内蒙古中部碱长花岗岩型铌钽矿床典型岩矿光谱识别特征

内蒙古中部地区,位于大兴安岭南段—华北陆块北缘成矿带,因其碱长花岗岩型铌钽矿的广泛分布而备受关注。尽管该地区铌钽矿资源丰富,但对其光谱学特征的系统认识尚不足,在一定程度上制约了矿产资源勘查的精确性和效率。本文以赵井沟大型铌钽矿床为例,利用便携式短波红外及热红外光谱仪对赵井沟典型岩矿样本开展光谱测量与分析,揭示富铌钽钠长花岗岩、天河石化钠长花岗岩、天河石伟晶岩、黑云母二长花岗岩、含黑钨矿石英脉波谱特征,并对其展开对比研究。研究表明:在近红外光谱范围内,与USGS光谱库中的标准钠长花岗岩光谱进行对比分析,发现2360nm处的弱吸收特征可作为天河石化钠长花岗岩与其他岩石及矿物区分的关键波段,此差异推测可能由岩石的蚀变矿化过程引起。在热红外光谱分析中,含黑钨矿石英脉因其显著的高反射率和“三峰”特征而易于区分与识别。尽管富铌钽钠长花岗岩、天河石伟晶岩和黑云母二长花岗岩在光谱形态上具有一定的相似性,但它们在2200nm附近的吸收深度的大小和峰强比的差异,为有效地区分这些矿物提供了重要依据。

光谱参数法快速识别石油烃污染场地水体特征

水体受石油污染日趋广泛,给人类及生态环境带来严重威胁。快速、准确和可靠地监测水体石油污染状况,对于理解其环境行为和评估人体暴露风险至关重要。石油类组分往往具备较好的光谱响应,然而基于光谱技术快速监测实际石油烃污染水体却鲜有报道。该研究以典型石油污染场地的地下水和地表水为对象,在全面分析水质电导率、总有机碳,Cl^(-),NO_(3)^(-),SO_(4)^(2-),Na^(+),K^(+),Mg^(2+),Ca^(2+),NH_(4)^(+),挥发性有机物和石油烃C_(6)-C_(9),C_(10)-C_(14),C_(15)-C_(28),C_(29)-C_(40)浓度基础上,对水体样品进行紫外-可见光光谱、同步荧光光谱、三维荧光光谱表征,采用多元数据分析手段评估光谱技术在石油污染场地快速识别应用的可能性。结果表明:①紫外-可见光光谱和同步荧光光谱参数表明,污染的地下水中含有大量芳香族化合物,且有机物分子结构复杂,含有大量的羟基、羰基、羧基和酯类等取代基,三维荧光光谱参数表明污染水体中有机物经过了长时间的生物转化,说明污染地下水中有机物稳定性强,降解性差;②三维荧光光谱图表现出Ⅰ和Ⅳ区明显的荧光峰,Ⅴ区存在肩峰的水体主要是苯系物污染,而三维荧光光谱图表现出Ⅱ和Ⅳ区明显的荧光峰,Ⅰ区存在肩峰的水体主要是萘系物污染,三维荧光光谱图表现出Ⅱ区最高荧光峰,Ⅰ,Ⅲ,Ⅳ和Ⅴ都存在肩峰的水体主要是萘系物和菲系物污染;③石油烃C_(6)-C_(9)组分浓度可采用紫外-可见光光谱参数S_(308~363),SUVA_(254)和三维荧光光谱中Ⅰ区体积快速指示,石油烃C_(10)-C_(14)组分和总石油烃(TPH)浓度可采用三维荧光光谱中Ⅳ区体积快速指示,石油烃C_(15)-C_(28)和C_(29)-C_(40)组分浓度可采用三维荧光光谱中Ⅰ区体积快速指示。研究证实利用光谱参数结合多元数据分析可对石油污染水体进行快速识别,为地下水石油污染监测和修复提供了一种全新的快速在线监测分析方法。

