三维成谱成像技术是一种能够对观测视场中的所有展源目标进行实时光谱获取的技术, 它可以通过单次采样同时获得目标光谱域和二维空间域信息。 光纤积分视场单元(IFU)则是天文三维成谱成像技术的关键器件, 通过将接收的像面切分, 将像面信息细分到若干单元传递至光谱仪, 在此过程中二维的展源目标被重整为互不干扰的线性排列供光谱仪进行采样提取, 能有效提高天文观测的时间分辨率。 介绍一种具有242光纤单元的IFU, 该IFU目前应用于中科院云南天文台的光纤阵列太阳光学望远镜(型号FASOT-1B)系统。 为满足FASOT-1B的指标要求, 获得高传输效率、 高光谱分辨率和高时间分辨率观测效果, 该IFU采用微透镜阵列加光纤阵列的结构, 该微透镜为正六边形球面镜, 实现接近100%的空间填充率。 综合考虑光纤积分视场单元前置望远镜系统和后端光谱仪系统的设计参数, 优化设计了一对11×11的微透镜阵列, 相邻微透镜间距300 μm, 每个微透镜对应天区1.5″, 以焦比F/8.2将接收到的光汇入与其对应的光纤纤芯中。 系统分析光纤芯径与光谱仪光谱分辨率间的关系, 设计的光纤规格为: 35/105/125 μm, 该设计既能满足光纤接收微透镜所传递的全部光信息, 同样可以得到系统需求的光谱分辨率和相对短的狭缝宽度。 量化分析IFU阵列端光纤直径与微微孔深度对光纤实际入射焦比的影响, 选定的微孔尺寸直径130 μm, 深3 mm。 阵列端二维排布的光纤在赝狭缝端经过重整, 以线性排列将光信息导入光谱仪, 相邻光纤间距130 μm。 整个IFU的能量传输效率均值77.7%, 波动值RMS 1.6%； 所有光纤出射焦比EE90均慢于F/7。 IFU出射端(赝狭缝端)光纤横向(排列方向)偏移量RMS值小于2.7 μm, 纵向(垂直于排列方向)偏移量RMS值小于1.8 μm。 FASOT-1B系统安装IFU并调试后进行了验证性观测, 成功获取了太阳NOAA12738活动区MgI色球的斯托克斯光谱, 该IFU也成为国内首个自主研制并应用于科学观测的光纤加微透镜型IFU。

利用石英倾斜仪CCD驱动器、高精度电动位移台和光路系统搭建测试平台, 对线阵CCD亚像素细分定位中的一种灰度加权重心法进行实验测试。通过噪声漂移实验和分辨力测试实验, 验证了灰度加权重心法能够有效抑制噪声干扰, 提高CCD像点定位分辨力, 实现线阵CCD亚像素细分定位。实验结果, 倾斜仪CCD驱动器采用加权重心法将像点定位分辨力提高至了1/3像素。

采用高温固相法合成了系列Ca2MgSi2O7∶Dy3+,Tm3+发光材料。对样品进行了XRD结构表征, 测量了激发光谱、发射光谱、色温和荧光寿命。研究结果表明, Ca2MgSi2O7∶Tm3+在355 nm激发下显示出蓝色发光, 在CIE1931中的色坐标为x=0.165 9, y=0.082 2, 色纯度为89%。通过Dy3+和Tm3+的叠加激发谱带激发, 即在349, 353, 365 nm激发下, Ca2MgSi2O7∶Dy3+,Tm3+显示出青白、冷白和暖白光, 相关色温值分别为5 193, 9 672, 4 685 K。300~500 nm区域间可以有效地激发Ca2MgSi2O7∶Dy3+,Tm3+, 并在400~600 nm之间产生蓝光和黄光复合产生的白光, 表明该体系可用作白光LED的发光材料。

