基于IRIV算法优选大豆叶片高光谱特征波长变量估测SPAD值

在植物叶绿素特征波长变量筛选过程中,与叶绿素关系较弱的波长变量极易被忽略,导致这些弱信息变量包含叶绿素的有效信息丢失,因此,确定叶片光谱中弱信息变量对揭示叶绿素高光谱响应规律具有重要意义。该研究以江汉平原大豆鼓粒期的叶片为研究对象,采集80组大豆叶片高光谱和SPAD(soil and plant analyzer development)值,分析SPAD值与大豆叶片反射率相关关系和光谱波长变量自相关关系,基于迭代和保留信息变量法(iteratively retains informative variables,IRIV)筛选大豆叶片的特征波长变量,建立偏最小二乘回归(partial least squares regression,PLSR)和支持向量机(support vector machine,SVM)模型估测SPAD值。结果表明,大豆叶片SPAD值与光谱反射率在可见光波段具有极显著负相关,在近红外波段存在不显著的正相关性(P>0.01);可见光、近红外2波段的波长变量之间相关性较弱,但2波段内变量之间的相关性较强;基于IRIV算法确定了大豆叶绿素的特征波长变量,利用特征波长变量建立的估测模型的估测能力高于仅利用强信息波长变量建立的估测模型,表明弱信息变量对估测叶片SPAD值具有重要意义;IRIV-SVM模型估测能力最优,验证集R2和相对分析误差(RPD)分别为0.73、1.82。该文尝试证明了光谱中弱信息变量的重要性,为揭示叶片高光谱响应机理提供了理论依据。

基于改进遗传算法的区间光谱特征波长变量选择方法

为提高土壤养分近红外光谱预测模型的鲁棒性和预测精度,提出一种基于改进遗传算法的近红外区间光谱特征波长变量选择方法.利用土壤速效磷近红外光谱全光谱波长变量纯度梯度的正负变化次数将全光谱划分为多个波长间隔,以偏最小二乘回归模型(PLS-R)输出的变量投影重要性系数(VVIP)大于1作为提取准则,提取对土壤养分预测目标量解释性较强的波长间隔,并合并成一个区间光谱.建立区间光谱特征波长变量(FWV)PLS-R模型,利用改进遗传算法选择PLS-R的均方根误差为最小对应的FWV为最优FWV.试验结果表明:该方法在区间光谱选择最优FWV,能提高回归模型的鲁棒性和预测精度,简化模型结构;改进遗传算法采用一种改进的实数编码差分变异算子,扩大了全局最优解搜索空间,提高了收敛速度.

食用油脂酸值近红外光谱特征波长优选

以近红外光谱快速检测大豆油脂酸值为目标,研究间隔偏最小二乘（interval partial least square,i PLS）结合遗传算法（genetic algorithm,GA）及连续投影算法（successive projection algorithm,SPA）的特征波长变量优选方法。制备不同酸值的大豆油脂样品100个,并在4 000~12 000 cm^-1范围内采集了油样的近红外透射光谱。首先用i PLS法从原始光谱中初步筛选出4 540~5 346 cm^-1和6 807~7 004 cm^-1组合特征波段,R2和预测均方根误差（root mean square error of prediction,RMSEP）分别为0.978 9和0.064 3;然后分别用GA和SPA从特征光谱区域中筛选出与油脂酸值密切相关的特征波长变量,从GA和SPA 2种选择结果中各选取前6个波长点,以12个特征波长变量建立PLS校正模型,其R2和RMSEP分别为0.985 9和0.045 1。研究表明,在油脂酸值近红外光谱分析中,采用i PLS-GASPA相结合的方法进行特征波长选择能有效去除冗余信息,降低模型复杂度,可为快速无损检测油脂酸值提供重要理论依据。

基于AW-OPS高光谱波长选择方法的羊肉新鲜度检测

高光谱数据中不仅含有关键性信息还存在一些干扰信息和无效信息,带有干扰信息和无效信息的数据建立模型会降低效率和模型精度。从全波段数据中提取特征波长是提高关系模型精度的有效方法。有序预测选择(OPS)是一种依据信息向量选择有效波长变量的特征波长提取算法,在特征波长变量筛选方面表现了较好地性能。但由于建立模型时,没有去除重要性较低的变量,导致过多的无效变量参与到模型中,降低了模型的准确率。论文以羊肉高光谱数据作为研究对象,提出了一种改进的特征波长变量选择方法,基于信息向量和指数衰减函数的有序预测选择方法(AW-OPS)对羊肉新鲜度进行检测,该算法通过光谱数据和理化值数据之间的关系来计算信息向量并对波长变量进行排序,采用指数衰减函数(EDF)通过多次迭代去除一些信息向量绝对值比较低的波长变量,最后在已获取的有效波长变量中逐渐增加波长点建立多元回归模型,选取交叉均方根误差(RMSECV)最小值的波长变量子集为特征波长变量。实验时,将OPS法和AW-OPS法在选取特征波长变量后,分别构建羊肉TVB-N的偏最小二乘(PLS)关系模型,同时与全光谱波段PLS模型的效果相比较。结果表明:OPS算法运行程序平均用时为175.9 s,优选出370个特征波长变量,OPS-PLS模型相关系数(RP)平均为0.9631,均方根误差(RMSEP)平均为0.727;而改进的有序预测选择法(AW-OPS)运行程序平均用时为57.6 s,优选出275特征波长变量,AW-OPS-PLS模型平均提升到0.9731,RMSEP平均降低为0.5728;全光谱波长数目为1414个波长变量,其PLS模型的平均为0.9208,RMSEP平均为1.0483。AW-OPS-PLS模型相较于OPS-PLS模型测试精度提高了21.2%,相较于全光谱-PLS模型,测试精度提高了45%,证明AW-OPS是一种有效特征波长变量筛选方法,提高了OPS模型精度和程序运行效率,降低了模型复杂度。

基于耦合算法的花生叶片光合色素含量反演模型

准确获取及预测光合色素含量可为精细化种植管理提供数据依据,为探究花生冠层叶片色素吸收特征,该研究以开花下针期的花生冠层叶片为研究对象,以ASD Field Spec4野外便携式高光谱仪采集的光谱数据为数据源,进行花生叶片叶绿素含量和类胡萝卜素含量反演。通过对比7种单一筛选特征波长变量算法及结合4种模型(PLSR、SVR、GBDT和XGBoost)的结果,优选出3种算法进行两两耦合。结果表明:1)在单一算法试验中IRIV、UVE和GA算法结果较优;2)在耦合算法试验中UVE-IRIV、GA-IRIV和GA-UVE方法都能有效降维,且模型稳定性提升。在叶绿素含量反演模型中,GA-IRIV-XGBoost模型精度最高,R^(2)=0.622,RMSE=0.235 mg/g;在类胡萝卜素含量反演模型中,UVE-IRIV-XGBoost模型精度最高,R^(2)=0.575,RMSE=0.056 mg/g;3)比较两种色素反演模型的预测精度,表明叶绿素的预测精度优于类胡萝卜素。该结果可为快速、准确预测花生叶片光合色素含量提供一种方法。