班菲尔脐橙可溶性固形物近红外光谱特征谱区选择

为探讨快速无损检测班菲尔脐橙可溶性固形物(TSS)含量的方法,利用多元散射校正对脐橙1 000 ～2 500 nm近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型.结果表明,采用siPLS将光谱划分为17个子区间,利用其中的第4(1 267～1355 nm)、5(1 356 ～1 443 nm)、9(1708～1795nm)、15(2 236 ～2 323 nm)号4个子区间联合建立的TSS模型效果最佳,其校正集决定系数和均方根误差分别为0.9109和0.331 2.预测集决定系数和均方根误差分别为0.878 9和0.448 7,主因子数为6个.研究表明,近红外光谱技术结合siPLS可优选出表征班菲尔脐橙TSS含量信息的特征光谱区间简化预测模型,同时提高模型预测能力和精度.     

大豆豆荚炭疽病严重度的光谱检测

利用可见/近红外光谱技术对大豆豆荚炭疽病严重度进行检测。分别采用主成分分析法(PCA)结合反向传输人工神经网络(BPNN)和连续投影算法(SPA)结合BPNN 2种组合模型进行分析预测。利用SPA的数据压缩功能和BPNN的学习预测能力实现对大豆豆荚炭疽病严重度的检测。以样本检测的准确率作为模型评价指标。实验结果显示SPA-BPNN的检测准确率最高,为90%。研究表明,SPA能够有效地进行波长选择,使BPNN模型获得满意的检测率。     

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。     

Variation in gluten quality parameters of spring wheat varieties of different origin grown in contrasting environments

The aim of this study was to investigate variation in protein content and gluten viscoelastic properties in wheat genotypes grown in two mega-environments of contrasting climates: the southeast of Norway and Minnesota, USA. Twelve spring wheat varieties, nine from Norway and three HRS from Minnesota, were grown in field experiments at different locations in Norway and Minnesota during 2009–2011. The results showed higher protein content but lower TW and TKW when plants were grown in Minnesota, while the gluten quality measured as Rmax showed large variation between locations in both mega-environments. On average, Rmax of the samples grown in Minnesota was higher than those grown in Norway, but some locations in Norway had similar Rmax values to locations in Minnesota. The data showed inconsistent relationship between the temperature during grain filling and Rmax. Our results suggest that the weakening effect of low temperatures on gluten reported in this study are caused by other environmental factors that relate to low temperatures. The variety Berserk showed higher stability in Rmax as it obtained higher values in the environments in Norway that gave very weak gluten for other varieties.     

近红外光谱法预测粗皮桉木材的化学成分质量分数

采用近红外光谱法对粗皮桉木材中化学成分质量分数进行快速预测。用常规湿化学方法测定了粗皮桉木材样品的化学成分质量分数,结合近红外光谱仪采集相应的光谱,对原始光谱进行二阶导数预处理后,用偏最小二乘法建立相应的模型并对其进行外部验证。结果表明:粗皮桉木材综纤维素校正模型的相关系数为0.96,预测模型的相关系数为0.92,RPD为2.30。木质素校正模型的相关系数为0.91,预测模型相关系数为0.88,RPD为2.11。利用近红外光谱分析方法可以快速预测粗皮桉木材中综纤维素和木质素质量分数。     

基于光谱技术和SIMCA方法的润滑油鉴别

采用可见-近红外反射光谱结合独立软模式法(SIMCA)建立了不同品牌种类的发动机润滑油鉴别模型。研究在对光谱曲线进行预处理和聚类分析后,选取7个主成分作为SIMCA的最佳主成分,随机采用20×7个样本作为建模样本,其余的10×7个样本作为预测样本,应用SIMCA进行分类,在显著性水平为5%下,其预测分辨率为98.75%。根据变量建模能力值,找到敏感波段420~425 nm、492~518 nm和796~816 nm,并将相应波段的光谱值作为SIMCA的输入,进行建模预测,结果发现,预测分辨率达95.71%,能快速正确区分7类不同品种的发动机润滑油。     

基于BP神经网络近红外光谱鉴别茶饮料的研究

提出了一种快速、准确鉴别茶饮料的新思路。采用美国ASD公司的可见-近红外光谱仪对3种茶原料（龙井茶、乌龙茶和铁观音茶）的饮料进行光谱分析。采用多元散射校正（MSC）方法对样本数据进行预处理,再用主成分分析法提取光谱数据的特征值。通过交互验证确定最佳主成分数为5,作为BP神经网络的输入变量,不同原料茶饮料作为输出变量,建立3层人工神经网络鉴别模型,并用模型对20个预测样本进行预测。模型的回判鉴别率达到100%,模型的预测鉴别率达到98.33%。结果表明,基于BP神经网络的近红外光谱鉴别不同原料茶饮料的方法是可行的。     

长波近红外光谱在土壤总氮分析与稳定性中的应用

[目的]通过定标集、预测集、检验集的建模过程,采用偏最小二乘(PLS)方法结合波段选择建立土壤总氮快速分析的近红外(NIR)光谱模型。[方法]为了避免模型评价失真,基于随机性、相似性和稳定性,提出一种严谨的建模体系。将全谱扫描区(400～2 498nm)分成可见区(400～780 nm)、短波近红外区(780～1 100 nm)和长波近红外区(1 100～2 498 nm)。[结果]经过比较、检验,结果表明长波近红外达到了最好的模型效果和稳定性,最优PLS因子数为8,检验的预测均方根误差(V-SEP)和预测相关系数(V-RP)分别为0.118 g/kg和0.857,得到客观、稳定的预测模型。     

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%.     

利用多时相Landsat近红外波段监测冬小麦和苜蓿种植面积

随着农业产业结构的调整，农作物的种植面积和分布有了较大的时空变化，必然对环境、生态和政府决策产生影响。由于近几年北京及其周边地区苜蓿种植面积大量增加，在利用遥感进行土地利用调查和更新时，原来提取冬小麦的一些方法受到苜蓿的干扰，使精度降低。该文主要探讨针对春夏季作物进行监测和面积提取的方法。通过从4月到6月初的地面测量的小麦和苜蓿的4个时期的光谱发现，初期小麦和苜蓿的差异很小，而后期差异增大，尤其在近红外波段处差异最大，5月下旬到6月初是区分小麦和苜蓿的最佳时期。但5月到6月期间不同地块苜蓿的刈割时间不一致，使小麦和苜蓿在单个时相的影像中难以区分。利用3个时相的Landsat近红外波段合成的假彩色影像图很容易区分冬小麦和苜蓿，并能判断苜蓿的刈割时间，经地面验证，该方法分类精度高。且只使用不同时相的一个近红外波段，将大大节约成本和提高处理速度，受薄云和气溶胶的影响小。