北碚447锦橙叶片农学参数与其反射光谱的相关性研究

以锦橙叶片为材料,采用野外光谱辐射仪测量叶片的光谱反射率,并对叶片进行水分、氮、钾、磷、叶绿素的含量测定,计算光谱反射率一阶微分、二阶微分.采用统计学相关分析法,分析叶片农学参数与反射光谱之间的相关关系.结果表明:农学参数中只有磷含量与叶片原始光谱反射率有显著性相关,且与反射率一阶微分、二阶微分的相关系数大于与原始光谱反射率的相关系数.所有测定的农学参数都与叶片光谱反射率一阶微分、二阶微分之间均有显著性相关,其中氮含量与反射率一阶微分、二阶微分相关性最强,相关系数绝对值达到0.9以上.这说明利用微分技术可以增强叶片农学参数与光谱信息的相关性,并为高光谱遥感定量估算锦橙农学参数提供理论依据.     

小波包分析在Hyperion数据提取农田土壤有机质含量中的应用研究

基于星载高光谱遥感影像Hyperion数据,运用连续统去除,小波包分析等技术,探索土壤有机质含量遥感定量提取的新方法.作者对采样点的反射率光谱曲线进行连续统去除、小波包分析处理、连续统去除后的光谱再进行小波包分析,研究了土壤有机质含量与反射率光谱及其变换形式的相关性系数,并建立了13个多元线性回归模型,经分析认为连续统去除后的光谱比原始光谱建立的模型效果好,而小波分析处理的光谱建立的模型的预测能力和精度均比未进行小波分析光谱的反演模型高,其中高频信号的效果要优于低频信号的效果.从研究结果可以看出把小波包分析方法引入到地物特征波谱的增强处理中对于提高定量遥感反演的精度具有良好的效果.     

土壤粒径对土壤光谱特征的影响

通过野外田间采集土样与室内设置不同粒径土粒、室内光谱测定,研究了土壤粒径与土壤光谱特征的关系,结果表明：不同粒径土壤的平均光谱反射率不管是在全波段（392.53-1095.3nm）还是在分波段（392.53-760.35nm、761.72-1095.3nm）都随土壤粒径的减少反射率而增加,但增加的幅度有所不同;土壤粒径与土壤光谱反射率呈负相关关系,某些在原始光谱数据中比较隐晦的信息,经过微分变换的放大,其相关性有所提高;三种模型的预测结果均比较理想,反射率模型的平均相对误差为6.7%,预测精度为93.3%,RMSE=0.886,一阶微分模型的平均相对误差为15.0%,预测精度达到85.0%,RMSE=1.398,二阶微分模型的平均相对误差为9.2%,预测精度达到90.8%,RMSE=0.968。     

基于模糊识别的土壤性质指标光谱反演

为了获得有效的光谱反演指标,采用数学建模方法对横山县采集的84个土样350nm～2500nm波段的光谱曲线进行了有机质、土壤水含量和全铁土壤性质指标光谱进行反演分析。对土壤光谱进行了14种变换,经分析土壤光谱对数的一阶差分为最佳变换方法,利用单相关分析方法,计算土壤性质指标与光谱反射率变换后的相关系数,得到相关系数曲线,根据极大相关性选择最佳波段作为光谱反演指标;剔除异常样本后,利用模糊识别理论建立土壤性质指标反演模型,通过优化得到模型的最佳模型参数。结果表明:土壤性质3项指标光谱反演模型的平均检验误差均小于10%,模型方程的相关系数均高于0.95。     

宣城市岗坡地土壤有机质含量光谱预测分析

利用荷兰AvanSpect2048×14型号地物光谱仪,在实验室条件下,对采自于安徽省宣城市岗坡地29个土壤样品进行反射率光谱数据的采集.对所获取的土壤样品高光谱反射率数据进行标准化比值变换,计算有机质诊断指数,同时将该指数与土壤有机质含量进行相关性分析,寻找最大正相关中心波段.结果表明:最大正相关中心波段为489.87nm,两个次正相关中心波段为481.16nm、490.45nm.随机选取20个样品,对三个中心波段的有机质诊断指数与有机质含量分别进行回归分析,其中以在489.87nm处线性回归模型拟合精度最佳,用该线性模型对其他9个样品土壤有机质含量进行预测,精度达84.660%,表明该线性模型对土壤有机质含量具有较好的预测效果.     

