基于荧光基Clapper-Yule光谱模型的墨层厚度变化预测

由于荧光纸基会吸收紫外线,激发可见蓝光或可见紫色荧光,而影响墨层厚度,为此基于荧光纸基的Clapper-Yule光谱反射色彩预测模型,考虑了荧光纸张的光学特性、光在荧光纸内部横向传播等特性,采用最小二乘参数估计方法,通过印刷品光谱反射率反映荧光纸基的墨层厚度变化量。该模型可为彩色印刷品的呈色规律分析和印刷品质量检测系统的研制与开发提供一定的理论依据。

基于分程Clapper-Yule模型的消光膜凹版印刷光谱预测模型的研究

为了建立可以精确预测消光膜上凹版印刷的颜色光谱预测模型,本研究提出一种基于分程Clapper-Yule模型的光谱预测方法。以包含729个色块的IT8.7-4色靶为实验样本,利用Matlab软件建立分程系数数据集,以CIE DE1976色差公式为消光膜凹版印刷光谱预测模型的评价指标,并与现有的光谱预测模型进行了对比。实验结果表明,消光膜凹版印刷光谱预测模型色差ΔE~*_(ab)在0~3之间,占比为75%,整体平均色差ΔE~*_(ab)为1.7。本研究所建立的模型相较于经典Clapper-Yule模型具有较高的预测精度,能满足凹版印刷消光膜对颜色复制的需求。

基于无人机多光谱遥感数据的植被指数玉米估产模型研究

玉米作为主要的粮食作物,其产量估产意义较为重大。传统的产量估算方法均以数据抽样调查为主,产量估算精度较低。随着新技术新方法的不断涌现,该文以无人机结合多光谱遥感技术,通过采集玉米的拔节期、吐丝期、乳熟期、蜡熟期4个关键生育期植被指数的变化,通过产量构建分析模型,并验证筛选合理的模型用于产量估算。经验证,在乳熟期,依据RVI、DVI、SAVI构建的产量模型精度较高。在蜡熟期,依据NDVI、RVI、DVI、SAVI构建的产量模型较高。通过以上研究,对于在玉米生长过程中,能够积极结合数据变化,便于高效开展农作物种植,估测作物产量具有重要的指导意义。

烤后烟叶不同部位高光谱特征分析及判别模型构建

利用高光谱(400~1700 nm)成像技术扫描得到3个部位(上B、中C、下X)烤后烟叶的高光谱图像,并提取其高光谱数据。采用相关性分析、主成分分析及方差分析研究了3个部位烟叶的高光谱特征,并构建5种识别烟叶部位的判别模型(SVM、KNN、RF、LightGBM和XGBoost)。结果表明,3个部位烟叶的光谱反射率为C>X>B(400~750 nm),B>C>X(750~1400 nm),C>B≈X(1400~1700 nm)。3个部位烟叶的高光谱数据存在较强相关性,总体上可见光以及近红外波段在各自区域内相关性较强,而两者之间相关性较弱。共提取得到7个特征值大于1的主成分,方差累计贡献率接近1.00。3个部位烟叶的光谱反射率在450~550 nm和750~1400 nm区域相互之间存在明显差异,中部叶在550~850 nm和1400~1700nm分别与上、下部叶具有明显差异,上部叶在400~450 nm分别与中、下部叶差异明显,下部叶在680 nm附近分别与上、中部叶差异显著。SVM判别不同部位烟叶的表现最好,准确率、精确率、召回率和F1分数均达95%以上,LightGBM表现居中,各项指标在90%~95%,RF、KNN和XGBoost相对较差,各项指标在90%以下。

