土壤总氮近红外光谱分析的波段优选

利用移动窗口偏最小二乘(MWPLS)和Savitzky-Golay(SG)平滑方法优选土壤总氮的近红外(NIR)光谱分析模型。从全部97个土壤样品中随机选出35个样品作为检验集;基于偏最小二乘交叉检验预测偏差(PLSPB),将余下62个样品划分为具有相似性的建模定标集(37个样品)、建模预测集(25个样品)。最优波段为1692～2138 nm,SG平滑的导数阶数(OD)、多项式次数(DP)、平滑点数(NSP)分别为0,6,69,PLS因子数为11,建模预测均方根偏差(M-RMSEP)、建模预测相关系数(M-RP)分别为0.015%,0.931,检验预测均方根偏差(V-RMSEP)、检验预测相关系数(V-RP)分别为0.018%,0.882。其结果可为设计专用NIR仪器提供有价值的参考。

甘蔗初压汁锤度近红外光谱分析的波段优选

用近红外透射光谱技术和偏最小二乘法建立甘蔗初压汁锤度的定量分析模型。用多元散射校正和Savitzky-Golay平滑化方法对原谱、一阶导数谱和二阶导数谱进行预处理。选取400—1100nm、1100—1400nm、1550—1850nm、2100—2350nm以及全谱(400—2500nm)5个波段,每个波段分别采用原光谱、一阶导数谱、二阶导数谱。同时调整Savitzky-Golay平滑点数和PLS因子数,通过多次PLS数值实验比较,按照预测效果确定每个模型的最优平滑点数、因子数,再从中选优。结果表明,采用二阶导数谱的1550-1850nm波段的定标效果最好,模型的预测相关系数、预测均方根偏差、相对预测均方根偏差分别为0.896,0.406,1.95%。1550—1850nm波段可以代替全谱波段得到好的定标效果,为设计小型专用近红外分析仪器提供依据。

FT-NIR光谱应用于柚子皮果胶定量分析的波段优选

基于傅里叶变换近红外(FT-NIR)漫反射光谱分析技术,采用分段多元散射校正(PMSC)预处理与移动窗口偏最小二乘(MWPLS)方法为柚子皮果胶的定量分析优选波段。基于全谱进行PMSC预处理,在此基础上结合留一交叉检验技术优选21个分段窗口大小,以此设定为MWPLS方法波段优选的窗口宽度。详细讨论先后采用或不采用MSC预处理的MWPLS模型的预测效果,并从中优选定标预测模型。最优的方案为先MWPLS选择波段,后MSC预处理再建立PLS模型,其优选波段为8 540—7 944(cm-1),窗口宽度为310,对应的最优PLS因子数为11,相应的预测均方根偏差(RMSEP)和预测相关系数(RP)分别为0.520 7(%)、0.871 1。该模型明显优于先对全谱做MSC预处理再建立MWPLS模型,且大幅度优于基于原光谱数据直接建立的MWPLS模型。结果表明,采用PMSC预处理为MWPLS方法搜索窗口宽度预设值,大大降低了MWPLS模型的运算量,有利于波段优选光谱。MWPLS模型结合MSC预处理方法可以有效地应用于柚子皮果胶成分的FT-NIR定量分析。

土壤有机质近红外光谱分析的波段优选

利用Savitzky-Golay(SG)卷积平滑方法和标准正态变量变换(SNV)对土壤光谱数据进行处理后,通过对波段的优选建立了主成分回归(PCR)模型。结果表明,预测样本的相关系数可达到0.932 2,预测标准差(RMSEP)为0.041 1%。

MWPLS应用于甘蔗清糖浆FTIR/ATR光谱波段优选

采用移动窗口偏最小二乘(MWPLS)算法,利用傅里叶变换红外光谱(FTIR)和衰减全反射(ATR)技术,建立甘蔗清糖浆锤度的优化模型。以模型的预测均方根偏差(RMSEP)为优化目标,利用MWPLS,在全谱中遴选多个局部最优波段进行任意组合。结果表明,采用MWPLS遴选的组合波段有最优模型预测效果。

