面向XRF的竞争性自适应重加权算法和粒子群优化的支持向量机定量分析研究

研究高效、准确、便捷的土壤重金属检测方法对于了解土壤的污染状况以及开展污染防治工作具有重要的意义。由于X射线荧光光谱分析(XRF)技术具备快速、准确、无损检测、样品制备简单等优势,在土壤重元素定量检测获得广泛应用。XRF仪器测试标准样品的荧光光谱并建立校准曲线,通过反演计算得到待测样品的元素含量。由于样品元素间存在基体效应,以及荧光谱特征峰存在叠加干扰,未经优化的校准曲线的线性度较差,这给反演计算来困难。为了解决上述问题,分别利用小波变换、非对称加权惩罚最小二乘法(arPLS)对光谱进行去噪和扣除本底基线,提高校准曲线的决定系数(R2);运用竞争性自适应重加权算法(CARS),针对不同目标元素优化变量选取;进一步地,基于选取的变量建立粒子群算法(PSO)优化的支持向量机回归(SVR)模型,并通过该模型反演计算各元素含量,提高定量分析的准确度和预测的泛化能力。实验结果显示,经过小波去噪和arPLS本底扣除后的校准曲线的决定系数(R2)有明显提升,Cr、Cu、Zn、As、Pb分别从0.965、0.979、0.971、0.794、0.915提高为0.979、0.987、0.981、0.828、0.953;通过CARS选取的谱线变量的个数大幅度减少,从2 048个通道降低到30个以下,为原来变量个数的1.5%,提高了变量选择的精准性;与偏最小二乘法(PLS)、未优化的SVR模型进行对比,采用CARS变量选择和PSO优化的SVR模型进行含量预测,训练集RC2与测试集RP2的决定系数分别在0.99、0.90以上,预测准确性有明显提高。因此,所提出的竞争性自适应重加权算法和PSO优化的SVR定量分析模型对于土壤重金属元素定量分析具有较好的理论指导和应用价值。

竞争性自适应重加权算法和相关系数法提取特征波长检测番茄叶片真菌病害

基于竞争性自适应重加权算法(CARS)和相关系数法(CA)特征波长选择方法,提出了利用可见-近红外高光谱成像技术检测番茄叶片灰霉病的方法。首先获取380~1 023nm波段范围内80个染病和80个健康番茄叶片的高光谱图像,然后提取染病和健康叶片感兴趣区域(ROI)的光谱反射率值,作为番茄叶片灰霉病鉴别模型的输入来建立支持向量机(SVM)鉴别模型,训练集和验证集的鉴别率都是100%。研究进一步通过CARS和CA提取特征波长,分别得到5个(554,694,696,738和880nm)和4个(527,555,571和633nm)特征波长,然后分别建立CARS-SVM和CA-SVM鉴别模型。结果显示,CARS-SVM模型中训练集和验证集的鉴别率都是100%,CA-SVM模型中训练集和验证集的鉴别率分别是91.59%和92.45%。以上结果说明了从可见-近红外高光谱图像中提取的光谱反射率值用于检测番茄叶片的灰霉病是可行的。

中红外光谱技术结合竞争性自适应重加权算法快速分析白酒风味组分

采用中红外光谱分析技术结合竞争性自适应重加权算法(CARS)对浓香型白酒基酒中的乳酸乙酯和乙酸乙酯的特征波长变量进行筛选后,建立偏最小二乘法(PLS)模型,并对其进行验证。结果表明,采用中红外光谱分析技术剔除明显噪声区域建立的PLS模型效果较好,而经CARS法进行特征波长选择后建立的CARS-PLS模型效果优于PLS模型,乙酸乙酯和乳酸乙酯的CARS-PLS模型相关系数R^(2)分别为0.995、0.989,预测均方根误差(RMSEP)分别为12.80、4.54,相对分析误差(RPD)分别为8.78及8.60,模型经独立验证均取得了较高的预测精度,验证数据相关系数R^(2)分别为0.994及0.992,RMSEP分别为13.55及4.86。该模型有较高的准确度及稳定性,能够用于白酒基酒中的乳酸乙酯和乙酸乙酯的快速分析,可为白酒酿造过程的质量把控提供技术方法。

