模样本集模型精度明显提高且在样本数较少时更为明显。土壤类型可以优化建模样本选择方法提高模型预测精度。在保证固定验证样本模型预测精度的情况下,土壤类型参与建模样本的选择可以有效减少建模样本数,进而降低了建模成本。     

母质与土地利用类型对土壤光谱反演模型的影响

用可见光近红外(Vis-Near Infrared,VNIR)光谱建立的土壤反演模型可以快速高效测定土壤某些属性,但不考虑土壤自身特点的纯统计模型反演的精度会受到制约。本文研究了母质和土地利用类型对土壤光谱反演模型建立的影响。研究所用集合为SF(安徽宣城的林地样品)、SP(安徽宣城的水田样品)、DP(安徽定远的水田样品),结果显示:母质和土地利用类型的差异会显著影响异地模型的适应性,一个地区建立的反演模型不可随便用于母质和土地利用类型不同的其他地区;当异地模型不适用于反演时,可考虑采用精度稍低的全局模型进行预测。     

CARY50紫外可见光分光光度仪测定水样六价铬的不确定度

为了对紫外可见光分光光度仪的不确定度进行分析，找出影响不确定度的因素，对不确定度进行评估，给出不确定度，如实反映测量的置信度和准确性。应用测量不确定评定理论，分析了紫外可见光分光光度仪测量水样六价铬的不确定度。得出用紫外可见光分光光度仪测定水样六价铬的不确定度为152．0±0．02ng/ml。     

可见光火情观测

除人的眼睛外,地面了望塔和飞机观察员使用的望远镜,以及普通照相机都是可见光观测火情的工具。可见光观测火情首先要注意到阳光和背景对能见度的影响,再是注意当时的天气。一般初起小火烟量很轻,如果以森林为背景,观测者对着阳光方向较难辨识,相反容易分辨。林区起火后,见到的烟不只是可燃物碳化后的烟粒,还包含有大量的水汽。在火头上空除大火有时引起的对流云外,水汽一般消散很快。悬浮在大气中     

基于VNIR和机器学习算法的原状土剖面Cu含量预测

快速测量土壤剖面重金属含量是评估土壤重金属污染状况并选择相应修复技术的关键。为了探讨可见光-近红外光谱法（Visible and Near-Infrared Reflectance Spectroscopy,VNIR）预测原状土壤剖面重金属含量的潜力,以江西省两个典型工矿厂周边农田土壤为研究对象,共采集了19个深度约100 cm的完整土壤剖面样品,分别测定土壤剖面样品的VNIR数据及其Cu含量。采用偏最小二乘回归法（Partial Least Squares Regression,PLSR）、Cubist混合线性回归决策树（Cubist Regression Tree,Cubist）、高斯过程回归（Gaussian Process Regression,GPR）和支持向量机（Support Vector Machine Regression,SVM）方法研究不同光谱预处理方法对土壤Cu含量预测精度的影响。结果显示,Cubist、GPR和SVM这三种机器学习算法的预测精度普遍高于PLSR,其中一阶导数（First-Order Derivative,FD）预处理的SVM模型预测精度最高（R2=0.95,均方根误差为7.94 mg/kg,相对分析误差为4.34）。这表明利用VNIR和机器学习可以对原状土壤剖面Cu含量进行有效预测,为快速监测Cu及其他重金属含量的相关研究提供参考。     

基于无人机遥感可见光参数的水稻氮素营养诊断

氮素是决定水稻产量的重要因素之一,传统水稻氮素的诊断耗时费力且对作物的损害较大,确定无人机遥感水稻氮素营养诊断的最佳可见光参数,对水稻氮素的快速诊断具有良好的实用价值.该研究在安徽省怀远县试验基地,设置5个施氮水平,先后2次进行无人机采样,计算出10个可见光参数,并分析可见光参数与水稻含氮量之间的关系,结合相关系数与变异系数的大小筛选出诊断水稻氮素的最佳可见光参数.结果表明,参数B、G/(R+G+B)、G/B、RGBV1与作物含氮量的相关性较强,其中参数G/(R+G+B)可作为无人机为遥感水稻氮素诊断的最佳可见光参数.通过回归分析得到y(含氮量)与x(绿光化标准值)之间的回归方程y=0.0017x2-0.0074x+0.7201,R2=0.9825.