土壤有机质可见-近红外反射光谱特性研究

为优化土壤有机质含量预测模型运算速度,以50份土壤有机质为例,利用Pearson相关系数分析法对土壤有机质的特征波段进行提炼筛选。结果表明,土壤样品的反射光谱与土壤有机质含量在555~662 nm波段范围内呈较强负相关,显著特征波段为601 nm;经过不同预处理后的土壤反射光谱与土壤有机质含量呈较强的相关性,显著特征波段增加,主要体现在601、1221、1410、1665、1880、2110、2200 nm波段附近。对不同土壤含水率的反射光谱与土壤有机质含量之间的Pearson相关曲线进行分析发现,显著特征波段主要体现在601、1450、1930、2200 nm波段附近,随着土壤含水率的增加,土壤有机质的特征波段601 nm的相关性逐渐减弱,土壤水分的特征波段1450、1930、2200 nm的相关性逐渐加强;土壤含水率超过10%,土壤反射光谱与土壤有机质含量呈正相关。研究获取的土壤有机质特征波段和土壤水分影响波段,为土壤有机质快速检测模型的建立提供理论支撑。

胶州湾沉积物中4种重金属含量的可见-近红外光谱分析

可见-近红外反射光谱技术具有检测速度快、操作简单、无污染等显著优势,已被广泛应用于多个领域并为这些领域的信息化发展发挥了重要作用。在沉积物多参数光谱速测方面,可见-近红外反射光谱技术也显示出巨大的应用潜力。根据胶州湾沉积物中化学成分之间的相关性,发现有机碳和四种重金属(As、Cr、Cu、Zn)之间存在着高相关性。基于该研究成果,对胶州湾沉积物中4种重金属(As、Cr、Cu、Zn)含量进行了可见-近红外光谱分析,比较了不同处理方法对结果的影响。结果显示,利用可见-近红外光谱分析方法,能够准确、快速预测胶州湾沉积物中As、Cr、Cu、Zn的含量,RPD高达2.59,R^(2)高达0.85。

基于可见-近红外和热红外光谱联合分析的煤和矸石分类方法研究

煤与矸石是矿山采煤过程中主要固体堆放物,对其进行遥感动态监测是矿山环境保护的重要需求。由于煤与部分矸石存在"异物同谱"现象,在使用传统的可见-近红外遥感分类时,往往将部分矸石划分为煤,导致遥感分类精度降低。首先对铁法矿区的12个煤样本和115个矸石样本进行可见-近红外光谱测试,发现绝大部分矸石样品的光谱与煤差异很大,二者易于区分,但有部分矸石与煤样本存在"异物同谱"现象。为进一步对矸石与煤区分,测试了混分样本的热红外光谱,发现二者存在明显的光谱差异,利用热红外光谱特征可以将其区分开来。在此基础上,提出了基于可见-近红外和热红外光谱联合分析的煤与矸石区分方法。该方法首先对所有样本进行可见-近红外光谱测试,利用Mao模型进行第一步分类识别;其次对煤与矸石混分的样品进行热红外光谱测试,利用光谱吸收比率SAR作为判别指标进行第二步分类,两步的分类结果为最终分类结果。该方法在铁法、兖州、神东和木里矿区的验证结果表明,其具有很高的分类准确率,效果远好于单独基于可见-近红外光谱特征的分类方法。研究结果表明,利用多种光谱联合分析的方法可以解决单波段存在的"异物同谱"现象,对于地物遥感分类具有重要的借鉴意义。