近20年海伦县土壤有机质含量变化研究

土壤反射光谱是反映土壤理化性质和内在结构的特征之一。在海伦县采集土壤样品并测定土壤光谱反射率。将土壤有机质含量与其反射光谱之间建立定量关系;并将建立的模型应用到Aster和TM影像中,进行土壤有机质含量分类。近20年海伦县土壤有机质含量减少的情况非常直接地显示出来。通过研究得出结论,该模型提供了一个用于土地管理相对快速、高效、正确的方法。     

光谱分数阶微分与玉米叶片重金属铜含量的相关性分析

常用的整数阶一阶和二阶微分光谱曲线差异较大,而分数阶微分可实现光谱信息细化,能将整数阶微分容易忽略的信息充分利用起来,更能深度挖掘光谱中的潜在信息。以重金属铜胁迫的盆栽玉米为研究对象,在玉米叶片受不同浓度CuSO_4胁迫下,光谱反射率和Cu~(2+)含量的实验室测量数据基础上,对光谱反射率进行0~1内0.1阶的11个阶次微分处理,将各阶次的微分值与测得的玉米叶片中Cu~(2+)含量进行相关性分析;并对各阶次的微分光谱值进行0.01和0.05显著性水平的检验。分析结果表明,与常用的一阶微分相比,分数阶微分可以突显某些波段的光谱反射率与叶片中Cu~(2+)含量的相关性,扩大特征波段的选择空间。     

基于高光谱特征的三峡库区紫色土有机质含量预测研究——以重庆市北碚区白鹤林为例

【目的】为快速有效测定土壤有机质含量，提高三峡库区农作物产量，实现农业可持续发展。【方法】以三峡库区广泛分布的紫色土为研究对象，对它的有机质含量和原始光谱反射率（R）进行测定，基于R进行C(R)、log10(1/R)、R′、R″、［log10(1/R)］″等5种光谱反射率形式变换，构建紫色土有机质含量的MLSR、PLSR和BPNN高光谱反演模型。【结果】1） 紫色土有机质含量范围为7.68~31.49 g·kg-1，变异系数为31.65%，属中等变异性质，总体上处于缺乏水平；2） 有机质含量与R呈负相关，与log10(1/R)则呈正相关关系，且不同光谱变换形式下的最佳显著性波段主要集中在534~889 nm、1 450~1 976 nm和2 281~2 328 nm；除log10(1/R)外，R的另外4种变换形式与有机质含量的相关性较R有显著提高，最大相关系数达0.676。3）对比MLSR、PLSR、BPNN等3种反演模型，C(R)处理的PLSR模型是预测紫色土有机质含量的最佳模型，建模集和验证集的决定系数分别为0.671和0.532，RMSE分别为2.99和4.03 g·kg-1。【结论】PLSR-C(R)模型可以较好地预测三峡库区紫色土有机质含量，为三峡库区紫色土肥力管理和农业速测紫色土有机质含量提供了新的参考。     

基于近红外光谱的杏仁糖中糖含量预测模型的研究

本研究以32个杏仁糖样品为研究对象,使用4种不同近红外光谱仪采集样品的光谱数据,利用二阶导数光谱法处理数据,并结合Savizky-Golay平滑方法,计算二阶导数光谱。将数据集预处理后,建立偏最小二乘(PLS)和支持向量机(SVM)模型用于预测未知样品的糖含量,通过对两个模型的应用发现,PLS模型预测值与真实值偏差较大,均方根误差为2.9822,而SVM模型中利用10折交叉验证优化参数,优化参数后预测值几乎全部与真实值相同,预测值与真实值间均方根误差为0.0127,误差极小。综上所述, SVM模型均方根误差较小,所以选择SVM模型作为糖的预测模型,为杏仁糖样品中糖含量的快速检测提供一种精确简单的方法,此模型可推广至食品中糖含量的定量分析。     