窗口竞争性自适应重加权采样策略的近红外特征变量选择方法

通过消除光谱中的冗余信息变量,挑选出代表样品性质的特征变量代替全谱建立定量模型,可以提高近红外分析结果的准确性。基于进化论中适者生存原理的竞争性自适应重加权采样(CARS)算法因具有计算速度快、筛选得到的特征波长少等优点,在近红外特征变量筛选方面得到了广泛的应用。然而该方法在计算过程中容易出现校正集和验证集结果不一致情况。这是因为算法过于强调校正集交叉验证结果,且并未考虑相邻变量之间的协同作用。为了建立更加稳健的变量筛选方法,通过结合"窗口"以及CARS算法的优势,提出了一种基于窗口竞争性自适应重加权采样(WCARS)策略的近红外特征变量筛选方法,并将其应用于复杂植物样品近红外光谱与其化学成分含量之间的建模分析。采用WCARS方法可以实现准确定量分析,且通过与竞争性自适应重加权采样(CARS)方法结果相比较, WCARS方法得到的校正集和预测集结果一致,在一定程度上减少了过拟合问题的出现。该策略能有效增强特征变量选择的稳健性,提高了定量模型的可信度,具有一定的应用价值。

基于CARS和1D-CNN联合的XRF土壤重金属超标分析方法研究

随着社会现代化进程的迈进,愈加频繁的人类活动加剧了土壤重金属污染。当土壤中重金属元素含量超过风险筛选值时,会经过食物链摄入人体,过量的重金属累积对人体健康造成损害。筛选出具有重金属污染风险的土壤是治理土壤污染的重要环节。采用X射线荧光(XRF)光谱仪获取了59份国家标准土壤样品的光谱数据,然后对其进行小波阈值去噪和迭代离散小波变换本底扣除等预处理;运用基于竞争性自适应重加权采样(CARS)算法对土壤中的重金属元素进行谱线筛选;将筛选后的结果作为模型的输入,通过建立1D-CNN模型预测土壤样本是否具有重金属污染的风险。实验结果显示,通过CARS算法采样后的特征通道数大幅度减少,Ni、Cu、As、Pb元素从原来的2048个特征点分别减少为37、53、37、45个,为原来通道数的1.81%~2.59%。相较于不筛选和连续投影(SPA)筛选方法,结合CARS算法的1D-CNN模型在判断土壤样品是否有Ni、Cu、As、Pb元素污染风险时的准确率分别可以达到96.67%,93.22%,91.67%,88.33%。经CARS筛选,1D-CNN比偏最小二乘回归(PLSR)方法在预测准确性方面有明显优势。提出的CARS-1D-CNN算法在提高模型预测准确率的同时减少了模型的计算量,对于XRF光谱土壤重金属元素污染风险筛选具有较好的理论指导和应用价值。

基于高光谱技术的五味清浊制剂快速无损检测方法研究

目的:采用高光谱技术结合化学计量学方法对蒙古族药五味清浊制剂中胡椒碱、桂皮醛和羟基红花黄色素A进行含量测定,实现快速、无损、全面的五味清浊制剂质量评估。方法:选取2023年度国家药品抽检计划抽检的五味清浊制剂样品33批次(五味清浊散11批次、五味清浊丸22批次),采集其高光谱数据;对比多元散射校正、基线校正、标准正态变换、光谱转化、矢量归一化、光谱降噪、卷积平滑(9)结合一阶导数、卷积平滑(11)结合一阶导数、卷积平滑(9)结合二阶导数和卷积平滑(11)结合二阶导数10种光谱预处理方法,蒙特卡罗无信息变量消除法、竞争性自适应重加权采样法(CARS)2种变量筛选方法,偏最小二乘法、最小二乘法-支持向量机(LS-SVM)2种建模方法用于胡椒碱、桂皮醛和羟基红花黄色素A含量与高光谱数据定量校正模型时的性能。结果:采用CARS建立的胡椒碱和桂皮醛的LS-SVM模型预测能力全局最优,模型的相对预测偏差(RPD)分别为9.2、6.0,验证集相关系数(rpre)分别为0.9935、0.9852,说明模型验证集与测定值具有良好的非线性关系,模型预测效果良好。采用羟基红花黄色素A原始光谱建立的LS-SVM模型性能全局最优,RPD和rpre分别为3.7、0.9762。结论:采用高光谱技术结合化学计量学方法可以快速测定五味清浊制剂中胡椒碱、桂皮醛和羟基红花黄色素A含量,方法操作简便,可为五味清浊制剂的质量控制提供参考。