基于光谱特征参数的温室番茄叶片叶绿素含量预测

为了快速、准确估测温室番茄叶片叶绿素含量,提升作物精细管理水平,利用光谱分析技术研究了温室番茄不同生长阶段叶绿素含量和响应光谱的相关性,在幼苗营养生长阶段叶片叶绿素含量呈增长趋势,到移植50天前后达到最大值,在此期间反射光谱的红边会向红外方向(长波)偏移,同时绿峰向蓝光(短波)方向偏移,绿峰幅值减小。从结果期开始叶绿素含量呈下降趋势,而红边、绿峰及绿峰幅值向相反方向变化。为了定量分析叶绿素含量和叶片反射光谱间的关系,从自定义的68个光谱特征参数中提取了7个能反映叶绿素含量变化的最优参量,并使用逐步回归、岭回归、主成分分量回归和偏最小二乘回归消除了最优参量的多重共线性,建立了叶绿素含量预测模型,其中岭回归模型精度最佳,均方根误差(RMSE)为0.406,决定系数(R2)为0.839。

基于多类型光谱特征参数匹配的矿物信息遥感识别方法

传统的与光谱反射率匹配的矿物填图方法受图像质量、大气及环境背景等因素影响较为明显,矿物识别效果较差。针对上述问题提出一种基于多类型光谱特征参数匹配的矿物信息识别方法,综合利用多种光谱特征参数在大气及环境背景变化中的相对稳定性特点,实现矿物信息的高精度识别。选取美国内华达州Cuprite矿区AVIRIS机载可见-红外光谱成像仪高光谱数据,以USGS美国地质调查局波谱库中的矿物波数为参照光谱,分别计算AVIRIS影像和USGS波谱库中典型矿物的光谱特征参数,在对多种光谱特征参数综合分析的基础上,构建Cuprite矿区矿物识别模型,进行矿物填图实验。最后使用Clark等在该地区的矿物填图结果数据,对实验结果进行了验证,结果表明:该方法矿物识别结果与Clark等的填图结果吻合度高,整体矿物识别精度达到78.96%。

利用光谱特征参数估算病害胁迫下杉木叶绿素含量

为了探索建立炭疽病胁迫下杉木叶绿素含量的高光谱估算模型,促进遥感技术在森林病虫害监测中的应用,通过获取不同发病程度的杉木冠层光谱及相应的叶绿素含量,将冠层光谱数据、一阶微分数据与相应的叶绿素含量分别进行了相关分析。采用逐步回归、主成分回归及偏最小二乘回归方法构建叶绿素含量的估算模型。叶绿素含量与原始光谱在可见光(614～698nm)和近红外区(724nm之后)达到极显著相关,且在近红外区基本趋于稳定;与一阶微分光谱在424～486nm、514～532nm、552～682nm、698～755nm和762～772nm波段全部达到极显著相关;3种建模方法均消除了参数间多重共线性的影响,模型的决定系数全部达到极显著水平,其中逐步回归模型精度最高,相对误差和均方根误差分别为10.71%和0.194。研究表明受到不同程度炭疽病胁迫的杉木冠层光谱反射差异较大,可利用高光谱信息定量估算病害胁迫下的杉木叶绿素含量,且估算精度较高。

基于光谱特征参数的粳稻冠层氮素含量反演方法

粳稻氮素含量的快速、无损、准确估算,可以及时掌握粳稻的生长状况,对指导粳稻田间管理具有重要意义。为提高粳稻冠层氮素含量的高光谱反演精度,利用沈阳农业大学路南试验基地2018年粳稻3个关键生育期无人机高光谱影像和同步测定的粳稻冠层氮素含量作为数据源,选用从粳稻冠层光谱中提取的高光谱位置变量、面积变量和植被指数变量3种类型20个光谱特征参数与氮素含量进行相关性分析,选出各个生育期内相关性较高的前3个光谱特征参数作为模型输入分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)和思维进化算法优化BP神经网络(MEA-BPNN)3种粳稻冠层氮素含量反演模型并验证。结果表明:在粳稻分蘖期、拔节期、抽穗期,与粳稻氮素含量相关性最好的高光谱特征参数均为红边面积SDr,相关系数分别为0.771,0.664,0.775;MEA-BPNN反演模型与PLSR、BPNN相比,无论在模型精度还是预测能力都有明显提高,在各个生育期,MEA-BPNN模型的建模集和验证集决定系数R^2均达到0.700以上,RMSE均低于0.400以下,说明MEA-BPNN反演模型是筛选出的最佳粳稻冠层氮素含量反演模型。综上研究,该模型能够快速无损反演粳稻冠层氮素含量,可为后续施肥决策提供支持。

