基于无人机高光谱遥感影像的农作物分类研究

为快速、精准地对农作物信息进行分类和提取,笔者以某研究区农作物作为研究对象,对农作物分类展开研究。利用SVM和RF分类方法,对降维和一阶导数处理后的无人机高光谱遥感影像中的农作物进行分类,并比较了SVM和RF分类结果的精准性。研究结果表明,通过对高光谱影像农作物进行分类,利用RF分类法获得的分类结果精度较高,可以实现对农作物的有效提取,能够为我国农作物生长情况监测、产量估计和病虫害防治提供参考。     

基于旋翼无人机的农业低空高光谱遥感技术研究

低空高光谱遥感技术是一种新型技术,其可以搭载在旋翼无人机平台之上,被广泛应用于农业领域中,以实现对大面积农作物光谱信息进行精确和实时的快速检测。但由于其建立的统计模型主要是将地物光谱信息和卫星遥感影像数据直接结合,导致模型的精度容易受到一些外在因素的影响,如时间、地点、对象、图谱的特异性等,使其在现代化农业发展中还难以实现有效推广。基于此,笔者围绕低空高光谱遥感技术在农业方面的应用展开研究。研究结果表明,运用无人机低空高光谱遥感技术,能够更为方便和快捷地收集农作物信息数据,掌握各种农作物的生长情况,能够减少实际成本,有效克服传统航天技术存在的相应问题,极大地促进了现代农业的发展。     

高光谱遥感技术在智慧农业中的应用研究

在农业生产中,运用高光谱遥感技术能够实时准确地监测地表信息,比如农作物长势监测、产量估测、灾害监测、农作物分类识别等,并且可以连续、大面积地对地面进行长期、实时的观测,在农业生产中起到了不可替代的作用,是推动智慧农业、实现现代农业发展的必然选择。基于此,笔者围绕高光谱遥感技术在智慧农业中的应用,从应用现状、应用展望两个方面对高光遥感技术在智慧农业中的作用进行了详细阐述。研究表明,智慧农业是我国现代化农业发展的一个主要方向,通过高光谱遥感技术的应用,可以实现农业生产管理的现代化和智慧化,大幅提升农业生产效率。     

食品添加剂磷酸氢二铵中砷含量的测定

运用原子荧光光谱法对进出口食品添加剂磷酸氢二铵中砷含量进行了测定,通过线性范围、检出限、精密度、回收率和实验室间比对测试,证明了原子荧光光谱法能快速、准确地检测出进出口食品添加剂中砷的含量。该方法线性关系良好,检出限低,准确度高,重复性和再现性好,可广泛用于进出口食品添加剂中砷含量的检测。     

面向多类型土壤有机碳定量反演的天基高光谱探测参数研究

星载高光谱仪器的光谱通道以及光谱分辨率和信噪比等核心参数设置直接影响土壤有机碳定量反演精度。本研究开展了卫星载荷光谱分辨率、信噪比、光谱特征波段对不同土壤类型有机碳反演影响的研究,提出了基于大气传输模型、光谱分辨率分析模型、信噪比分析模型、特征波段的提取分析模型以及偏最小二乘回归反演模型的面向不同土壤类型有机碳监测的高光谱卫星“地面–大气–仪器–观测–反演”全链路仿真分析方法,实现了土壤类型、大气效应、仪器特性参数、反演方法的耦合影响分析。结果表明：①3种类型土壤有机碳反演的最佳光谱分辨率均在10~20 nm。②不同土壤类型对观测的信噪比需求不同。对于Phaeozem的有机碳监测,较另外两种土壤有更高的信噪比需求。③在不同特征波段提取分析方法下所需的最佳光谱分辨率和信噪比一致。不同类型土壤光谱数据提取出的特征波段不同,其中反演效果最佳的土壤类型为Chernozem,特征波段数为26个,R²=0.826 5,RMSE=3.438 9 g/kg。④反演模型与仪器特性参数无耦合关系,同一类型土壤不同反演算法的最佳光谱分辨率和信噪比需求一致。⑤Chernozem有机碳最佳反演参数需求为光谱分辨率15 nm,信噪比大于506.66,特征波段提取数为26个;Kastanozem有机碳最佳反演参数需求为光谱分辨率17 nm,信噪比大于331.42,特征波段提取数为22个;Phaeozem有机碳最佳反演参数需求为光谱分辨率15 nm,信噪比大于432.51,特征波段提取数为19个。     