一种基于目标与背景特征分离模型的高光谱目标检测修正算法

高光谱图像立方体数据可以提供成像场景中地物在可见光和近红外波长范围内的空间信息和地物属性诊断的光谱特征信息,在目标检测与识别方面拥有得天独厚的天然优势。然而,基于高光谱图像数据的目标检测也存在一定缺陷,如经典的高光谱目标检测算法仅利用光谱维度信息检测目标,检测模型要么对背景高维特征矩阵构建的准确度不足,要么对背景先验光谱特征的完备性要求较高,导致算法对不同复杂度的检测场景适应性不强。因此,基于计算复杂度较低、参数需求量较少且检测性能较为优异的经典多目标检测算法—多目标约束能量最小化(MCEM),提出了一种基于目标与背景环境特征分离模型的高光谱目标检测修正算法(R-MCEM)。首先,设计了一个与目标形状、尺寸相近的逐像元移动运算窗口,依次计算窗口中的每个像元与窗口内其他像元的光谱距离之和D1,像元与各类目标的光谱距离之和D2。其次,采用获得D1/D2最小值的像元替换窗口内的所有像元值。然后,自左向右、自上而下逐像元移动窗口,重复窗口内每一个像元与目标、背景像元的光谱距离运算,并确定窗口内与背景相似度最高、与目标相似度最低的像元。直到移动运算窗口遍历整个高光谱图像,大幅提升了基于目标与背景环境特征分离的背景高维特征矩阵准确度。分别设计了基于实测高光谱图像数据和模拟图像数据的修正检测算法性能验证试验,并采用三维操作特征曲线(3D ROC)结合目标与背景分离度(SDBT)开展修正算法的检测精度评估。试验结果表明,提出的修正算法有效减少了虚警率,提高了检测精度。基于实测数据的检测精度、目标与背景分离度由MCEM算法的0.937 7、 0.57提升到R-MCEM的0.993 5、 0.67,基于模拟数据的亚像元检测能力由MCEM的20%丰度提升到R-MCEM的15%丰度。

IPSO-BPNN:一种结合粒子群优化的BP神经网络透射光谱水质亚硝酸盐含量定量化模型

亚硝酸盐是一种常见的水质污染物,主要来源为废水、肥料和污水处理厂等。水质中亚硝酸盐浓度大小是评估水体健康程度的一个重要指标,但传统的亚硝酸盐浓度检测方法操作复杂且容易受到检测环境的干扰,无法直观和准确的反映出水质健康程度。为了探究一种新的方式来评估水体的健康程度,使用IPSO-BPNN模型对亚硝酸盐透射光谱数据进行浓度预测。首先选择10种浓度的亚硝酸盐标准溶液(0.02、0.04、0.06、0.08、0.10、0.12、0.14、0.16、0.18和0.20 mg·L^(-1),使用OCEAN-HDX-XR微型光谱仪在相同的时间间隔下对十个浓度的亚硝酸盐溶液进行扫描,并通过白板校正得到光谱数据的光谱透射率值。使用最大最小归一化、均值中心化两种预处理方法将光谱数据进行维度和中心点的统一,使得不同样本之间的光谱数据具有可比性和可解释性。由于原始光谱数据维度较高,采用核主成分分析进行数据降维,选择代表原始数据97.94%信息的6个主成分进行IPSO-BPNN模型的训练。在预测亚硝酸盐浓度时,对原始粒子群优化算法进行了改进,引入了自适应学习因子和惯性权重更新公式以及粒子种群多样性引导策略,并在BP神经网络的基础上引入了学习率自适应公式,提高了算法的性能。通过比较不同粒子数进行迭代的函数适应度值变化曲线,选择使用100个粒子进行30次迭代来寻找最优权重和偏置组合。结果显示,IPSO-BPNN预测模型的决定系数为0.984360,均方根误差为0.006920,平均绝对误差为0.004103,与当前预测性能较好的随机森林模型、线性回归模型、BP-ANN模型、PSO-BPNN模型和PSO-SVR模型相比,该模型的拟合效果更好,精确度更高。基于以上结果,提出了一种基于IPSO-BPNN模型的高光谱水质亚硝酸盐浓度预测方法,为水体健康程度的评估提供了新的思路。