基于高光谱吸收特征参数的分类研究

在Weka平台上,采用决策树C4.5、朴素贝叶斯、朴素贝叶斯树三种算法进行了带缺失属性值的高光谱分类研究。针对高光谱波段数众多、信息冗余量大的特点,首先对光谱曲线进行光谱特征参数提取,然后再选择合适的吸收峰波段作为输入向量来进行分类。实验表明,由NBTree建立的铀黑-沥青铀矿分类模型的分类误差最小,分类精度最高,其次是NaveBayes和J4.8,但从训练时间来看,NBTree则高于NB和J4.8。最后,对三种分类算法的分类结果进行了分析。

应用激光喇曼光谱特征参数反映有机碳质的成熟度

激光喇曼光谱技术具有测试简便和准确等优点。有机碳质物的激光喇曼光谱参数可以作为成熟度指标 ,并计算出镜质体反射率与激光喇曼光谱参数的回归关系式。喇曼光谱成熟度指标对应的成熟度范围为 2 .1%～ 15 .0 % (RO)

基于高光谱吸收特征参数以及光谱吸收指数的藻类叶绿素a反演分离模型研究

利用ASD地物光谱仪对不同浓度下小球藻、聚球藻及其混合藻的反射光谱进行测量,得到3组藻类在不同叶绿素a(Chl-a)浓度下的反射光谱,同时进行了Chl-a浓度测量。利用Matlab软件神经网络模型中的径向基函数对得到的高光谱数据进行高光谱曲线拟合,在拟合结果基础上,提取小球藻在652nm处、聚球藻在609nm处以及混合藻在652nm和609nm处的光谱吸收指数(SpectralAbsorptionFeatureParameter,SAFP)建立了两种单一藻类的定量模型,单一小球藻Chl-a最优定量模型为吸收峰深度模型Chl-a=10.059e713.97H,聚球藻的Chl-a最优定量模型为吸收峰斜率模型Chl-a=3×1012K2+1×107K+56.555。并在对两种单一藻类的定量模型研究基础上用光谱吸收指数对该两种藻的混合藻进行了Chl-a浓度分离。通过对比模型计算结果的均方根误差(RootMeanSquareError,RMSE),除吸收峰对称度模型分离结果不太理想外,吸收峰深度分离模型、吸收峰斜率分离模型、吸收峰光谱吸收指数(SAI)分离模型的分离结果都很好,分离效果最好的为SAI分离模型。

韭菜中毒死蜱残留量与高光谱特征参数的相关性建模

本研究目的在于分析农药残留量（pesticide residue,PR）与高光谱中响应特征参数之间的关系,并利用筛选的光谱特征参数建立反演毒死蜱残留量的有效模型。首先采用ASD Fieldspec高光谱仪测得韭菜样本的光谱,通过气相色谱-质谱联用（GC-MS）法测得毒死蜱残留量（PR）值;分析样本光谱反射率值及其一阶微分值与毒死蜱残留量的相关性,计算33个高光谱特征参数与毒死蜱残留量的相关性;根据相关系数高低选择敏感的光谱特征参数;最后采用最佳相关系数下的光谱特征参数对毒死蜱残留量进行建模反演。相关性分析结果显示：近红外波段789~867 nm范围内一阶微分光谱值与PR值呈正相关,1 860 nm处一阶微分光谱值（first-order differential 1 860 nm,FD1860）与PR值紧密相关;在33个高光谱特征参数中,近红外一阶微分总和（the sum of first-order differential near infrared,SDnir）与PR值呈良好的正相关关系。基于此,文章以供试样本的FD1860和SDnir观测值为自变量,分别建立了3个预测毒死蜱残留量的模型,即线性、二次多项式及指数模型,并采用交叉验证测试方法检验了模型的合理性。对实验所得决定系数R2和预测均方根误差（RMSE）的评价结果表明,以SDnir为自变量构建的模型稳定性强,其二次多项式模型是最佳反演毒死蜱残留量的有效模型。因此,样本的高光谱特征参数SDnir的变化幅度直接反映了韭菜样本中毒死蜱残留量的变化,表明运用蔬菜的高光谱特征参数反演蔬菜中农药残留量的方法是可行的。