基于近红外光谱波段优选的针叶木材基本密度估测模型的优化研究

【目的】木材基本密度在木材质量等级评定中具有重要作用,是木材分流及精细化利用的重要依据。【方法】以东北林区典型针叶树种为研究对象,结合近红外光谱技术,构建红松、落叶松、云冷杉木材基本密度近红外估测模型,分析比较了不同波段优选算法并进行了模型优化。研究采用竞争性自适应重加权法(CARS)、无信息变量消除法(UVE)和间隔偏最小二乘法(iPLS)对木材近红外光谱波段进行优化,基于卷积平滑算法对近红外光谱数据进行预处理,结合偏最小二乘法(PLS)建立针叶木材基本密度估测模型。依据相关系数(R)、均方根误差(RMSEC)等模型参数对模型效果进行评价,对比分析确定最佳波段优选方法,得到最优针叶木材基本密度近红外估测模型。【结果】利用CARS、UVE、i PLS的波段优化方法对近红外光谱波段的筛选,可以起到优化针叶木材基本密度模型的作用,减少参与建模的近红外光谱的波段变量数,明显提升模型的运算速度,使得模型准确度更高、稳定性更好;利用间隔偏最小二乘法结合偏最小二乘法(iPLS-PLS)进行波段优选的针叶木材基本密度模型效果最好,其模型校正相关系数为0.938 0,校正均方根误差为0.021 8,验证相关系数为0.8959,验证均方根误差为0.028 0。【结论】基于波段优选及模型优化构建东北林区典型针叶树种基本密度近红外估测模型,可以有效提高运算速度及估测精度,实现针叶材基本密度的快速、准确、无损估测,为针叶木材材性研究和森林培育提供了理论依据与技术支撑,有利于进一步实现木材的高效节约与精细化利用。

基于无人机高光谱影像的地表植被生物量反演波段优选

针对高光谱数据冗余信息多,在实际应用存在诸多不便的特点,开展了无人机高光谱的波段优选研究。通过采集地面作物的生物量与构建的归一化植被指数（NDVI）进行线性回归分析,构建波段二维分布图来可视化优选的波段。结果表明,在使用NDVI反演生物量时（决断系数大于0.8）,最佳波段主要位于820nm和725-750nm。此外,使用的高光谱相机在波长为890nm附近信噪比较低,拟合的决断系数较低。

多生育期小麦条锈病光谱波段优选及监测研究

针对不同时期对小麦条锈病高光谱监测的敏感波段进行优选,有利于从根本上提高病害监测的精度。本研究以小麦条锈病这种小麦中主要的病害为例,基于3年份多个生育期的小麦条锈病大田控制试验,结合t检验、相关性分析等统计检验和偏最小二乘判别分析法(PLS-DA)、偏最小二乘法回归(PLSR)成分系数对信息重要性的指示意义,建立一套病害诊断特征波段筛选方法,并针对病害发展在不同阶段的特点,分别优选出各阶段最适于病害监测的波段。经过分析,将病害侵染分为3个阶段,并在能够进行防治的前期和中期分别采用不同策略进行波段优选,得到适于早期监测的4个波段:576、705、712、1416 nm;适于中期监测的5个波段:558、632、675、696、712 nm。采用上述波段在前期和中期进行病情监测,前期分类精度达到了0.78,中期反演精度预测值与真实值的标准误差(RMSE)值0.12,这一结果表明这些波段能够为病害发展过程提供高光谱监测,为进一步的特征构建提供依据。

FT-NIR光谱半定性判别方法应用于土壤总氮的波段优选

总氮是衡量土壤肥力的重要成分指标。传统的检测土壤总氮含量的化学方法操作复杂且费时费力,采用傅里叶近红外(FT-NIR)对土壤总氮的含量实现直接快速定量分析;然而,利用偏最小二乘(PLS)等线性分析方法定量预测土壤样本的总氮含量,定标预测模型有可能被理想化,不利于在线检测的实际应用。考虑给定量分析模型添加容错机制,将FT-NIR定量分析转化为半定性判别分析,以加强光谱模型的应用能力,提出区间间隔搜索主成分分析逻辑回归(iPCA-LR)方法,结合PLS的先验定量预测值,通过设定r=0.05,0.10,0.15三个不同的容错阈值范围,给样本赋予先验判别标记,将定量分析模式转换为半定性判别模式,建立土壤总氮的FT-NIR半定性判别模型,同时,对比讨论基于k=5,10,15,20四种不同子波段数量的区间划分数据的潜变量转换模式,优选FT-NIR光谱特征子波段,并讨论优选连续子波段的组合建模情况。结果表明,不同阈值范围下的FT-NIR半定性判别模型的预测准确率差别较大,但不同阈值范围的最优判别模型的预测准确率均在75%以上,各个区间划分的优选子波段或合并子波段的判别准确率均达到了90%以上,可以满足不同程度的应用水平。利用PLS结合iPCA-LR将定量预测转换为半定性判别的方法能够应用于土壤总氮的FT-NIR光谱分析,能够解决常规PLS定量分析容易过拟合和过于理想化的问题,半定性判别结果更符合实际,有利于光谱技术的在线应用。