基于近红外光谱的土壤氮含量模型及生物炭对土壤光谱的影响

采集添加生物炭的土壤（标记为ABS）和不添加生物炭的土壤（标记为CS）,获取其近红外光谱,通过预处理算法和偏最小二乘法（partial least squares,PLS）建立两种土壤氮含量预测模型。试验结果显示,CS和ABS分别经过Baseline和Smoothing预处理的预测模型效果最好,定向系数（determination coefficient,R2）分别为0.913和0.753,预测均方根误差（root mean square error of prediction,RMSEP）分别为0.093和0.753,利用近红外光谱可对两种土壤氮含量建模预测。研究了生物炭对土壤光谱及建模的影响,结果表明,添加生物炭会改变土壤成分含量,使近红外光谱和建模不同于普通土壤,而联合建模可减小差异的影响,取得较好的预测效果,联合建模结果显示,经过Smoothing预处理的预测效果最好,R2为0.907,RMSEP为0.086。     

基于高光谱成像技术的冬瓜种子品种鉴别

为实现冬瓜种子品种的快速无损检测,利用高光谱成像技术采集了广东黑皮、一串铃和韩育粉皮3个品种冬瓜种子的光谱图像信息。采用标准归一化（SNV）、多元散射校正（MSC）、中值滤波（MF）等方法进行预处理,利用连续投影法（SPA）、回归系数法（RC）和竞争性自适应算法（CARS）提取特征波长,建立了粒子群优化BP神经网络判别模型,预测集的决定系数与均方根误差分别为R2=0.930、RMSEP=0.047,准确率高达96.30%。研究表明,高光谱技术结合粒子群优化BP神经网络可以实现对冬瓜种子品种快速无损鉴别。     

受(霜)冻果树光谱特征及其受冻级别的定量化测评——以酥梨、砂红桃、红富士苹果树为例

此研究试图探寻受霜冻程度不同的果树的反射光谱特征,并尝试利用光谱数据对果树的受冻程度进行定量化测评.首先,分别对酥梨、砂红桃、红富士3种果树4个受冻级别的花朵的光谱反射率进行了预处理.随后,对光谱数据以9种不同的波长为间隔进行了一阶微分变换.最后,利用优选的3组微分波谱在其对应的特征波段区间内的积分求值,分别对3种果树花朵的受冻程度进行了定量化评估建模.主要结论为:①每种果树各级受冻花朵的反射波谱均在360 nm附近出现了最低谷区,而在360～440 nm的波段区间均出现了坡度最大的陡坎,陡坎坡度的大小顺序为:未受冻级别＞轻度受冻级别＞中度受冻级别＞重度受冻级别,并且陡坎的最大坡度均出现在400 nm附近;②当波长间隔同时设为9 nm时,酥梨、砂红桃、红富士苹果树的各级受冻花朵的微分波谱分别在396±20,400±20,410±20 nm波段区间内的积分求值差异最大;③利用上述的3组积分值,可分别对3种果树花朵的受冻级别建立定量化评估模型.     

氢化物发生原子荧光法测定预混合饲料中硒

氢化物发生原子荧光法测硒已广泛用应于食品、地矿及环境监测中,而应用于预混合饲料中硒的检测较少报道。经试验探索,氢化物发生原子荧光法测定预混合饲料中硒获得满意结果。