基于光谱特征参数与主成分分析的玉米叶片叶绿素含量BP反演

利用美国SVC HR-1024I型地物光谱仪对盆栽玉米叶片进行光谱测定,同时用SPAD-502叶绿素仪测定叶片的叶绿素含量。基于实测光谱的微分处理结果,获取光谱位置、光谱面积、植被指数3个方面的11个光谱特征参数(spectral characteristic parameters,SCP),分析这11个SCPs与叶绿素含量的相关性,并对这些参数进行主成分分析(principal component analysis,PCA);然后,利用这11个SCPs及其PCA结果建立误差反向传播(error back propagation,BP)神经网络输入因子,并构建了玉米叶片叶绿素含量BP反演模型(简称SCP-PCA-BP模型)。另外,选取与叶绿素含量相关性较高的8个SCP,建立常规的线性回归模型并预测叶绿素含量。反演结果表明:SCP-PCA-BP反演的预测值与实测值之间的决定系数(r2)达到0.968 7,均方根误差(RMSE)为0.893 9;而用线性回归模型反演时,只有基于SCP中微分光谱蓝边面积、面积比值、归一化面积参数的预测效果较好,其中归一化面积的预测效果最好,预测值与实测值之间r2为0.704 0,RMSE为2.895。因此可知,与常规的线性回归模型相比,SCP-PCA-BP反演模型在预测玉米叶片叶绿素方面具有更好的预测效果。

基于高光谱特征和光合参数监测松小蠹不同危害时期的相关分析

[目的]测定云南松枝梢针叶高光谱数据及光合数据,建立松小蠹危害时期监测模型及光合参数模拟方程,有效、快速地预测松小蠹危害时期,诊断云南松健康状况,为大面积应用高光谱遥感技术实现森林病虫害监测提供依据。[方法]调查松小蠹危害情况,获取不同危害时期针叶高光谱及光合数据,选取与松小蠹危害时期显著相关的参数,建立危害时期监测模型;对针叶光合与高光谱特征参数进行相关分析,建立光合参数的相关方程。[结果]危害时间越久,在740~1036 nm,云南松枝梢针叶光谱反射率逐渐降低;光谱一阶微分曲线在660~740 nm,出现"红边""蓝移"现象,且峰值逐渐降低;基于光谱特征建立的松小蠹危害时期多元线性回归模型拟合效果最优;松小蠹危害时期与净光合速率Photo密切相关,其三次函数模型拟合效果较好;建立光谱指数和光合参数之间的联系,得到光合参数最优拟合方程。[结论]根据云南松光谱指数和光合参数分别建立的模型可有效监测松小蠹危害时期;云南松光谱指数与光合参数存在显著相关性,可建立相关模型预估云南松生长健康状况。

基于无人机高光谱特征参数和株高估算马铃薯地上生物量

地上生物量(above-ground biomass,AGB)是评价作物长势及其产量估测的重要指标,对指导农业管理具有重要的作用。因此,快速准确地获取生物量信息,对于监测马铃薯生长状况,提高产量具有重要的意义。于马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期获取成像高光谱影像、实测株高(heigh,H)、地上生物量和地面控制点(ground control point,GCP)的三维空间坐标。首先基于无人机高光谱灰度影像结合GCP生成试验田的DSM(digital surface model,DSM),利用DSM提取马铃薯的株高(H_(dsm));然后利用无人机高光谱影像计算一阶微分光谱、植被指数和绿边参数,进而分析高光谱特征参数(hyperspectral characteristic parameters,HCPs)和绿边参数(green edge parameters,GEPs)与马铃薯AGB的相关性,每个生育期筛选出相关性较高的前7个高光谱特征参数和最优绿边参数(optimal green edge parameters,OGEPs);最后基于HCPs,HCPs加入OGEPs,HCPs加入OGEPs和H dsm的组合利用偏最小二乘回归(partial least square regression,PLSR)和随机森林(random forest,RF)估算不同生育期的AGB。结果表明:(1)提取的H_(dsm)与实测株高H高度拟合(R^(2)=0.84,RMSE=6.85 cm,NRMSE=15.67%);(2)每个生育期得到的最优绿边参数不完全相同,现蕾期、块茎增长期和淀粉积累期OGEPs为R_(sum),块茎形成期和成熟期OGEPs分别为Dr_(min)和SDr;(3)与仅使用HCPs估算AGB相比,使用HCPs加入OGE Ps,HCPs加入OGEPs和H dsm在马铃薯不同生育期可以提高AGB估算精度,且以后者为自变量提高精度的幅度更大;(4)每个生育期利用PLSR和RF估算AGB的建模和验证R^(2)从现蕾期到块茎增长期呈上升趋势,随后开始降低,整体上R^(2)呈先上升后下降的趋势,通过PLSR方法构建的估算AGB模型效果优于RF方法,其中块茎增长期表现效果最好。因此,高光谱特征参数中结合最优绿边参数和株高,并使用PLSR方法可以改善马铃薯AGB的估算效果。