化学计量学方法选取对烟草含水率近红外分析准确度的影响

目的:研究不同化学计量学方法对烟草含水率近红外分析准确度的影响。方法:比较不同预处理方法(平滑、一阶、二阶、标准正态变量(SNV)和多元散射校正(MSC)及其组合)以及不同波长筛选方法(基于水分波段、基于波长区间、基于波长点)对预测模型性能的影响。结果:仅对数据进行SNV、MSC、MSC+一阶、MSC+SNV、SNV+一阶预处理的模型能够使不同程度的相对分析误差RPD提高,而其他方法则不同程度下降;在波长筛选方法方面,使用基于波长区间的方法能够获得较好的优化效果,经过变量筛选得到594个波长,为原波长数的27.26%,且能提高0.1336的RPD值。结论:不同的计量学方法会对烟草含水率分析准确度产生影响,对于此次数据,应采用MSC预处理方法及基于波长区间筛选方法对数据进行处理。

高光谱反演耕地土壤质量评价元素含量方法研究

为探讨利用高光谱快速估算耕地土壤质量元素镉(Cd)、砷(As)含量的可行性和准确度,该文针对元素光谱特征波段提取及高光谱定量反演建模开展研究。使用一阶/二阶微分(first derivative/second derivative,FD/SD)、倒数对数(logarithm reciprocal,LR)、包络线去除(continuum removal,CR)4种光谱变换与竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、相关性分析(Pearson correlation analysis,PCC)2种特征筛选相组合的多种方法提取光谱特征波段。在此基础上,分别利用偏最小二乘回归(partial least squares regression,PLSR)和粒子群改进的随机森林回归(particle swarm optimization-random forest regression,PSO-RFR)2种回归模型来反演元素含量并进行精度验证。结果表明,实验区土壤元素Cd和As预测的最佳模型均为FD-CARS-PLSR,Cd和As元素模型的决定系数R^(2)最高分别为0.863和0.959,相对分析误差分别为2.799和5.119。FD/SD光谱变换结合CARS特征筛选能够提升PLSR反演模型的精度。研究成果可以为土壤Cd和As元素含量的快速估算提供参考。

鲸鱼算法改进极限学习机的葡萄酒品质评价研究

[目的]解决近红外光谱中冗余信息过多的问题,提升葡萄酒品质评价模型的准确性,并构建一种快速无损的葡萄酒品质评价方法。[方法]运用竞争性自适应重加权采样法进行特征波长筛选,提出了鲸鱼算法改进极限学习机的葡萄酒品质评价模型。通过自适应重加权采样法等多种特征波长筛选方法,确定了最适用于葡萄酒光谱特征波长筛选的方法;针对ELM的初值权值与隐含层偏置选取问题,利用鲸鱼优化方法对初值权值与隐含层偏置进行优化,从而构建了一种基于鲸鱼优化算法改进的极限学习机葡萄酒品质评价模型。[结果]与GA-ELM、PSO-ELM和传统的ELM模型相比,WOA-ELM的准确率最高,达到了0.9445,GA-ELM的准确率为0.9290,PSO-ELM的准确率为0.9061,传统的ELM方法准确率为0.8177。[结论]通过智能算法优化ELM模型的参数,可以有效提高葡萄酒品质评价的准确性。

近红外光谱结合竞争性自适应重加权采样算法用于人工牛黄的质量分析研究

目的对人工牛黄近红外光谱的特征波长进行分析和研究。方法使用竞争性自适应重加权采样算法(CARS),分别从定性和各定量指标的角度,优化筛选出近红外光谱的特征波长变量。结果筛选出的特征波长数目仅为全变量的0.48%~4.44%,所构建的模型相比于近红外光谱全波长构建的模型来说,不仅变量数量大幅度减少,而且评价模型的指标参数更佳。结论该方法适用于人工牛黄的质量评价与控制。

