基于特征光谱参数的苹果叶片叶绿素含量估算

果树叶绿素含量的快速、无损、准确监测,可以及时掌握果树的营养水平,对指导果树管理具有重要意义。该文利用2012年和2013年山东省肥城市潮泉镇下寨村的苹果叶片叶绿素含量和叶片光谱数据,分析了叶绿素含量和苹果叶片原始光谱及其变换形式之间的相关性,筛选出较优光谱参数,并利用随机森林法、偏最小二乘法、BP神经网络和支持向量机回归法进行估算和验证。结果表明:1)叶绿素含量与叶片原始光谱及其变换形式之间的最优光谱参数分别为554和708 nm的原始光谱反射率,554和708 nm倒数之对数光谱,535、569、700和749 nm一阶微分光谱以及557和708 nm连续统去除光谱;2)随机森林、偏最小二乘法、BP神经网络和支持向量机估算模型的R2分别为0.94,0.61,0.66和0.60,RMSE分别为0.34,0.78,0.75和0.81 mg/dm2。说明随机森林算法模型用于估算苹果叶片叶绿素含量效果较好,为及时了解果树养分状况及果树营养诊断提供技术支持。

基于综合指标的冬小麦长势无人机遥感监测

作物长势监测可以及时获取作物的长势信息,该文尝试建立新型长势指标,监测小麦总体长势情况。将反映小麦长势的叶面积指数(leaf area index,LAI)、叶片叶绿素含量、植株氮含量、植株水分含量和生物量5个指标按照均等权重综合成一个指标,综合长势指标(comprehensive growth index,CGI)。利用450~882 nm范围内单波段和任意两个波段构建归一化光谱指数(normalized difference spectral index,NDSI),比值光谱指数(ratio spectral index,RSI)和简单光谱指数(simple spectral index,SSI),计算CGI与光谱指数的相关性,筛选出相关性好的光谱指数,结合偏最小二乘回归(partial least squares regression,PLSR)建立反演模型。以CGI为指标,运用无人机高光谱影像对2015年小麦多生育期的长势监测。结果表明:1)冬小麦各生育期,总体上CGI与光谱指数的决定系数R^2均好于各项单独指标与相应光谱指数的R^2。仅孕穗期CGI和RSI(754,694)的R^2比叶绿素和RSI(486,518)的R^2低,开花期的CGI和R570的R^2比生物量和R834的R^2低以及灌浆期CGI和SSI(582,498)的R^2比植株含水量和SSI(790,862)的R^2低。2)拔节期,孕穗期,开花期,灌浆期和全生育期PLSR模型的建模R^2分别为0.70,0.72,0.78,0.78和0.61。拔节期,孕穗期和开花期的无人机CGI影像验证模型的均方根误差RMSE(root mean square error)分别为0.050,0.032和0.047。CGI与相应光谱指数的R^2高于单独各项指标与相应光谱指数的R^2,光谱指数能够很好反映CGI包含的信息。无人机高光谱影像反演CGI精度较高,能够判断出小麦总体的长势差异,可为监测小麦长势提供参考。

基于多元线性回归和随机森林的苹果叶绿素含量高光谱估测方法比较

叶绿素含量是果树营养胁迫和光合作用等生理状态的良好指示剂。为快速准确地估测苹果叶片叶绿素含量,利用采集的苹果叶片光谱和叶片叶绿素含量数据,通过分析原始光谱与叶绿素含量的相关性,筛选出554、708、995 nm 3个最佳敏感波段,构建基于原始光谱敏感波段的多元线性回归(multivariable linear regression,简称MLR)模型和随机森林(random forest,简称RF)模型,用于叶绿素含量估测;使用相关系数绝对值(absolute value of correlation coefficient,简称|r|)和RF的袋外数据(out of bag,简称OOB)重要性分别对植被指数与叶片叶绿素含量的关联性进行分析,筛选植被指数,然后使用MLR和RF算法构建模型,依次增加植被指数的输入数,筛选出10个植被指数的MLR最优模型和5个植被指数的RF最优模型;比较上述4个模型的估测精度。基于原始光谱的MLR模型和RF模型以及基于植被指数的MLR最优模型和RF最优模型建模的R2分别为0.578、0.527,0.602、0.609,RMSE分别为8.240、8.728,8.004、7.930μg/cm^2,4个模型建模精度相近。在模型验证方面,4个模型的R2分别为0.899、0.411、0.854、0.843,RMSE分别为8.297、14.455、11.242、11.034μg/cm^2。基于原始光谱的MLR模型的叶绿素含量估测精度高于其他3个模型,能够精确地估测苹果叶片叶绿素含量。另外,基于植被指数的MLR模型和RF模型对苹果叶片叶绿素含量估测也具有一定的应用潜力。

PETA-Gmin:求解非线性电路的动态延拓算法

在集成电路设计的晶体管级电路仿真中,为了成功求解直流工作点,诞生了各种各样的直流延拓算法,如Gmin步进法、源步进法、伪瞬态法和同伦法等。随着集成电路的不断发展,对于现今具有强非线性的大规模电路,直流分析算法的收敛性能和效率仍然是一个巨大的挑战。针对具有强非线性的大规模电路在仿真过程中存在的收敛性较差以及仿真效率较低等问题,提出了一种名为PETA-Gmin的动态直流混合延拓算法。不同于之前所有的传统算法,PETA-Gmin将伪瞬态的过程成功地结合到了Gmin步进法中。由于伪电容的接入使得节点电压可以连续变化,从而有效地改善了仿真中解曲线不连续的问题,提高了收敛性。同时,Gmin步进法的快速步进保证了高效的仿真速率。目前,通过对工业界的大规模电路进行仿真,验证了所提PETA-Gmin算法的性能。实验结果表明,所提算法在仿真收敛性方面相对于Gmin步进法得到了显著提升,并且在仿真效率方面相对于最新的伪瞬态算法,其加速比最高(平均)可达4.89倍(2.57倍)。

基于全偏振显微成像的数字病理技术

数字病理技术利用经过数字化的病理样本显微图像及其特征,并配合人工智能技术,实现生物组织病变特征的定量评估和判定,辅助临床医生做出诊断结论。利用偏振光照明和偏振探测可以实现全偏振成像,图像每个像素的偏振特征都包含更加丰富的信息,特别是普通光学成像难以获得的亚细胞超分辨微观结构特征信息,可为病变组织的识别和定量评估提供更为有效的手段。本文总结了全偏振成像技术,并结合典型临床应用归纳总结了全偏振显微图像的数据分析方法和最新进展。