基于粗糙集核计算的遥感图像波段优选算法

针对遥感图像波段选择传统手工方法的不足,应用粗糙集理论,从纹理分析的多个角度选择特征,多方面挖掘数据的关键属性;通过核属性的方法计算达到简化决策表中的条件属性的目的,得到图像分类的关键波段和一些次关键波段;实现了波段的自动选择.该算法比传统方法更客观更简便,为遥感图像波段选择提供了崭新的方法.

近红外光谱快速测定电子烟油中烟碱含量的波段优选研究

围绕电子烟油中烟碱含量的近红外测量模型,采用63个不同烟碱含量和不同口味的电子烟油样品进行光谱数据的采集,利用蒙特卡罗交互验证法剔除异常样本后,采用区间偏最小二乘法(iPLS)、组合区间偏最小二乘法(SiPLS)选择最佳波长并建立校正模型。结果表明,iPLS算法识别出的近红外测量电子烟油中烟碱含量的特征波段分布在1090~1228 nm和1370~1508 nm这两个波段附近,SiPLS算法通过对不同波段进行组合,进一步确定了最佳波段为1126~1240 nm,1358~1414 nm,1474~1530 nm这一波段组合,SiPLS-PLS模型与全谱-PLS模型相比,所采用的变量数降低了2/3,预测均方误差值从1.188降低到了0.963,模型预测的准确性得到了提高。

基于模拟退火的土壤钾含量近红外光谱波段优选

土壤钾含量对作物的品质和产量有重要影响,因此,用近红外(NIR)光谱技术结合特征波段筛选方法对土壤钾含量进行快速定量检测。首先,结合模拟退火算法和区间偏最小二乘法(SA-iPLS)建立土壤钾含量的特征波段优化NIR模型。然后,通过调试子区间数量得到SA-iPLS的最优特征波段。最后,根据模型的评价指标将SA-iPLS模型与偏最小二乘法(PLS)、区间PLS(iPLS)、协同iPLS(SiPLS)模型进行对比。结果表明,当子区间数为90时,SA-iPLS模型在训练集上的表现最优,对测试集的预测均方根误差和相关系数分别为0.0117和0.8884。全谱PLS模型对测试集样品的预测均方根误差和相关系数分别为0.0140和0.8506,iPLS、SiPLS模型的最优子区间数分别为80、70,对测试集样品的预测均方根误差分别为0.0155、0.0145,相关系数分别为0.7786、0.8420。相比常规的iPLS、SiPLS模型,SA-iPLS模型能保留更多有用的光谱信息,提高对土壤钾含量的预测精度。

不同偏最小二乘法在化学需氧量近红外光谱特征波段选择中的应用

通过近红外光谱法对生活废水样本中的化学需氧量(COD)进行分析,将全谱波段等分为30、20、15、12个子区间,选用间隔偏最小二乘法(iPLS)、后向间隔偏最小二乘法(BiPLS)以及前向间隔偏最小二乘法(FiPLS)建立COD光谱特征波段的选择。结果显示:全波段所建立的PLS模型最差,iPLS、FiPLS、BiPLS模型均有所改进,且BiPLS算法的模型最好。当全波长分为30个子区间时,所选特征波段第22、18、23、25、24、4、2、19、17组合区间建立的模型为最佳,其预测集标准偏差(RMSEP)与交叉验证均方差(RMSECV)分别为15.9mg·L-1和16.8mg·L-1。