优化CARS结合PSO-SVM算法农田土壤重金属砷含量高光谱反演分析

土壤重金属污染是由于人类活动导致重金属物质大量残留在土壤中,超过土壤环境承载力,这种现象将造成土壤质量退化、生态环境恶化。高光谱遥感可以实现图谱合一,能有效地识别出土壤中不同元素的异常情况。为实现农田土壤重金属高效、准确监测,提出了一种特征提高型竞争性自适应重加权算法(CARS)选取特征波段的粒子群算法(PSO)优化支持向量机(SVM)农田土壤重金属砷(As)含量高光谱估测分析方法。利用CARS对暗室实测光谱值进行粗选;利用一阶导数(FD)、高斯滤波(GF)、归一化(N)进行特征提高;在特征精选阶段利用皮尔逊相关系数(PCC)求取预处理后的光谱指标与土壤重金属As之间的相关系数,获取相关性大于0.6的波段作为特征波段;最后利用PSO对SVM所选择的核函数σ和正则化参数γ进行优化,以均方根误差(RMSE)作为适应度函数,通过迭代最优适应度得到SVM最优参数值。选择江汉平原典型区域洪湖市燕窝镇的土壤为研究对象,预测结果表明基于PSO-SVM算法其验证集的决定系数R 2为0.9823,均方根误差RMSE为0.5216,平均绝对误差MAE为0.4164。主要结论如下:PSO算法优化SVM参数,通过迭代更新个体极值和群体极值,可以迅速获取全局最优解,与支持向量机回归(SVMR)和随机森林回归(RFR)相比,在预测精度有了较大的提高;特征提高型CARS算法可以有效剔除无关信息,提高相关性,且选取波段少,模型简单,大大提高了效率;可以实现土壤污染预警、满足精准农业需求、为后期重金属污染土地生态修复提供数据基础。

基于随机蛙跳波段选择算法的土壤铅含量高光谱估测

高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。旨在寻求特征波段筛选的最佳算法,以实现土壤重金属铅含量的准确监测,为土壤污染防治提供参考。以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源,利用蒙特卡洛交叉验证(MCCV)算法确定92个有效土壤样品,通过相关分析选取倒数对数一阶微分变换处理的光谱数据,采用随机蛙跳(RF)算法,并结合竞争性自适应重加权(CARS)算法、迭代保留有效信息变量(IRIV)算法及连续投影算法(SPA),构建RF-CARS、RF-IRIV及RF-SPA三种算法对波段进行筛选。以倒数对数一阶微分变换处理下的特征波段反射率为自变量,土壤重金属铅含量为因变量,采用极端梯度提升(XGBoost)和地理加权回归(GWR)方法构建土壤重金属铅含量估测模型。结果表明:(1)光谱变换处理可有效增强光谱与土壤铅含量的敏感性,其中倒数对数一阶微分变换后的土壤光谱特征更为明显,相关系数可达到0.620(p<0.001)。(2)RF-CARS、RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、9和7个特征波段,全部位于近红外光谱区域,3种算法具有较强的特征提取能力,极大减少光谱数据中的冗余信息。(3)基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型,说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。此外,GWR模型的性能优于XGBoost模型,构建的RF-IRIV-GWR模型具有较好的预测能力,可作为研究区土壤铅含量的最优估测模型,其验证集的决定系数(R^(2))为0.892,均方根误差(RMSE)为0.825 mg·kg^(-1),相对分析误差(RPD)为3.09。基于随机蛙跳(RF)与迭代保留有效信息变量(IRIV)算法,结合地理加权回归(GWR)建模方法在快速准确估测土壤铅含量方面具有一定优势,可进行土壤重金属污染的动态监测。