土壤有机质含量可见-近红外光谱反演模型校正集优选方法

土壤有机质含量可见-近红外光谱反演过程中校正集的构建策略对模型的预测精度有重要影响。以江汉平原洪湖地区水稻土为研究对象,采用Kennard-Stone(KS)法,Rank-KS(RKS)和Sample set Partitioning based on joint X-Y distance(SPXY)法,构建样本数占总校正集不同比例的子校正集,通过偏最小二乘回归,建立土壤有机质含量的可见—近红外光谱反演模型。结果表明:KS法无法提高模型预测精度,但可以在保证标准差与预测均方根误差比(ratio of performance to standard deviation,RPD)>2.0的前提下减少30%的校正样本;基于SPXY法的模型,当子校正集样本比例为总校正集的50%时达到最佳的模型预测精度,RPD为2.557;RKS法能够在保证预测精度的情况下(RPD>2.0),最多减少总校正集70%的样本,对应模型RPD为2.212。当校正集与验证集的有机质含量分布相近时,能够以较少的建模样本达到与总校正集相近甚至更高的模型预测精度,提升土壤有机质光谱反演模型的实用性。

基于可见-近红外漫反射光谱技术的葡萄贮藏期间可溶性固形物定量预测

利用可见-近红外漫反射光谱技术,建立不同品种葡萄贮藏期间可溶性固形物含量定量预测的通用模型。以10℃贮藏的玫瑰香葡萄、马奶葡萄、红提葡萄的混合光谱为定标材料,探讨不同化学计量学建模方法、不同光谱预处理方法、间隔点、平滑数以及不同特征波长区间选择对建模效果的影响及模型的品种适用性。结果显示,采用改进偏最小二乘法,16点平滑,间隔点数16点,结合二阶导数、去散射的处理方法,在波长范围408～1 092.8 nm内建立的模型效果最优,其交互验证误差和交互验证判定系数R2CV分别为0.308 7、0.980 2。由3种葡萄混合组成的预测集对模型进行评价,预测标准差0.354、预测判定系数Rp2为0.980 8、验证相对分析误差为6.22、预测残差平方和为7.993。模型对单一品种预测Rp2均达到0.94以上。因此,葡萄果实可溶性固形物含量的近红外预测模型具有可行性,可同时适用于多种葡萄品种。

苹果品质检测的可见-近红外激光漫反射光谱图像法的方法研究

利用可见-近红外激光漫反射光谱图像法及化学计量学方法检测了苹果的可溶性固形物含量和硬度。为了消除苹果形状对品质检测的影响,分析了5个不同波长的激光(680,780,880,940和980 nm)照射在富士苹果果面形成的光斑图像,并通过一系列图像处理方法得出了的苹果形状修正算法。分别利用修正前后的光谱图像参数建立苹果可溶性固形物含量和硬度的偏最小二乘回归(PLSR)模型,模型预测值和真实值之间的相关系数从0.78和0.80分别提高到0.87和0.89。为了消除果面镜面反射对苹果内部品质检测的影响,文章提出了象素强度频率检测法,并比较了利用果面光斑图像中光强均值和不同强度对应的象素强度频率建立的苹果硬度和可溶性固形物含量的PLSR模型效果,得出象素强度频率的模型效果更好。苹果可溶性固形物含量和硬度PLSR模型中预测均方根误差(RMSEP)分别从1.28°Brix和8.23 N.cm-2降低到0.84°Brix和6.17 N.cm-2。

基于CWT和GRNN的可见-近红外漫反射光谱检测樱桃糖度的研究

联合使用连续小波变换(continuous wavelet transform,CWT)和广义回归神经网络(generalized regression neural networks,GRNN)建立用于测定樱桃中糖含量的CWT-GRNN预测校正模型。利用CWT提取樱桃样本数据中反映含糖量的关键光谱特征,在CWT域中选择3个具有代表性的尺度,并在每个尺度下根据樱桃样本的可见-近红外光谱的特征将其划分为4个特征区间,从而构造12个特征输入到GRNN,GRNN的光滑因子取为0.0001。CWT-GRNN模型对20个预测样本集中的樱桃含糖量的预测相对误差在2%以内。结果表明,可见-近红外光谱技术可以快速、准确和无损地测定樱桃中的含糖量,本研究提出的方法可以用于果蔬产业的品质管理与控制。