基于光谱波段优化的鸡肉冻干粉粗蛋白近红外定量预测模型研究

本文通过将鸡肉蛋白质近红外光谱特性与组合间隔偏最小二乘法(Si PLS)、遗传算法(GA)相结合筛选校正模型的最佳建模光谱区域,旨在提高鸡肉冻干粉粗蛋白近红外定量预测模型的预测精度和模型稳健性。以260个鸡腿肌冻干粉为研究对象,提取其中100个样品的蛋白质,在999.7~2502.3nm扫描腿肌冻干粉和腿肌提取蛋白冻干粉的NIRS,比较两光谱异同,根据腿肌提取蛋白冻干粉NIRS光谱特征及主成分分析(PCA)结果将全谱划分为10个建模光谱区,采用PLS建模,比较全谱建模与特征光谱组合区建模的优劣,筛选出基于鸡肉蛋白特征光谱的建模光谱组合区,应用Fi PLS和Bi PLS在全谱和优选出的光谱区再次进行建模光谱区域筛选,接着使用GA和FBi PLS进行第三次建模光谱筛选。结果表明:在999.7~1850.4 nm波长上采用FBi PLS法优选出的建模光谱区1811.6~1794.0 nm、1756.2~1722.4 nm、1704.4~1688.9 nm、1594.4~1580.8 nm、1510.8~1485.7 nm、1472.1~1424.3 nm、1222.2~1057.6nm、1051.2~1008.7nm所建模型最优。研究显示,为保证校正模型的精确性和稳定性,在筛选最佳建模波长时,应将样品预测成分的光谱特征与光谱筛选数学算法相结果,才能获得更好的建模结果。

白砂糖色值近红外光谱分析的波段选择

采用近红外漫反射光谱技术和偏最小二乘法(PLS)建立白砂糖色值的定量分析模型。用多元散射校正方法对光谱进行预处理,再用Savitzky-Golay平滑化方法对原谱、一阶导数谱和二阶导数谱进行处理。选取5个波段,每个波段分别采用原光谱、一阶导数谱、二阶导数谱。同时调整Savitzky-Golay平滑点数和PLS因子数,通过多次PLS数值实验比较,按照预测效果确定每个模型的最优平滑点数、因子数,再从中选优。结果表明,采用780～1100 nm一阶导数谱的定标效果最好,模型的预测均方根偏差、相对预测均方根偏差分别为11.2,8.91%。780～1100 nm可以代替近红外全谱波段(780～2500 nm)得到好的定量分析效果,为设计小型专用近红外分析仪器提供依据。

基于不同PLS算法的方竹笋中蛋白质分析的近红外光谱特征波段选择

利用近红外光谱法对金佛山方竹笋的蛋白质分析,采用间隔偏最小二乘法(PLS)与反向间隔偏最小二乘法(BiPLS),实现蛋白质光谱特征波段选择。将全波段分划分为12与17个波段,对全波段和每个小波段分别用PLS回归建模,然后优化组合各个区间,建立BiPLS模型,用交互验证均方差(RMSECV)与预测均方差(RMSEP)对模型进行评价。结果表明:iPLS与BiPLS的效果均优于基于全波段的PLS模型,尤以BiPLS模型效果最佳。当间隔数为12时,所选特征波段5、3、6、12、4、2、11建立的模型效果最佳,其交互验证均方差RMSECV与预测均方差RMSEP分别为0.321%、0.218%。该方法快速无损,有效地减少建模的变量数,使模型预测精度得到提高。

基于波段背景清晰度的小波变换高光谱遥感图像融合

高光谱遥感图像具有大量的光谱波段,有助于地物的精细分类与识别。然而,随着波段的增加,数据冗余度也相应增加,使得图像融合计算量增大,过程繁杂。因此,提出了基于波段背景清晰度的小波加权平均高光谱图像融合方法:以J-M距离和最佳指数值为指标提取优选波段组合,以减少波段数据冗余,提高信息互补,使之有利于高光谱图像融合。该算法包含如下3个步骤:首先,利用J-M距离和最佳指数选择原则,从HSI高光谱遥感图像的115个波段中提取所需优选波段及优选波段组合。其次,采取单波段遥感图像背景清晰度处理的EM算法对所选波段进行遥感图像增强预处理。最后,采用小波加权平均的像素级融合优选波段遥感图像增强数据,使得融合图像质量更优。实验结果表明:本文方法提高了融合图像的标准差、信息量和清晰度,使地物空间细节能力增强,地物特征更加明显。