基酒FT-NIR光谱预处理与特征波筛选方法的比较

为解决白酒基酒分类的问题,降低基酒的分类误差,减少基酒对摘酒师傅身体的危害,本实验选取18种预处理以及3种特征波筛选方法来较少光谱中的无关干扰信息,降低建模数据复杂度。基酒的傅里叶近红外光谱(Fourier Transform Near Infrared Spectroscopy,FT-NIR)经过光谱理化值共生距离法(SPXY)划分数据集、预处理、马氏距离(MD)异常剔除、特征波筛选、支持向量机回归(SVR)预测来完成最终的分类。研究发现:多元散射校正(Multiplicative Scatter Correction,MSC)后的训练集预测集分类准确率可以达到100%,主成分分析(Principal Component Analysis,PCA)与特定算法结合才能实现准确分类,因此要注意与其他算法的组合,无信息变量消除法(Uninformative Variables Elimination,UVE)和竞争性自适应重加权算法(Competitive Adaptive Reweighted Sampling,CARS)都能实现高效的特征波选择,预测集的平均准确率接近90%。实验证明,经过处理后的光谱数据最多占原数据的47.57%,基酒近红外谱图经过预处理与特征波筛选后可以降低后期回归模型处理数据的复杂程度,提高模型的精确度。

马铃薯干物质含量高光谱检测中变量选择方法比较

为提高利用高光谱成像技术快速检测马铃薯干物质含量的精度,比较了主成分分析法(PCA)、组合间隔偏最小二乘法(siPLS)、遗传偏最小二乘法(GA-PLS)、无信息变量消除法(UVE)以及竞争性自适应重加权算法(CARS)等变量选择方法。在此基础上提出一种竞争性自适应重加权算法与连续投影算法(SPA)相结合的波长选择方法,最终将原始光谱变量从678个减少到了27个。用27个变量建立多元线性回归模型,模型预测集相关系数Rp为0.86,预测均方根误差为1.06%。实验结果表明:高光谱成像技术能够对马铃薯干物质含量进行检测,同时CARS-SPA是一种有效的变量选择方法。

近红外高光谱图像结合CARS算法对鸭梨SSC含量定量测定

高光谱数据量大、维数高且原始光谱噪声明显、散射严重等特征导致光谱建模时关键波长变量提取困难。基于此,提出采用竞争性自适应重加权算法(CARS)对近红外高光谱数据进行关键变量选择。鸭梨作为研究对象。采用决定系数r2、预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。基于选择的关键变量建立PLS模型(CARS-PLS)与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果,r2pre,RMSEP和RPD分别为0.908 2,0.312 0和3.300 5。进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法(GA)获得的特征变量建立的PLS模型比较发现,CARS不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,该方法能够有效地用于高光谱数据变量的选择。结果表明,近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。

基于高光谱图像技术和波长选择方法的羊肉掺假检测方法研究

针对肉类掺假的定量检测问题,建立了基于高光谱图像技术结合波长选择方法以及偏最小二乘（PLS）法的羊肉掺假无损检测方法.试验搭建了羊肉-猪肉的高光谱图像采集系统,对选取的99个样本进行高光谱图像（390-1040nm）采集并提取感兴趣区域光谱.比较了多种预处理方法对全波长模型的影响,标准正态变量校正（SNV）为最优光谱预处理方法,校正决定系数R2CV达到0.93,预测决定系数R2P达到0.96,校正均方根误差RMSECV为8.33%,预测均方根误差RMSEP为6.18%.采用多种波长选择方法对光谱全波段520个变量进行变量选择,最终确定基于竞争性自适应重加权算法（CARS）的简化模型最优,其R2C=0.96,R2CV=0.94,R2P=0.96,RMSEC=6.55%,RMSECV=7.66%,RMSEP=6.10%.高光谱图像技术结合CARS能够对掺假羊肉进行准确的定量检测,可为羊肉掺假的在线无损检测提供理论依据。

CARS结合PLS-LDA法识别奶牛饲料中土霉素的可行性研究

收集了一年内不同月份不同种类的纯奶牛精补料20个,制备土霉素含量不同的掺假奶牛精补料100个,在全光谱范围内对样品进行近红外透反射光谱扫描,利用CARS法对光谱数据进行前处理,采用偏最小二乘-线性判别分析(PLS-LDA)法来建立判别模型。建立的PLS-LDA模型的交互验证最小错误率为0.0729,模型错分率为0,模型预测错误率为0.0417。说明利用近红外光谱技术建立定性判别模型来检测奶牛饲料中是否掺有土霉素是可行的。