结合光谱降维的IPSO-SVR水体总磷浓度预测模型

[目的]选择最优模型对水体中总磷浓度进行预测,为准确、实时、高效检测水资源状况提供支持。[方法]以2021年在长江中下游武汉—安徽地区采集的水质样本作为研究对象,首先,对采集到的长江光谱数据进行最大最小归一化和均值中心化两种预处理操作以便统一数据的范围和均值点,并使用核主成分分析(KPCA)技术对预处理后的光谱数据进行降维操作。选取方差解释率为99.6%下的6个特征向量进行后续预测模型的训练,接着在原有粒子群算法的基础上引入自适应惯性权重更新公式和遗传—模拟退火变异思想,提高算法的寻优能力。使用改进的粒子群优化算法对支持向量回归模型中的超参数组合进行寻优,对支持向量回归模型使用输出的结果进行预测模型的训练,最后使用测试集数据进行总磷浓度的预测。[结果]提出了一种结合光谱降维的改进粒子群优化算法(IPSO)结合支持向量回归(SVR)的水体总磷含量预测模型。通过和当前预测性能较好的几种机器学习模型进行精度的比较发现,该试验模型对长江水体总磷浓度进行预测时决定系数(R^(2))为0.973920,均方根差(RMSE)为0.003012,平均绝对误差(MAE)为0.002105。[结论]使用光谱数据结合降维技术、粒子群优化算法和机器学习模型的算法融合模型检测水体总磷浓度可行性强,精确度高,且拟合效果良好。

基于地面高光谱遥感的大豆产量估算模型研究

为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数:比值指数(Ratio index, RI)、差值指数(Difference index, DI)、归一化光谱指数(Normalized difference vegetation index, NDVI)、土壤调整光谱指数(Soil-adjusted iegetation index, SAVI)、三角光谱指数(Triangular vegetation index, TVI)、改进红边归一光谱指数(Modified normalized difference index, mNDI)和改进红边比值光谱指数(Modified simple ratio, mSR),使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向神经网络(Back propagation neural network, BPNN)构建大豆产量估算模型并进行验证。结果表明,各生育期(全花期(R2)、全荚期(R4)和鼓粒期(R6))计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80 kg/hm^(2)和5.12%。本研究成果可为基于高光谱遥感技术的作物产量估测提供理论依据和应用参考。

基于高光谱技术的滇池流域湿地植物氮含量估算模型构建

以滇池流域为研究区,利用S-R3500光谱仪采集芦苇、菰、香蒲和风车草4种典型滇池湿地植物的光谱数据,应用A33型连续流动分析仪测定湿地植物叶片氮含量,筛选出氮含量最敏感的光谱特征波段和变换形式参量,建立湿地植物叶片高光谱氮含量估算模型。结果表明:4种湿地植物的光谱曲线与健康绿色植被的光谱曲线趋势一致,但在800~1350 nm和1650~1800 nm波段存在差异,一阶微分、二阶微分和“三边”参数光谱变换可以更加突出4种湿地植物的光谱特征;芦苇二阶微分1836 nm、香蒲二阶微分881 nm、菰一阶微分1264 nm、风车草二阶微分1665 nm波长和氮含量相关系数绝对值最大;菰的“三边”参数红边面积和蓝边面积的比值、红边面积和蓝边面积的归一化值,香蒲的红边幅值、红边面积、“绿峰”反射率和“红谷”反射率比值、红边面积和蓝边面积比值和氮含量相关系数绝对值最大,且呈极显著相关(P<0.01);4种湿地植物基于光谱二阶微分构建的氮含量估算模型精度比一阶微分高,基于光谱“三边”参数构建的氮含量的估算模型精度最高且误差最小;4种湿地植物基于“三边”参数构建的氮含量估算多元逐步回归模型估测效果较好。基于高光谱技术的湿地植物养分含量估算模型技术可以长时序快速地监测大面积湿地植被养分含量的时空动态变化,为湿地植物远程管理提供基础数据和技术支持。

不同粒径湿地土壤高光谱特征及碳氮磷含量反演模型研究

河流湿地是非常重要的湿地类型,其中河流湿地土壤能够有效维持河流湿地生态系统的稳定性。土壤碳氮磷是支撑湿地土壤质量和植被生长的关键营养元素,利用高光谱遥感数据对其进行估算对实现湿地土壤养分信息的快速和准确检测具有重要意义。土壤粒径作为土壤最重要的属性之一,对土壤样本的光谱反射率有着重要影响,并且是影响土壤结构、阳离子交换能力、植物养分可用性等的重要因素。以陕西黄河湿地省级自然保护区为研究区,于2022年8—9月采集477份湿地表层土壤样本,经过室内过筛处理后得到1.0 mm、0.3 mm、0.2 mm、0.1 mm四种不同粒径的土壤样本。基于原始光谱数据及一阶微分转换光谱数据对土壤碳、氮、磷含量建立不同粒径的偏最小二乘回归、随机森林、高斯过程回归3种预测模型,比较建模R^(2)以及RMSR选择最优模型,并筛选敏感波段构建模型进行评价。研究结果显示:(1)光谱反射率数值随土壤粒径的减小而增大,0.1 mm粒径的预测模型相比于其他粒径始终有着更好的精度;(2)基于一阶微分光谱建立的土壤有机碳、全氮、全磷含量估算模型均具有更高的精度;(3)基于敏感波段建立的偏最小二乘回归模型,建模R^(2)范围0.62—0.98,验证R^(2)范围0.36—0.94,相比其他模型具有更优秀更稳定的反演效果。研究结果表明通过控制土壤粒径建立土壤碳、氮、磷含量的估算模型是可行的,选择合适的粒径大小能够提高反演模型估算精度。而偏最小二乘回归作为具有较高精度的反演模型可以帮助提高模型的稳定性和预测能力,从而更准确地估算土壤中的碳、氮、磷含量。研究结果为基于高光谱遥感的不同粒径处理的湿地表层土壤碳、氮、磷定量反演提供坚实的理论支撑与技术支持。