近红外光谱技术检测石榴汁中花色苷含量

以不同产地的石榴汁样品为对象,对其近红外光谱数据进行预处理并通过小波变化处理提取光谱特征,采用遗传算法对支持向量机的三个参数进行优化,建立基于近红外光谱技术与支持向量机的石榴汁中花色苷含量检测模型。结果表明,模型对验证集的均方根误差为0.019 766,决定系数为0.999 2,模型预测性能良好。近红外光谱技术可用于石榴汁中花色苷含量的定量检测。     

不同叶面积指数反演方法比较研究

以PROSAIL模型模拟数据和地面实测数据为基础,分别分析了土壤背景、冠层反射率非各向同性以及随机噪声等因素对几类代表性反演方法的影响（植被指数法、二阶微分法、模型反演法以及方向性二阶微分法）。结果表明在不同条件下,各类反演方法的反演精度差别较大。植被指数NDVI对几种因素的滤除能力都较差,反演精度最低;模型反演精度高于植被指数方法,但会受到土壤背景的影响;二阶微分方法虽然能部分消除土壤背景的影响,但受冠层反射率非各向同性的限制。文中提出的方向性二阶微分法能较好地消除土壤背景和冠层反射率非各向同性的影响,反演精度较前者有所提高,但二阶微分方法易受噪声影响。     

不同叶面积指数反演方法比较研究

以PROSAIL模型模拟数据和地面实测数据为基础,分别分析了土壤背景、冠层反射率非各向同性以及随机噪声等因素对几类代表性反演方法的影响(植被指数法、二阶微分法、模型反演法以及方向性二阶微分法)。结果表明在不同条件下,各类反演方法的反演精度差别较大。植被指数NDVI对几种因素的滤除能力都较差,反演精度最低;模型反演精度高于植被指数方法,但会受到土壤背景的影响;二阶微分方法虽然能部分消除土壤背景的影响,但受冠层反射率非各向同性的限制。文中提出的方向性二阶微分法能较好地消除土壤背景和冠层反射率非各向同性的影响,反演精度较前者有所提高,但二阶微分方法易受噪声影响。     

基于高光谱的棉花中钾含量的预测研究

本研究以农一师十团试验田棉花为研究对象，通过野外调查取样和室内理化分析与光谱测试，研究了棉花钾素含量与光谱特征的关系．结果表明对原始反射率进行微分处理能提高模型的预测精度，在所有预测模型中，二阶微分模型的预测效果最好，由45个样本所得出的回归方程的相关系数达到-0．5994，达极显著水平，为所有回归方程中的最大值，通过对该模型检验，得出该模型的预测平均相对误差仅为8．40％。预测精度迭到91．6％，RMSE=0．279。     

基于综合高光谱指数的区域土壤盐渍化建模——以平罗县为例

为建立综合高光谱土壤盐渍化模型,以干旱区典型的土壤盐渍化区域宁夏回族自治区平罗县为研究区,以植被和土壤的实测高光谱数据和土壤含盐量测量结果为基础数据,对高光谱数据进行平滑(S-G方法)和数学变换(倒数、对数和一阶微分等),并将其与土壤盐分数据进行相关分析,筛选对土壤含盐量响应最敏感的光谱波段,计算并选取最优高光谱植被指数和土壤盐分指数,采用多元线性回归方法建立高光谱土壤盐渍化模型.结果表明,以实测光谱反射率的对数一阶变换结果与土壤盐分指数和高光谱植被指数相结合作为自变量,土壤含盐量为因变量,所构建的多元线性回归模型效果最佳.该模型的预测值和实测值的相关性较好, R²=0.827 9,通过99%的显著性检验;均方根误差为0.236 g/kg,相对分析误差为2.029,表明样本实测值与预测值之间的偏差较小,在一定程度上可以预测土壤含盐量.     

混合光谱分解实验研究

混合光谱分解研究对提高遥感识别地物信息精度具有重要意义.实验室模拟混合光谱分解模型可以作为遥感影像混合像元分解的基础,为地物分类提供经验模型和理论依据.对土壤-植被混合模型进行实验室模拟,对原始光谱反射率进行一阶微分、对数、去连续统变换,运用特征波段法和相似系数法拟合回归方程,并对比模型精度.结果表明基于对数变换数据的...     