基于UVE-ICA和支持向量机的南丰蜜桔可溶性固形物可见-近红外检测

利用可见-近红外光谱技术联合变量选择新方法对南丰蜜桔的可溶性固形物（SSC）进行快速无损检测研究，以简化南丰蜜桔SSC预测模型和提高预测模型性能。试验共采用300个南丰蜜桔样本，校正集、验证集及预测集样本分别为150，75和75个。采用QualitySpec型光谱仪在350-1000nm波段范围内采集样本光谱，利用无信息变量消除（UVE）剔除无用信息波长变量，再采用独立成分分析（ICA）提取光谱的独立成分，最后应用最小二乘支持向量机（LS-SVM）建立南丰蜜桔的SSC预测模型，并利用未参与建模的预测集样本对模型进行评价。研究结果表明，可见-近红外光谱技术联合UVE-ICA-LS-SVM对南丰蜜桔的SSC检测精度高。UVE-ICA可以有效剔除无用信息波长变量，提取特征光谱信息，简化预测模型及提高预测模型性能。ITVE-ICA-LS-SVM所建立的南丰蜜桔SSC预测模型性能优于PLS，PCA-LS-SVM及ICA-LS-SVM预测模型，其校正集、验证集及预测集的决定系数和均方根误差分别为0．978，0．230％，0．965，0．301％及0．967，0．292％。

基于粪便可见-近红外反射光谱的高山麝慢性肠炎诊断

提出了一种利用粪便可见-近红外反射光谱进行高山麝慢性肠炎诊断的新方法。以FieldSpec 3地物光谱仪采集了125份高山麝粪便(正常粪样70份,慢性肠炎患者粪样55份)的光谱数据,将其随机分成训练集(95份)和检验集(30份)。光谱经S.Golay平滑与一阶导数处理后以主成分分析法(PCA)降维。以前6个主成分(含原始光谱95.16%的特征信息)作为新变量,利用训练集样本,分别以模糊模式识别、BP-神经网络、Fisher线性判别以及Bayes逐步判别四种方法建立高山麝慢性肠炎的诊断模型。对检验集30个未知样的预测表明,Fisher线性判别的准确率为86.7%,模糊模式识别与BP-神经网络模型判别的准确率为90%,Bayes逐步判别的准确率最高,达93.3%。进一步分析发现所有误诊都源于将正常样误判为病样,四种方法对病样的检出率均达100%。说明利用粪便的可见-近红外反射光谱进行高山麝慢性肠炎的快速、非接触性诊断是可行的,且PCA结合Bayes逐步判别是一种优选方法。

可见-近红外光谱分析技术对鱼油掺假定量快速无损检测方法研究

对掺入不同含量大豆油和菜籽油的鱼油进行鱼油掺假含量的可见-近红外光谱(Vis-NIR)研究。向3个不同品牌鱼油中分别掺入不同比例的大豆油,另外3个不同品牌中分别掺入不同比例的菜籽油,共获得300个样本。对所采集样本的光谱数据分别采用原始光谱,以及平滑,变量标准化(SNV),多元散射校正(MSC),一阶求导和二阶求导等预处理算法进行处理后,建立偏最小二乘回归(PLSR)模型。基于全波段光谱的鱼油中大豆油和菜籽油掺假含量预测的最优模型分别为全波段PLSR模型和MSC-PLSR模型,其预测相关系数(Rp)分别达到0.938 6和0.959 3。进一步采用连续投影算法(SPA)分析鱼油中大豆油和菜籽油掺假样品的光谱,并分别获得了11个和15个光谱特征波长变量。基于特征变量的PLSR模型的Rp分别为0.941 2和0.932 6。试验研究表明,可以采用Vis-NIR技术实现对鱼油掺假物含量的检测。