土壤Cr含量高光谱反演模型组合优化研究

土壤重金属污染高光谱反演的特征波段提取方法和反演模型的选择是影响反演精度的关键;二者如何优化组合,提高反演精度是目前亟需解决的难题。在华南典型铬(Cr)污染区,采集了92组土壤样品,使用电感耦合等离子体质谱(inductively coupled plasma mass spectrometry,ICP-MS)检测Cr含量,并使用ASD Field Spec4地物光谱仪在实验室收集其高光谱信息。光谱信息预处理采用平滑滤波(SG)+标准正态化(SNV)+二阶微分(SD)变换组合,减弱土壤散射和噪声的影响。选择竞争性自适应重加权采样(CARS)、逐步投影算法(SPA)、无信息变量消除(UVE)、遗传算法(GA)四种算法提取特征波段。选择多元线性回归(MLR)、偏最小二乘法(PLSR)、支持向量回归(SVR)和人工神经网络(ANN)四种反演模型建立特征波段与Cr含量之间的关系。通过对比不同特征波段提取方法和反演模型组合对土壤Cr含量反演的结果发现:采用CARS和UVE特征波段提取方法可以显著提高PLSR、MLR和SVR模型的预测效果;SPA方法能够提高ANN模型的预测效果;通过SG+SNV+SD+CARS+PLSR组合方式,提取位于800~1000、1400~1700以及2100~2450 nm之间的98个特征波段,建模后模型验证,决定系数R2为0.97,均方根误差RMSE为5.25 mg·kg^(-1),平均绝对误差MAE为4.35 mg·kg^(-1),相对分析误差RPD为3.94,表明该模型在预测土壤Cr含量具有优异的性能。以土壤Cr污染高光谱反演为例,通过比较不同特征波段提取方法与反演模型组合的反演精度,确定最优模型,为小样本土壤重金属污染反演的建模提供了思路。

生菜镉污染可见-近红外光谱分析模型

为了快速无损监测生菜受镉污染的程度,利用可见-近红外光谱进行生菜镉污染的分类监测。将土壤镉污染样品设置为0(CK,对照组)、 5、 10和20 mg·kg^(-1),以不同污染程度下种植的生菜为研究对象,采集生菜叶片的可见-近红外反射光谱,分析镉污染下生菜叶片可见-近红外光谱反射率的变化规律。光谱信息经分析表明,在510~730 nm波段之间,随着土壤中镉含量的增加,生菜叶片的可见-近红外光谱反射率表现为先降低后增加;在730~799.53 nm波段之间,5和20 mg·kg^(-1)镉胁迫下生菜叶片反射率高于CK组,10 mg·kg^(-1)镉胁迫下生菜叶片反射率低于CK组;且在762.199 nm处出现了一个吸收谷。首先采用平滑(SG)、多元散射校正(MSC)、标准正态化(SNV)、平均归一化(MN)、 SG+MSC、 SG+SNV、 SG+MN、 SG+一阶导数(FD)、 SG+二阶导数(SD)方法对原始光谱进行预处理,以提高信噪比。然后通过主成分分析(PCA)对原始光谱和各种预处理的光谱进行降维处理,最后将降维处理后的数据按照4∶1的比例划分训练集和测试集,分别与粒子群优化随机森林(PSO-RF)、遗传算法优化支持向量机(GA-SVM)、 BP神经网络(BP-NN)、极限学习机(ELM)、朴素贝叶斯(Naive Bayes)结合建立生菜镉污染的分类监测模型,并进行分析比较。结果表明,在不同的模型中,PSO-RF(SG)模型的识别效果最佳,其次是GA-SVM(SG+FD)模型和ELM(MSC)模型,PSO-RF(SG)、 GA-SVM(SG+FD)、 ELM(MSC)模型训练集的准确率均为100%,而测试集的准确率分别为100%、 83.33%和79.17%;BP-NN模型和Naive Bayes模型的效果较差,BP-NN(SNV)模型训练集的准确率为42.72%,测试集准确率为50%;Naive Bayes(SG+FD)模型训练集准确率为71.84%,测试集准确率为83.33%。说明采用可见-近红外光谱结合粒子群优化随机森林建模能够为生菜重金属污染监测提供一种新思路。