稻瘟病胁迫下水稻叶片叶绿素含量与光谱特征参数的相关性研究

为实现受稻瘟病侵染水稻叶片叶绿素含量的高光谱反演,以‘陵两优268’为研究对象,测定受稻瘟病侵染的85个水稻叶片样品的叶绿素含量和高光谱反射率,分析受稻瘟病侵染的水稻叶片高光谱反射率与叶绿素含量间的相关关系,使用线性与非线性回归技术建立叶绿素含量反演模型。结果显示:叶绿素含量与原始光谱及一阶导数光谱的敏感波段分别发生在700 nm和752 nm,基于光谱特征参数SDr的回归模型均方根误差为1.27,平均相对误差为10.2%。研究表明受稻瘟病侵染水稻叶片光谱反射率差异明显,基于光谱特征参数SDr的回归模型预测叶绿素含量具有较高的精度。

基于红光和近红外反射光谱特征参数反演草地地上生物量

2013年6~10月测定东非狼尾草＋白三叶混播草地冠层反射光谱和地上生物量;分析红光波段和近红外波段反射光谱特征参数与牧草鲜重及干物质之间的相关关系;构建并检验基于红光单波段和植被指数（NDVI、RVI、DVI）反演草地地上生物量回归模型。结果表明：红光波段反射率与草地地上生物量之间存在显著相关性;地上生物量的增加能够显著降低＂红谷＂反射率,显著升高近红外850.0nm处反射率;选用红光单波段反射率、红光波段构建的植被指数RVI或红光与近红外波段构建的植被指数NDVI,均能够精确反演草地鲜草产量和干物质产量;适宜估产的植被指数因季节和草地生物量的差异而不同,在6月11日,植被指数RVI反演模型估测的草地生物量与实测值的模拟效果最好,10月12日,植被指数NDVI反演模型估测的草地生物量与实测值的模拟效果最好。

线性渐变滤光片光谱特征参数测试方法

为了能够精确地测量线性渐变滤光片的光谱特征参数,提出一种线性渐变滤光片的透过率检测方法.该方法在测量时,用光谱仪分别采集滤光前和滤光后的光信号,计算得到测量点的光谱透过率.调节微动位移平台,对滤光片样品进行多点扫描测量,数据处理后,得到线性渐变滤光片的光谱特征参数.推导了测试光谱透过率的理论公式,仿真结果表明该方法的测量精度随着线性色散系数的增大而减小,在线性色散系数小于1.5nm·mm-1时,该方法测量的中心透过率和带宽的误差小于0.4%.根据该测量方法设计了相应的检测系统,实际测量了线性渐变滤光片的光谱特征参数.

松树叶片光谱特征参数与叶绿素含量相关性分析

松材线虫病严重危害松树健康。本文分别从光谱反射率曲线和光谱特征参数入手,对重庆市涪陵区永胜林场冒合寨管护站的四种病害程度不同的松树叶片光谱进行分析。研究发现:随着松树受病害程度的增强其叶绿素含量也相应降低,并且呈现良好的相关性。红边位置、红边波长、红谷的吸收深度、绿峰的反射峰高度、YP(蓝波段490nm-530nm一阶导数最大值)、Ip(红波段反射率最大值)、PSSR(比值叶绿素指数)、PSND(归一化比值叶绿素指数)与其叶绿素含量有较好符合度。结果说明通过光谱特征参数分析,能很好的分析松材线虫病病害程度。