基于太赫兹光谱和支持向量机快速检测棉花种子

鉴于目前对农产品品种的检测大多是基于可见光/近红外光谱的,提出了一种基于太赫兹光谱和支持向量机快速检测棉花种子的方法.为实现棉花种子的分类识别,在频率0.2~1.2 THz范围内采集2种最新转基因及2种非转基因棉花种子,总计40个样本的太赫兹光谱,用遗传算法优化的支持向量机建立识别模型,对不同品种的棉花种子进行识别.实验结果表明,该方法对不同品种的棉花种子综合识别率达到93.75%,由此,太赫兹光谱结合支持向量机的检测方法可为不同品种的生物辨别提供一种精确、快速、简便的检测方法.     

基于高光谱特征波长选取的不同类型沉积岩识别方法

为快速无损地实现岩石类型精确识别,以禄丰阿纳恐龙山南缘为研究区,采集3类典型沉积岩样本(泥岩、砂岩和泥灰岩各21块),借助ASD FieldSpec3地物光谱仪获取样本在350～2 500 nm内的高光谱数据,对预处理后的原始光谱进行一阶微分和连续统去除变换,采用马氏距离对全波段光谱进行初步筛选,并使用竞争性自适应重加权算法进一步筛选特征波长,基于全波段和特征波长变量分别建立贝叶斯判别和经过粒子群算法优化的支持向量机识别模型.结果表明,马氏距离结合竞争性自适应重加权算法用来筛选特征波长能提高模型的识别准确率,有效剔除光谱中的冗余信息,其中基于连续统去除光谱构建的组合模型被选为最优沉积岩识别模型,其预测集识别准确率为0.952 4,输入模型的特征波长变量数只占全波段的1.6%.     

运用连续小波变化-支持向量回归模型预测肉制品的各成分含量

作为小波分析的一个应用方向,连续小波变换对于信号的变化非常灵敏.近红外光谱技术是一种简单,快速,无损,价格低廉的方法,可以进行多组分同时分析.支持向量机基于结构风险最小化原理替代了传统方法中的的经验风险最小化原理,使得它具有更好的泛化能力.把连续小波变换-结合支持向量回归模型用于肉制品的成分测定,取得了令人满意的效果.     

哈姆林甜橙叶片锰锌缺乏症状的高光谱识别

柑橘树锰、锌等缺乏问题普遍存在,但其症状有时不易识别,不利于对这些微量元素丰缺与否的诊断和有针对性的矫治．采用高光谱成像技术,研究了哈姆林甜橙叶片不同程度缺锰、缺锌症状的光谱响应特征及差异,对Fisher线性判别分析和最小二乘支持向量机两种识别模型的识别精度进行了比对分析．结果表明,利用高光谱原始全光谱反射率,结合最小二乘支持向量机建立叶片缺锰、缺锌症状识别模型,其建模集识别精度达91.88％,预测集识别率可以达到90.00％;利用连续投影算法筛选的40个特征波长,建立最小二乘支持向量机判别模型,其建模集识别精度为90.00％,预测集识别精度也达82.50％．表明基于高光谱成像技术对柑橘树缺锰、缺锌的准确识别是可行的,为高光谱成像技术应用于柑橘树缺素症的快速无损识别奠定了基础．     

基于支持向量机的土壤重金属含量预测研究

近年来伴随着社会经济的快速增长,全国公路里程和机动车数量迅猛增加,其在促进地区发展的同时也给周边环境带来了日益严重的土壤重金属污染问题。随着人们对身体健康的重视,土壤重金属污染也引起了更广泛的关注,特别是如何对土壤重金属含量进行快速、高效地评估。在此背景下,基于高光谱技术,利用支持向量机方法构建了一个回归分析模型,使用该模型可实现对土壤中部分重金属含量(砷、镉、铜、铅、锌)进行快速预测,且结果表明预测效果比较理想。