基于高光谱变换的枸杞冠层含水率预测模型

为实现枸杞冠层水分信息的快速无损监测,以“宁杞7号”枸杞为试验对象,测定枸杞冠层叶片光谱和叶片含水率,对原始光谱进行一阶微分和连续统去除2种数学变换,将获取的原始光谱(OS)、一阶微分光谱(FDS)及连续统去除光谱(CRS)与含水率进行相关性分析,筛选出敏感波长并构建预测含水率的随机森林回归模型(RFRM)、偏最小二乘回归模型(PLSRM)、岭回归模型(RRM)及一元回归模型(URM),最后对模型的精度进行检验与评价。结果表明:从敏感波长分析,基于FDS构建的模型,其拟合度为0.716~0.938;基于CRS构建的模型,其拟合度为0.710~0.920;基于OS构建的模型,其拟合度为0.710~0.874;可见,基于FDS和CRS构建的模型,拟合度均高于基于OS构建的模型。从模型类型分析,RFRM的拟合度最高(0.874~0.938),其次为PLSRM(0.826~0.866)和RRM(0.737~0.889),URM的拟合度最低(0.710~0.730)。综合分析,基于一阶微分光谱构建的随机森林回归模型(FDS+RFRM)预测效果最优,其训练集和测试集的拟合度分别为0.938和0.893,检验集R^(2)、RMSE、MAE及RPD分别为0.872、0.561、0.466和2.156。研究将光谱变换与机器学习相结合,开发一套适用于枸杞冠层叶片含水率的且预测精度很高的高光谱探测模型,为枸杞冠层含水率的监测提供适宜高效的方法。

基于高光谱的小麦产量岭回归估测模型研究

为探究基于岭回归分析在小麦产量预测上的可行性,以苏隆128、扬麦20、皖西麦0638和宁麦13为供试材料,利用高光谱获取4个关键生育时期(拔节期、孕穗期、开花期、灌浆期)的光谱数据,将植被指数和岭回归分析分别与LAI结合构建小麦产量预测模型,并比较其预测精度。结果表明,各生育时期基于岭回归分析的小麦LAI预测模型比基于植被指数的小麦LAI预测模型的精确度整体偏高;相比于植被指数与LAI构建的小麦产量预测模型,各生育时期基于岭回归分析的小麦产量预测模型精度均较高,预测模型的r_(2)均在0.83以上,且RMSE、MAPE整体较低,尤其在拔节和开花期模型精度更高。因此,岭回归分析能够有效提高小麦产量预测模型的精准性与稳定性。

基于可见光-近红外高光谱信息与数据融合的木质化鸡胸肉的判别模型构建

木质化鸡胸肉(wooden breast,WB)制约肉鸡行业发展,传统触诊检测方法耗时且效率低,为提升高光谱成像(hyperspectral imaging,HSI)技术检测鸡胸肉木质化程度的效果,本论文以白羽鸡鸡胸肉为研究对象,将其划分4个木质化等级,采集其在400~1000和1000~2000 nm内的HSI信息,通过不同光谱预处理算法和特征波段筛选方法,建立基于全波段、特征波段和HSI数据融合的偏最小二乘判别分析(Partial least squares-discriminant analysis,PLS-DA)模型和支持向量机(Support vector machine,SVM)模型。结果显示,SVM模型比PLSDA模型更适于判别鸡胸肉木质化程度,基于1000~2000 nm内全波段和特征波段的最佳模型预测集总体正确率均高于400~1000 nm内的模型,基于两波段HSI数据融合的木质化判别模型优于基于单一波段(包括全波段和特征波段)的模型,最佳模型预测集总体正确率为96.7%,能较好地区分出4个木质化等级,且对4个等级的判别准确率均可达90%以上。研究结果为HSI实现木质化鸡胸肉的准确无损检测提供技术支持。