基于高光谱特征参数的冬小麦氮营养指数估算

为了实现快速高精度获取冬小麦氮营养指数的高光谱监测技术,利用美国SVC HR-1024I型野外光谱辐射仪对2017-2019年关中地区的冬小麦进行遥感监测,获取“三边”参数、任意两波段光谱指数和植被指数,通过相关性分析和逐步回归分析方法筛选冬小麦氮营养指数的敏感光谱参数,结合偏最小二乘回归(PLSR)、随机森林算法(RFR)、支持向量机回归(SVR)和梯度增强回归(GBDT)建立冬小麦氮营养指数模型,并对模型估算精度进行验证。结果表明,从拔节期到灌浆期,各时期的氮营养指数与任意两波段光谱指数均呈极显著相关,其中拔节期氮营养指数与任意两波段光谱指数相关性均高于其他时期,且基于一阶导数光谱的归一化光谱指数和比值光谱指数与氮营养指数的相关系数最大,为0.66。拔节期基于梯度增强回归的冬小麦氮营养指数预测模型的决定系数(r^(2))和均方根误差(RMSE)分别为0.96和0.05,模型验证的r^(2)、RMSE和相对预测偏差(RPD)分别为0.95、0.12和2.12,模型预测精度最高。因此,拔节期基于梯度增强回归的冬小麦氮营养指数估算模型可用于冬小麦氮营养监测及后期田间管理。

马尾松针叶光谱特征与其叶绿素含量间关系研究

以马尾松针叶野外高光谱数据为基础,分析了马尾松光谱变化,构建或借助不同光谱特征参数,在理论和实践分析的基础上,建立了马尾松针叶叶绿素含量与光谱反射率及9个特征参数之间的关系。研究结果表明:(1)马尾松叶绿素含量在527,703,1364及1640nm四个波长附近,与其反射率具有较好的线性关系,为马尾松遥感监测在波段选择上提供了依据;(2)红边位置、红边平均反射率、红边位置附近平均反射率、红边斜率、红边面积、红谷吸收深度、绿峰反射高度、红边归一化植被指数、红边植被胁迫指数等9个马尾松反射光谱特征参数均与叶绿素含量间存在指数函数关系,相关系数绝对值在0.5～0.7之间;(3)采用9个光谱特征参数建立了马尾松针叶叶绿素含量预测模型,且所建立的基于高斯核函数变换的偏最小二乘回归模型对叶绿素含量的预测精度远远大于传统线性回归模型,模型的均方误差为0.0088,平均绝对百分误差为0.7617%。

基于高光谱特征与人工神经网络模型对土壤含水量估算

土壤含水量(θ)是影响作物生长和作物产量的主要因素之一。旨在评估基于光谱特征参数的各种回归模型估算土壤含水量的精度,并比较人工神经网络(BP-ANN)和光谱特征参数模型的性能。2014年在室内获取砂土和壤土的土壤含水量和光谱反射率数据。结果表明:(1)当砂土容重为1.40 g·cm^(-3)时,900~970 nm最大反射率和900~970 nm反射率总和估算口达到极显著水平(R^2超过0.90);容重为1.50 g·cm^(-3)时,用蓝边最大反射率和900~970 nm反射率总和估算θ相关性最好(超过0.70);容重为1.60 g·cm^(-3)时,780~970 nm反射率总和与560~760 nm归一化吸收深度的R^2均超过0.90,达到极显著水平;容重为1.70 g·cm^(-3)时,900~970 nm最大反射率和900~970 nm反射率总和的R^2为0.88,呈极显著水平。(2)当土壤类型为壤土时,用900~970 nm最大反射率和900~970 nm反射率总和估算θ相关性最好。(3)蓝边反射率总和(R^2=0.26和RMSE=0.09 m^3·m^(-3))和780~970 nm吸收深度(R^2=0.32和RMSE=0.10m^3·m^(-3))估算砂土的含水量相关性最好。在估算壤土的含水量时,900~970 nm最大反射率(R^2=0.92和RMSE=0.05 m^3·m^(-3))与900~970 nm反射率总和估算模型的精度最高(R^2=0.92和RMSE=0.04 m^3·m^(-3))。(4)用人工神经网络模型能够更好地估算两种土壤的含水量(R^2=0.87和RMSE=0.05m^3·m^(-3))。因此,人工神经网络模型对θ估算具有巨大的潜力。