基于Tikhonov正则化特征光谱选择与最优网络参数选择的轻烷烃气体分析

特征变量选取与模型的建立是光谱定量分析的两个主要研究内容。首先讨论了Tikhonov正则化特征光谱选取算法在多组分烷烃气体分析应用中的参数确定方法,然后针对甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷和正戊烷七种烃烷的小浓度分析,从中红外吸收光谱中提取了七组特征光谱,并用这些特征光谱作为输出,用神经网络建立了七种烃烷气体的分析模型。为克服神经网络的过训练问题,提出根据误差处理的方式从多个训练好的网络中选择最优网络的网络最优参数选择法。最后给出了分析模型的标气检验结果表明,在各种烃烷气体1%范围内,提出的分析方法有效消除了各种烷烃之间的交叉敏感,交叉干扰小于0.5%;分辨率高,达20×10-6。

三维荧光光谱的特征区域选择方法

将数学中的二元凸函数判定和数据挖掘中的聚类分析方法结合,提出了针对三维荧光的光谱区域选择方法,并利用此种方法从光谱图中提取出含有丰富光谱信息的凸集区域。对水体中总有机碳的检测和白酒中黄曲霉素的检测进行了实验研究,实验结果表明,采用本文提出的三维荧光光谱区域选择方法提高了模型的精度,与利用全光谱所建立的回归模型相比,模型精度分别提高了6.17%和4.97%。

基于无人机高光谱影像的农田土壤有机碳含量估算——以湟水流域农田为例

快速、准确地估算农田土壤有机碳含量并对其进行空间分布制图,有利于土壤精细化管理和智慧农业的发展。该文以青海湟水流域3个典型农田区为例,在研究区内同步采集296个土壤样品和相应的野外原位光谱,使用无人机搭载高光谱相机进行影像获取,并对土壤样品进行室内光谱采集和有机碳含量测定。对光谱反射率进行7种不同形式的变换,通过相关性分析从中筛选出主要特征波段,利用多元线性回归、偏最小二乘回归和随机森林3种方法分别对室内光谱、野外原位光谱和无人机光谱进行建模,对比各模型的精度。用光谱直接转换法对无人机光谱进行校正,使用校正后的无人机光谱最优模型进行建模,模型代入无人机高光谱影像进行有机碳含量制图,最后对满足制图精度要求的农田区进行分析和讨论。结果表明:①除对无人机高光谱进行对数变换后的多元线性回归不能估算有机碳外(相对分析误差为1.375),实验室光谱、野外原位光谱及无人机高光谱的原始光谱及所有转换方法均能对有机碳进行估算,决定系数R 2为0.562~0.942,均方根误差为1.713~5.211,相对分析误差为1.445~4.182;②在所有光谱变换方法中,多元散射校正+一阶微分变换与有机碳含量的相关性最高,特征波段分别为429~449 nm,498~527 nm,830~861 nm和869 nm;③在所有建模结果中,随机森林模型精度最高,其次为偏最小二乘模型,多元线性回归模型精度最低,校正后的无人机光谱建模精度均有所提高;④3个农田区的反演精度均满足制图要求,R 2均在0.88以上。其中,A农田区有机碳含量均值最高,为28.88 g·kg^(-1),整体空间分布均匀;B农田区均值为13.52 g·kg^(-1),整体分布呈现出较强的空间差异性;C农田区有机碳含量均值最低,为8.54 g·kg^(-1),高值和低值的分化明显。本研究可为无人机高光谱遥感技术应用于田间尺度的土壤有机碳含量估算和数字制图提供参考。

基于无人机成像光谱技术的农田土壤养分估测及制图

成像光谱技术是精准农业中土壤理化特性快速获取和实时监测的重要技术支撑。该文以松辽平原农田土壤为研究对象,通过对比标准正态变量变换(SNV)、多元散射校正(MSC)、光谱一阶微分(FD)和二阶微分(SD)4种方法对无人机高光谱图像进行预处理,引入竞争自适应重加权采样—连续投影组合算法(CARS-SPA)进行特征波段筛选,然后利用粒子群算法(PSO)对极限学习机算法(ELM)进行改进,从而构建土壤有机质(SOM)和土壤全氮(STN)的高光谱反演模型。结果表明:4种预处理方法中MSC去噪效果最优,可有效降低散射效应噪声;CARS方法筛选出53个SOM、33个STN特征波段,进一步利用CARS-SPA筛选出24个SOM和22个STN特征波段,将SOM和STN的平均相对误差分别降低了12.3%和6.6%;利用PSO优化ELM的输入权值和阈值,有效弥补了极限学习机模型泛化性能低这一不足,将SOM和STN的平均相对误差分别降低了2.9%和3.2%,同时模型精度高于偏最小二乘回归(PLSR)和支持向量机(SVM);利用CARS-SPA筛选的特征波段建立的PSO-ELM模型效果最佳,其预测SOM的决定系数R2为0.73、相对分析误差RPD为1.91,预测STN的决定系数R2为0.63、相对分析误差RPD为1.53,将模型应用于高光谱图像,获取SOM和STN空间分布图,玉米种植区的SOM和STN均高于花生种植区。该研究可为无人机高光谱图像应用于田间尺度的土壤养分估测和数字制图提供参考。