基于高光谱成像技术的烤烟上部烟叶成熟度光谱特征分析及判别模型构建应用研究

【目的】研究不同成熟度上部烟叶的高光谱特征及智能化判别的可行性。【方法】运用便携式高光谱仪采集3种成熟度(尚熟(SS)、成熟(CS)、过熟(GS))上部烟叶的高光谱图像并提取光谱数据。运用相关性分析、主成分分析以及方差分析等方法分析光谱特征并构建5种模型(支持向量机(SVM)、K近邻(KNN)、随机森林(RF)、LightGBM和XGBoost)用于成熟度判别评价。【结果】(1)可见光(400~720 nm)与近红外(750~1000 nm)内部各波段之间相关性较强,而两个区域之间相关性较弱;(2)5个特征值大于1的主成分(PC1~PC5)几乎包含了所有的光谱信息,且主成分方差分析结果表明不同成熟度上部烟叶的光谱反射特征在可见光、红边以及部分近红外区域(950~1000nm)统计学差异显著;(3)5种模型中SVM性能最优,2021年度样品的判别精确率、召回率和F1分数均在0.95以上,而2022年度以及2021+2022年度样品分别在0.93和0.92以上。【结论】上部烟叶高光谱存在多重共线性,具有很好的降维效果,且不同成熟度的光谱反射特征存在显著差异。SVM判别性能在不同年度间具有很好的稳定性,可用于上部烟叶成熟度判别。

基于VSURF-CA的小麦条锈病高光谱病情指数估测模型

【目的】条锈病对小麦生长和产量造成严重威胁,为确保有效防控,精准监测尤为关键。利用遥感技术构建小麦条锈病估测模型,能快速、准确地估测病情指数(DI),为精准防控提供技术支持。【方法】利用ASD光谱仪获取小麦不同生育期(抽穗期、灌浆期和成熟期)高光谱数据,采用随机森林变量选择(VSURF)方法结合相关性分析(CA)对原始光谱(OR)和一阶微分光谱(FD)进行特征波段筛选。使用随机森林(RF)对比不同数据集的特征波段建模结果,确定模型效果最佳的特征集。随后借助偏最小二乘回归(PLSR)、极致梯度提升(XGBoost)以及反向传播神经网络(BPNN),对比特征集在不同算法中的建模效果。通过对比建模效果,确定针对全生育期小麦条锈病病情指数的最佳估测模型。为了验证特征集在不同生育期中的效果,利用特征集在3个生育期重新构建模型,并对比模型效果。【结果】对不同数据集进行特征筛选,并使用RF构建条锈病DI估测模型,通过比较模型效果,确定VSURF-CA-FD特征集(绿光范围的537 nm以及近红外范围的821和846nm)在RF模型中的估测效果最好。采用RF算法构建的模型表现出优异的精度,R^(2)为0.89,RMSE为12.34。这些特征波段在其他算法构建的模型中也展现出良好的精度:XGBoost模型的R^(2)为0.87,RMSE为13.15;BPNN模型的R^(2)为0.84,RMSE为15.19;PLSR模型的R^(2)为0.69,RMSE为20.92。使用不同生育期的冠层微分高光谱数据进行验证,利用VSURF-CA-FD特征集构建RF模型,对比模型发现在小麦生长的早期(抽穗期)R^(2)为0.54,RMSE为1.29,NRMSE为0.21,能满足估测病害的要求;小麦生长的中期(灌浆期),模型的R^(2)表现较好,R^(2)为0.66,RMSE为12.24,NRMSE为0.21;小麦生长晚期(成熟期),模型效果好于前两个时期,R^(2)为0.75,RMSE为10.77,NRMSE为0.15。【结论】使用VSURF-CA方法筛选出的特征波段,能构建出对小麦条锈病病情指数具有出色估测效果的RF模型。研究结果可为预测早期和中期条锈病病情指数提供有价值的思路和方法。