表面粗糙度对NIR预测落叶松基本密度的影响

【目的】对不同表面粗糙度的落叶松木材光谱进行分析,建立适合不同表面粗糙度的近红外模型,为提高近红外模型预测木材密度精度和普适性提供理论依据。【方法】以黑龙江省星火林场落叶松木材为研究对象,对未打磨(M0)、150目打磨(M1)和320目打磨样品(M2)的近红外光谱进行分析。分别采用11点移动平均平滑、基线校正(baseline)和SG平滑进行了光谱预处理以去除冗余光谱信息,采用人工选择、反向区间偏最小二乘法(BiPLS)和联合区间偏最小二乘法(SiPLS)完成波段优选,构建针对不同表面粗糙度的单一预测模型及包含3种表面粗糙度样品的近红外混合模型。【结果】M0样品包含的光谱信息要多于另外2种粗糙度,3种预处理方法中,SG平滑预处理的建模效果综合评价最好。基于3种波段优选方法分别建立M0、M1和M2的基本密度预测模型,SiPLS波段选择方法效果更好,对于M0、M1、M2这3种表面粗糙度样品,验证集相关系数R及均方根误差(R_(MSEP))分别为0.865 9和0.022 7、0.766 0和0.021 4、0.725 6和0.027 4。以3种不同粗糙度混合建立的SiPLS-混合预测模型,对于不同粗糙度样品的预测能力好于各粗糙度的单一模型,对于M0、M1、M2这3种表面粗糙度样品,模型的R_(MSEP)分别降低了11%、25%、5%。【结论】基于3种表面粗糙度所构建的近红外模型都可以实现木材密度的有效预测且采用SiPLS优选波段所建模型的预测精度为M0>M1> M2,SiPLS波段选择方法可以优化表面粗糙度对预测模型的影响,在此基础上建立的混合模型则使近红外预测模型更加具有普适性,为木材的分类优选及精细化利用提供了理论基础及技术支持。

复杂样品近红外光谱定量分析模型的构建方法

针对复杂样品近红外光谱分析中校正集的设计问题,探讨了标准样品参与复杂样品建模的可行性.通过标准样品和复杂基质样品共同构建的偏最小二乘(PLS)模型,考察了波段筛选和建模参数对预测结果的影响.结果表明,采用PLS方法建立定量模型时,校正集样品性质应该尽量与预测集样品相似,当样品的性质相差较大时,适当增加校正集样品的差异性可使模型具有更强的预测能力.同时,波段优选对提高预测结果的准确性具有重要的意义.

基于不同阶微分高光谱植被指数的牧区草场地上生物量估算

利用高光谱遥感技术能快速、无损、高效地获取草地地上生物量信息,对牧区牧草高效管理、草畜供求关系平衡以及放牧制度优化等方面具有重要意义。为了寻求估算生长旺盛期草地地上生物量最适宜的微分光谱阶数,本研究在内蒙古天然草场通过原位试验采集了高光谱反射率与地上生物量数据,对原始光谱反射率数据进行一至四阶微分处理,在全波段范围内挑选最佳波段构建简单比值植被指数(Simple ratio vegetation index,SRVI)、归一化植被指数(Normalized difference vegetation index,NDVI)、土壤调节植被指数(Soil adjusted vegetation index,SAVI)和增强型植被指数(Enhanced vegetation index,EVI)4种高光谱植被指数,建立相应地上生物量估算模型并对比评价各模型精度。结果表明:对原始高光谱反射率进行微分处理,有助于提高敏感波段与地上生物量的相关性;红边波段与近红外波段是构建最佳植被指数的重要组成波段,占所有优选波段的82%;基于二阶微分光谱的最佳SRVI和NDVI模型精度最好,R^(2)分别为0.69和0.70,RMSE分别为196.60g·m^(-2)和196.65g·m^(-2),过高的微分阶数反而会降低估算模型的精度。本研究能为利用不同阶微分高光谱估算草地地上生物量提供科学借鉴,为精准快速的牧区天然草场遥感监测提供技术和方法支持。