基于可见-近红外光谱分析的圆白菜与杂草识别研究

杂草的自动识别是实现作物草害精准施药的基础。利用ASD光谱仪采集两个品种的圆白菜及稗草、狗尾草、马唐、牛筋草和小藜等五种杂草在350～2 500nm波段内的冠层光谱反射率。根据光谱曲线特征,在不同波段内对数据进行不同程度的压缩,以提高运算效率;利用不同参数设置的Savitzky-Golay(SG)卷积平滑求导和多元散射校正方法(MSC)的不同顺序组合对光谱去噪,然后结合主成分分析法(PCA)提取主成分,建立模型,最后利用簇类的独立软模式(SIMCA)分类法对各种植物进行分类,并比较分类结果。试验结果显示利用MSC与3阶5次21点SG相结合的方法对光谱数据预处理后,运用PCA提取前10个主成分作为分类模型的输入变量,取得了100%的分类正确率,能够快速无损地识别圆白菜与几种常见杂草。

可见-近红外光谱结合化学计量学认证有机胡萝卜、绿色胡萝卜和无公害胡萝卜（英文）

在快速发展的中国,有机食品、绿色食品和无公害食品在产地环境、生产规程、加工、包装,尤其是生产资料的使用等方面都有严格区分,导致检验和认证需要花费大量的人力、物力、财力和时间。因此我们需要一种方便、精确的检测技术。基于化学计量学,本研究首次利用可见-近红外反射光谱快速检测有机胡萝卜、绿色胡萝卜和无公害胡萝卜。选择最佳区间(650-700 nm),三种分类模型包括主成分分析结合k均值聚类、主成分分析结合线性判别分析、反向传播神经网络鉴别126个胡萝卜样本的准确率分别为93.65%、100%,和98.41%。结果表明,可见-近红外光谱结合化学计量学技术可以有效地验证有机胡萝卜、绿色胡萝卜和无污染胡萝卜。为质量检验机构提供了一个可行的检测方法,从而促进包括有机食品、绿色食品、无公害食品等安全食品的发展。

基于可见-近红外反射光谱的土壤碳酸钙含量与反演效果关系研究

土壤可见-近红外反射光谱中包含了大量的土壤属性信息,研究人员根据土壤属性信息在光谱上的特征,对土壤属性进行定量反演。是否属性值越高,反演精度越高?目前对于属性含量与反演效果的定量关系尚不清楚。采集了我国西北地区黑河流域69个代表性干旱土剖面(292个发生层土样),以气量法测定其碳酸钙含量,使用Cary 5000分光光度计测定其可见-近红外光谱反射率,以样本量和离散度(变异系数)作为数据集划分标准,分别建立了11个相同样本量子集(A)和5个相近离散度子集(B),应用偏最小二乘回归(PLSR)算法对各子集进行土壤碳酸钙含量反演,以此探究碳酸钙含量与反演效果的定量关系。结果表明,碳酸钙可增加可见-近红外波段的光谱反射率,但利用可见近红外光谱反演土壤碳酸钙含量,其反演效果与碳酸钙含量关系不显著。

基于可见-近红外高光谱成像技术的梨硬度和可溶性固体含量的预测

高光谱成像技术可以用在无损检测水果品质方面。可见-近红外波段(400nm至1000nm)的光谱可以用来检测梨的可溶性固体含量(SSC)和硬度。用搭建的可见-近红外光谱范围的高光谱成像系统可以拍摄得到不同种类的梨的光谱图,再通过计算机软件提取光谱图中的有效信息进行分析。用于预测建立模型的两个品种共200个梨样品的光谱图经过连续投影算法(SPA)和多元线性回归算法(MLR)的处理分析可以建立回归模型以及回归方程来有效的预测梨的可溶性固体含量(SSC)和硬度。最终得到硬度模型的相关系数为0.923,SSC模型的相关系数为0.898。