番茄植株在生长过程中受病虫害的侵染, 将导致番茄减产和种植户的经济效益降低, 该研究用高光谱技术结合化学计量学方法, 实现了番茄叶片斑潜蝇虫害的快速识别。 搭建了简易的高光谱成像系统, 包括光源单元、 高光谱图像采集单元和数据处理单元, 用该系统获取番茄叶片的高光谱图像, 对高光谱图像进行校准, 并从每一幅图像中提取光谱信息。 分别采用了光谱角匹配(SAM)分析方法和光谱红边参数判别分析(DA)方法识别番茄叶片斑潜蝇虫害。 在SAM分析中, 对高光谱数据进行了归一化预处理, 以消除多余信息, 增加样品之间的差异。 比较了以不同番茄叶片样品的反射光谱作为测试光谱时, 虫害识别效果的差异, 当以受到斑潜蝇侵染的番茄叶片的平均反射光谱作为测试光谱时, 虫害识别的正确率较高, 达到96.5%。 在光谱红边参数判别分析中, 从光谱数据中提取了红边位置、 红边振幅、 最小振幅、 红边面积、 红谷位置和红边振幅/最小振幅6组红边信息, 利用判别分析方法建立番茄叶片斑潜蝇虫害的判别模型, 比较了距离判别、 Fisher判别、 Bayes判别分析方法的判别效果, 使用距离判别分析建模的判别正确率最低, 判别正确率为88.0%, 使用Fisher判别分析建模的效果最佳, 判别正确率为96.0%。 研究结果表明, 采用高光谱技术识别番茄叶片斑潜蝇虫害具有可行性。

甜瓜的品种多样, 富含多种营养成分, 甜瓜种子品种不纯将对甜瓜生产造成一定危害, 研究采用种子的叶绿素荧光光谱结合反射光谱的分析方法鉴别甜瓜种子品种, 以甜瓜品种“一特白”、 “一特金”、 “京蜜7号”、 “京蜜11号”、 “伊丽莎白”为研究对象。 构建了甜瓜种子品种鉴别光谱系统, 包括激发光源单元、 光谱数据采集单元和数据处理单元, 使用该系统获取不同品种甜瓜种子的光谱数据。 对光谱数据分别进行一阶导数(first derivative, FD), Savitzky-Golay(SG) 平滑, FD结合SG平滑预处理。 采用主成分分析(principal component analysis, PCA)方法降低光谱数据的维数, 提取主成分。 使用两种不同分组方法将样品按照3∶1的比例分为训练集和验证集, 并分别采用Fisher判别和Bayes判别分析方法建立甜瓜种子品种的判别模型。 本文比较了仅使用叶绿素荧光光谱与使用叶绿素荧光光谱结合反射光谱建立判别模型的判别结果, 结果显示, 使用叶绿素荧光光谱结合反射光谱建模的判别结果优于仅使用叶绿素荧光光谱建模的判别结果, Fisher判别分析和Bayes判别分析的验证集样品品种的判别正确率均达到98.0%。 研究结果表明, 采用叶绿素荧光光谱结合反射光谱鉴别甜瓜种子品种具有可行性。

自然界中不同种物质拥有不同的偏振特性, 这些特征信号能用于检测不同的目标地物。为了探索偏振光谱技术用于精确识别作物和杂草的可行性, 此研究利用配置偏振片的成像光谱仪FISS-P在室内采集玉米与5种杂草的偏振光谱影像。通过比较和分析0°、60°、120°和无偏4种状态下玉米与各种杂草的光谱响应规律、光谱特征和决策识别模型精度, 结果显示4种偏振状态下玉米和杂草的光谱变化趋势较一致, 无偏状态下玉米和杂草的光谱强度最大; 不同偏振状态下玉米和杂草的敏感波段既存在共性又表现出一定的差异性; 4种偏振状态下玉米杂草识别模型的总体精度和Kappa系数均达到90%以上, 其中, 0°偏振状态下玉米和杂草识别模型的整体精度最高, 接近100%。综上, 偏振光谱能够在叶片尺度较好地识别玉米和杂草, 这为田间尺度进一步应用提供了扎实的数据积累。