高光谱图像结合机器学习方法无损检测猕猴桃

为实现对过量使用1-MCP化学保鲜剂猕猴桃快速、无损检测,提出高光谱技术结合机器学习建立识别模型的检测方法。首先对空白猕猴桃和过量化学保鲜猕猴桃在865.11～1 711.71 nm范围内进行高光谱数据采集。然后选用标准正态变量变换方法预处理原始光谱数据以去除噪声,采用波段比算法增强图像,数学形态学算法提取感兴趣区域,进而计算光谱平均值。最后采用主成份分析(PCA)、竞争性自适应加权(CARS)方法对全光谱数据(FS)进行特征提取,去除干扰项;以PCA和CARS提取的特征量和FS数据作为输入,结合偏最小二乘(PLS)和支持向量机(SVM)建立12个识别模型。试验结果表明,基于PLS和SVM建立的识别模型均能够有效检测过量化学保鲜猕猴桃,其中CARS-SVM模型性能最好,平均正确识别率达100%,运行速度最快,仅为0.015 348 s,满足工程实践中实时性高的要求,为快速、无损检测猕猴桃果品安全提供理论支撑。

拉曼光谱结合机器学习对植物油的分类鉴别

该研究采集了六类(38个品牌)常见植物油的551份拉曼光谱,并根据光谱数据分别建立了正交偏最小二乘判别和支持向量机模型,对比了连续投影法和竞争性自适应重加权采样法对模型识别正确率的影响。基于算法改进的偏最小二乘判别模型的总体预测准确率为82.53%、83.13%,低于基于全光谱数据建立的偏最小二乘判别模型。竞争性自适应重加权采样法结合支持向量机对玉米油、橄榄油、葵花籽油和芝麻油的品牌分类测试集正确率均达到100%;椰子油和花生油的测试集正确率为22.22%、63.64%。两类特征提取算法均可以减少建立分类模型所需的变量数目和计算资源,但以提取后变量建立分类模型可能会导致识别正确率下降。在解决样本间相似度较高的多分类问题时,支持向量机模型优于正交偏最小二乘判别模型。正确率差异可能和生产商所使用的生产工艺以及植物油原料相关。面对案件侦办中品牌种类多样的油脂物证,基于拉曼光谱分析和特征提取算法的支持向量机模型可为可食用植物油的无损快速检验提供一定的参考与借鉴。

滨海湿地土壤质地高光谱估测模型对比分析

土壤质地影响着植被分布、水土保持能力、微生物活动等多种物理、化学、生物和水文特性和过程。准确地获取土壤质地对湿地生态修复和保护具有重要意义。基于天津市滨海湿地57个实测表层土壤质地和可见光-近红外高光谱数据,对土壤样品进行S-G平滑以及一阶微分(FD)、倒数(RT)、倒数一阶微分(RTFD)、平方根(SR)、平方根一阶微分(SRFD)、倒数之对数(LR)和倒数之对数一阶微分(LRFD)八种变换,分析不同土壤质地类别的光谱曲线特征及土壤粒径含量与八种变换之间相关性。通过竞争性自适应重加权算法(CARS)优选特征波段,结合偏最小二乘(PLSR)、随机森林(RFR)和支持向量机(SVR)三种回归算法,对比不同光谱变换后的土壤粒径含量建模效果。结果表明:(1)湿地土壤质地类别主要为粉壤土和粉土,粉土在400~2400nm波段光谱反射率最高,砂土在400~2000nm波段光谱反射率最低,FD、RTFD和SRFD变换后波段反射率与土壤粒径含量的相关性明显提高,最大相关系数绝对值均达到0.58以上,最高达到0.70。(2)CARS算法筛选八种光谱变换的特征波段数为全波段数的1.05%~6.15%,有效降低光谱数据的信息冗余。(3)对比三种粒径含量估测模型,SRFD和RTFD光谱变换的SVR模型精度最好,优于其他两种模型,黏粒(SRFD)测试集(R^(2)=0.72,RMSE=1.86%,nRMSE=11.33%)、粉粒(SRFD)测试集(R^(2)=0.72,RMSE=2.82%,nRMSE=7.30%)和砂粒(RTFD)测试集(R^(2)=0.71,RMSE=5.75%,nRMSE=5.91%)。研究结果可为高光谱数据准确监测滨海湿地土壤质地提供依据与技术支撑。