部分土壤重金属可见-近红外反射光谱特征及机理研究

测量重金属化合物氯化铬(CrCl_3)、氯化铜(CuCl_2)、氯化锌(ZnCl_2)的可见-近红外反射光谱(VNIRS),将重金属反射光谱与重金属元素的核外电子排布式联系起来,观察重金属化合物的反射光谱特征;结合晶体场理论分析重金属的特征反射峰出现的波段位置和原因。以湖北大冶地区土壤样品为例,向土样中添加不同浓度梯度的CrCl_3,CuCl_2和ZnCl_2并测定其可见-近红外反射光谱,研究不同种类不同浓度的重金属对土壤反射光谱的影响。对样本的反射光谱进行不同光谱预处理,探究重金属浓度与土壤反射光谱之间的线性相关关系及显著相关(p<0.05)波段出现的位置和潜在机理。结果表明,重金属化合物CrCl_3,CuCl_2和ZnCl_2在可见光-短波近红外波段范围内的反射光谱特征与重金属元素3d轨道上的电子填充状态有关。添加入土壤中的重金属化合物影响了土壤的可见-近红外反射光谱,其浓度与土壤反射光谱之间整体呈负相关,最大负相关系数分别为-0.788,-0.880和-0.824。样品反射光谱经不同预处理后,重金属浓度与土壤反射光谱之间的线性相关关系有所变化,显著相关波段信息更加丰富。研究表明,重金属的可见-近红外反射光谱与重金属的电子结构紧密相关,可见-近红外反射光谱技术可以检测到土壤中较高浓度重金属的存在,该技术在快速高效、无损低耗地预测土壤重金属元素含量方面拥有巨大潜力。基于部分重金属化合物的可见-近红外反射光谱特征,结合晶体场理论为土壤重金属的定性和定量反射光谱分析提供了理论依据和实验参考。

应用可见-近红外高光谱分析烟叶的颜色和部位特征（英文）

颜色和部位是烟叶分级的重要组成部分,是影响烟叶质量的关键因素。以红塔集团提供的6类工业分级烟叶标样作为试验样品,其中包括上(B)、中(C)、下(X)三个部位,每个部位包含桔黄(O)、柠檬黄(L)两个色组。采用基于主成分及Fisher准则(PPF)的方法和支持向量机(SVM)方法分析烟叶可见-近红外高光谱的颜色和部位特征,结果表明,采用PPF投影模型法分别对烟叶颜色、部位以及颜色和部位分组进行投影和相似性分析,两种颜色能完全区分,其相似度值为-1.00 08;上部烟叶和下部烟叶能完全区分,与中部烟叶有部分交集,其中上部烟叶和下部烟叶的相似性值为-0.405 3;6类分组烟叶样品能完全区分,且投影位置关系符合实际的烟叶外观特点。采用SVM方法分别对烟叶颜色、部位以及颜色和部位分组进行判别分析,烟叶颜色的平均识别正确率达到98%,部位的平均识别正确率为96%,颜色和部位分组的平均识别正确率为94%,判别效果良好。因此,应用可见-近红外高光谱分析烟叶的颜色和部位特征具有可行性,为烟叶质量评价、计算机辅助分级以及烟叶智能收购等方面提供参考,同时也为其他农产品外观特性的分析提供了一种新方法。

可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法

为探究基于高光谱成像技术预测灵武长枣VC含量的可行性并寻找最佳预测模型。采集100个长枣样本在波长400~1 000 nm处的高光谱图像,对光谱数据进行预处理;应用遗传算法(genetic algorithm,GA)、连续投影算法(successive projection algorithm,SPA)和竞争性正自适应加权(competitive adaptive reweighted sampling,CARS)算法对原始光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘(partial least squares regression,PLS)和最小二乘支持向量机(least squares support vector machine,LSSVM)VC含量预测模型。结果表明,采用标准正态变换预处理算法效果最优,其PLS模型的交叉验证相关系数为0.839 5,交叉验证均方根误差为16.248 2;利用GA、SPA和CARS从全光谱的125个波长中分别选取出12、5个和26个特征波长;基于CARS建立的PLS模型效果最优,其Rc、Rp、校正均方根误差、预测均方根误差分别为0.896 2、0.889 2、10.746 2%、12.145 3%。研究结果表明基于高光谱成像技术对灵武长枣VC含量的无损检测是可行的。