遥感技术能被用于大尺度作物化学喷药效果检测, 这为精准农业航空施药发展提供了重要的技术支撑。 利用M-18B农用飞机在4米的飞行高度喷施化学农药混合剂(杀菌剂和植物生长调节剂), 去控制水稻爆发性疾病--叶片纹枯病和促进水稻植株的生长。 施药一周后, 喷药区的卫星影像被获取并计算植被指数, 同时采集了地面化学农药的药液沉积量。 分析了药液雾滴沉积量和植被指数的关系, 结果显示, 单相光谱特征(NDVI)和液滴沉积点密度(DDPD点·cm-2) 的相关系数是0.315, p-value为0.035; 时间变化特征 (MSAVI)和液滴沉积体积密度(DDVD μL·cm-2)之间的相关系数是0.312, p-value为0.038。 另外, 水稻生长活力最旺盛的范围都出现在喷洒区域内, 植株活力随着药液漂移距离的增加逐步减少。 同时, 相同的变化趋势也出现在雾滴沉积量与光谱特征的空间变化插值图中。 由此得知, 从卫星图像中计算的植被指数NDVI和MSAVI, 可以用来评估大尺度农田的农用航空药液喷洒效果。

为了提高杂草识别的准确性和快速性, 利用光谱反射率差异区分作物与杂草。 首先利用SG卷积求导法与多元散射校正法的不同组合对原始光谱数据进行预处理, 然后利用主成分分析法（PCA）对各类植物进行聚类分析, 并根据主成分分析结果中各个最佳主成分对应的载荷图, 提取对各类植物识别敏感的特征波长, 最后以特征波长为输入变量, 用簇类的独立软模式（SIMCA）分类法对各类植物进行分类识别。 甘蓝与杂草的分类结果表明, 在1阶3次51点SG卷积求导法加上多元散射校正法（MSC）的最佳预处理基础上, 根据主成分分析中前3个主成分, 提取到23个特征波长, 以它们为输入变量, 利用SIMCA方法进行分类时, 建模集和预测集的识别率分别达到98.6%和100%。

杂草的自动识别是实现作物草害精准施药的基础。 利用ASD光谱仪采集两个品种的圆白菜及稗草、 狗尾草、 马唐、 牛筋草和小藜等五种杂草在350～2 500 nm波段内的冠层光谱反射率。 根据光谱曲线特征, 在不同波段内对数据进行不同程度的压缩, 以提高运算效率; 利用不同参数设置的Savitzky-Golay(SG)卷积平滑求导和多元散射校正方法(MSC)的不同顺序组合对光谱去噪, 然后结合主成分分析法(PCA)提取主成分, 建立模型, 最后利用簇类的独立软模式(SIMCA)分类法对各种植物进行分类, 并比较分类结果。 试验结果显示利用MSC与3阶5次21点SG相结合的方法对光谱数据预处理后, 运用PCA提取前10个主成分作为分类模型的输入变量, 取得了100%的分类正确率, 能够快速无损地识别圆白菜与几种常见杂草。

利用高光谱扫描技术对小麦叶片进行无损检测试验, 探索精确测定小麦叶绿素含量的方法, 为农作物生长状况、 植物病理诊断等提供科学依据。 研究选取90个样本作为校正集, 30个样本作为预测集, 获取叶片的高光谱反射图像, 同时用传统的分光光度计方法测定其叶绿素含量。 选取波长491～887 nm范围光谱, 用多元散射校正、 一阶导数、 二阶导数3种方法处理, 利用偏最小二乘法和逐步线性回归法分别建立了小麦叶片叶绿素含量与光谱信号间的数学模型。 研究发现多元散射校正(MSC)结合二阶导数光谱的多元线性回归(SMLR)模型的效果较优, 模型校正集和预测集决定系数分别为0.82和0.79, 校正均方根误差和预测均方根误差分别为0.69和0.71。 研究结果表明可以利用高光谱扫描技术检测小麦叶片叶绿素含量