茴香渣营养特征分析及其常规养分和矿物元素含量近红外反射光谱预测模型构建

本试验旨在分析茴香渣营养特征及构建其常规养分和矿物元素含量近红外反射光谱(NIRS)预测模型。利用NIRS技术结合改良偏最小二乘法(MPLS)分析了103份茴香渣样品中常规养分干物质(DM)、粗蛋白质(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、粗灰分(Ash)、有机物(OM)、粗脂肪(EE)以及矿物元素钙(Ca)、铁(Fe)、钾(K)、磷(P)和镁(Mg)含量的预测模型。结果表明:茴香渣CP和EE含量较高,NDF和ADF含量较低,且矿物元素含量丰富,可作为饲料原料添加到动物饲粮中。构建的预测模型中,常规养分DM、CP、NDF、ADF、Ash、OM和EE含量的预测决定系数(RSQ)分别为0.940、0.922、0.918、0.873、0.847、0.878和0.908,验证相对分析误差(RPD)均大于2.5,预测的准确性较高,取得最佳定标效果。矿物元素Ca、Fe和K含量的RSQ分别为0.912、0.911和0.856,RPD均大于2.5,预测效果较好,可以用于实际生产;Mg含量的RSQ和RPD分别为0.794和2.203,预测效果较弱,仅能粗略预测来进行样品筛选;P含量的RSQ和RPD分别为0.654和1.667,预测效果差,预测值和实测值的误差较大,不能用于实际生产。综上所述,利用NIRS技术建立的预测模型可快速、准确地预测茴香渣中DM、CP、NDF、ADF、Ash、OM、Ca、Fe和K含量。

农作物生长的胁迫因素光谱甄别模型研究

玉米作为中国重要的粮食产物之一,其生长期间的健康检测一直是农业生产的重要问题。以受不同因素影响下生长的玉米叶片为研究对象,采用ASD光谱仪进行叶片光谱采集;对原始光谱数据进行导数(derivative,D)处理,针对经过求导后光谱部分数据无限趋向0的现象,引入压缩感知(compressed sensing,CS)方法,并采用迭代重加权最小二乘(iterative re-weighted least squares,IRLS)数据重建的方法对光谱数据进行恢复;然后选取竞争性自适应重加权算法(competitive adapative reweighted sampling,CARS),结合不同试验下的影响因素作为标签提取光谱特征;最后通过多层感知机分类模型(multi-layer perceptron,MLP),以达到判别生长状态不佳的农作物所受影响因素的目的。本次试验生成的D-CS-CARS-MLP模型的精度相较于传统模型精度有所提高,可以高达99%以上,可以看出该模型可以针对农作物生长状态不佳所受的影响因素进行判别。经过验证,D-CS-CARS-MLP模型具有较好的稳定性和精度,为植被健康生长监测提供了新的思路与方法。

基于GF-1多光谱影像的河道碍洪物遥感AI识别模型

河道碍洪物是洪涝灾害的重要影响因素,对其进行高效精准监管需引起高度重视。传统的人工巡查难以满足高效精准的应用需求,因此结合人工智能(AI)的遥感技术应用是必经之路。然而诸多的AI模型在遥感应用中的表现尚不清晰,亟待深入探讨。本文以广西大藤峡库区为例,研究河道碍洪物遥感AI识别模型构建方法。基于GF-1遥感影像,构建碍洪物训练样本集,以ResNet101为核心网络,采用当前主流的6种语义分割模型,包括PSPNet、PAN、MANet、FPN、DeepLabV3+和UNet++,进行碍洪物识别模型训练,进而评估其精度和效率。结果表明:①利用ResNet101作为骨干网络的深度学习模型,在河道碍洪物识别中表现优异,所有模型的F1得分均大于0.70,交并比(IoU)均大于0.58。其中,结合洞卷积和全局池化技术的DeepLabV3+模型的F1得分为0.82,IoU为0.72,体现了其在捕捉上下文信息和微观特征方面的显著优势。②PSPNet在参数量较低的情况下表现出较高的处理效率和精度,每批次能处理8个样本,帧率高达10.49。综上,DeepLabV3+在精确识别和轮廓描绘方面的表现尤为突出,而PSPNet在大规模数据处理上显示出巨大潜力。研究结果可为AI遥感模型构建提供参考,并为河道安全监管提供技术支撑。