砂壤潮土有机质含量可见-近红外光谱预测

土壤有机质(SOM)是影响播量的土壤关键参数,根据SOM信息对播量进行实时调控,投入最优化的种子量,充分利用地力资源挖掘产量潜力,节约良种,实现种植收益最大化,是目前播种领域最前沿的研究方向。以玉米主产区之一的华北平原为研究区域,对该区域砂壤潮土进行了可见-近红外(300~2500 nm)光谱采集。采用蒙特卡罗交叉验证剔除了异常样本,结合Savitzky-Golay卷积平滑法对光谱数据进行平滑去噪处理。分别通过竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、竞争性自适应重加权-连续投影(CARS-SPA)、无信息变量消除(UVE)及变量组合集群分析法(VCPA)等波长筛选方法提取有效变量,并结合偏最小二乘回归(PLSR)分别建立了全波长和特征波长的SOM含量预测模型。结果表明,不同方法筛选的波长数目及波长位置存在显著差异,CARS和SPA算法选择的光谱特征在整个光谱范围都有分布,UVE和VCPA筛选的波段较为集中,且基于CARS-SPA方法可以进一步优选特征变量,其特征波长仅为全波长数量的15%。通过对比不同模型的建模及预测效果,除UVE和VCPA算法外,其余算法构建的模型均能实现SOM含量的有效预测,其RPD值均大于2.0。基于CARS-SPA构建的PLSR模型效果最好,其R2P和RPD分别0.901和3.188,均高于其他方法,不仅降低了无效信息对预测效果的干扰,且模型的运算效率得到了明显的提高,可以很好地实现该地区SOM含量的可靠预测。该研究可以为SOM含量快速预测及仪器设计提供方法参考。

软枣猕猴桃总酚的可见-近红外漫反射光谱无损检测

应用可见-近红外漫反射光谱在570～1848nm光谱区域内,建立了软枣猕猴桃总酚定量数学模型。实验将贮藏分三个阶段(采收阶段,贮藏12d,贮藏24d)进行,通过对比分析不同建模方法得到软枣猕猴桃总酚定标模型。结果表明,应用偏最小二乘回归算法、一阶导数处理和反相多元离散校正处理所建软枣猕猴桃总酚定标模型的预测性能较好。定标集样本的交互验证相关系数(RCV)为0.8939,交互验证均方根误差(RMSECV)为11.6734mg/100g;预测集样本的相关系数(RP)为0.8627,预测均方根误差(RMSEP)为16.7690mg/100g。研究表明:可见/近红外漫反射光谱对软枣猕猴桃总酚的快速无损检测具有一定的可行性,但模型精度有待提高。

基于可见-近红外高光谱技术对鸡种蛋性别鉴定的研究

目的为实现鸡种蛋性别的无损检测,提出了基于可见-近红外高光谱检测海兰褐鸡种蛋性别的方法。方法通过分析种蛋0~14d大头部位的400~1000nm波段下的光谱,建立基于偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)和支持向量机(support vector machine,SVM)的种蛋性别判别模型,比较不同孵育天数下的模型判别率,优选出最佳的检测天数;通过分析4种不同的预处理算法,选出最佳的鸡种蛋高光谱预处理方法,最后构建基于全波段和特征波段光谱信息的判别模型,并对结果进行比较。结果基于PLS-DA和SVM的模型在第9d的预测集结果达到最高,分别为80.00%和82.50%。变量标准化(standard normalized variate,SNV)为最佳预处理方法;全波段相对于连续投影算法(successive projections algorithm,SPA)、竞争性自适应重加权算法(competitive adapative reweighted sampling,CARS)选择特征波长的模型更优,建模集、预测集准确率分别为90.00%和85.00%。结论可见-近红外高光谱技术可以快速、较准确、无损检测海兰褐鸡种蛋性别,该技术为褐壳鸡种蛋性别鉴定实现在线检测提供了一定的理论基础。