土壤重金属的污染影响着农作物的产量和质量。 传统的土壤重金属检测方法步骤繁琐、 检测费用高且速度慢。 利用X射线荧光光谱(XRF)分析技术检测土壤中重金属含量, 具有处理简单、 现场、 快速、 无损等优点。 由于土壤背景复杂, 包含大量噪声和无关信息, 建立XRF校正模型前, 对光谱的预处理能有效的去除不相干信息, 保留有用信息, 对XRF预测模型的精度有重要影响。 主要研究光谱预处理方法对重金属含量预测模型精度的影响。 首先, 采用向前间隔偏最小二乘(FiPLS)作为校正模型, 对比了无预处理、 去趋势处理(DT)、 标准正态变量变换(SNV)、 多元散射校正(MSC)、 小波去噪(WT)、 SNV+DT、 卷积平滑(SG)+一阶导数、 卷积平滑(SG)+二阶导数等7种不同预处理条件下的土壤重金属模型的检测精度。 初步结果表明, 多元散射校正预处理方法效果较好, 与原始光谱相比, 相关系数r从原始的0.988提高到0.990, 预测均方根误差RMSEP、 相对误差平均从原来的20.809和0.166分别降低到19.051和0.121。 其次, 在多元散射校正预处理方法的基础上, 针对多元散射校正方法以线性表达式描述非线性关系的局限性, 提出了局部加权线性回归多元散射校正(LWLRMSC)和偏最小二乘多元散射校正(PLSMSC), 并比较了它们的建模效果。 LWLRMSC是基于加权思想, 在预测一个点的值时, 选择适当的核函数和权重分配策略进行预测点的线性回归, 来解决简单线性回归的欠拟合状况; PLSMSC是基于PLS建模思想, 考虑了自变量和因变量的最大相关性, 来减少拟合误差及失真问题。 结果表明, PLSMSC具有最佳的预处理效果, 五种重金属Cu, Zn, As, Pb, Cr预测值和实际值的R分别为0.989, 0.973, 0.991, 0.989和0.986, RMSEP分别为8.805, 58.360, 7.671, 12.549和20.851, 相比于传统的MSC方法不仅在精度方面有大幅度的提升, 且具有更好的泛化性能, 能消除光谱噪声, 提升有效信息贡献度, 为土壤重金属含量预测模型选取合适的预处理方法提供了理论支撑。

为了实现稻瘟病的快速、 准确和无损检测, 力求构建稻瘟病害预测模型。 根据水稻叶片相对病害面积将稻瘟病划分为3个等级, 通过激光诱导法采集不同病害等级的活体水稻叶片叶绿素荧光光谱。 选取502～830 nm波段激光诱导叶绿素荧光光谱(LICF)作为研究对象, 利用Savitzky-Golay平滑法(SG)和一阶导数变换(FDT)对光谱信息进行预处理, 通过主成分分析(PCA)方法获取经SG-FDT预处理后光谱的特征向量, 根据累积贡献率和方差选取前3个主成分进行分析。 将试验样本分为建模样本和检验样本, 以稻瘟病害等级为预测指标, 利用建模样本的133片叶片的光谱和病害信息分别结合判别分析(DA)、 多类逻辑回归分析(MLRA)和多层感知器(MLP)建立稻瘟病的预测模型, 利用检验样本的89片叶片的光谱和病害信息对所建模型进行预测检验, 完成对PCA-DA、 PCA-MLRA和PCA-MLP的对比寻优。 结果表明, PCA-DA, PCA-MLRA和PCA-MLP模型均能完成对稻瘟病害的预测, 但PCA-MLP模型的平均预测准确率能够达到91.7%, 相比PCA-DA和PCA-MLRA模型, 在稻瘟病害3个等级上均具有较好的分类和预测能力。

利用叶绿素荧光光谱分析技术研究温室黄瓜蚜虫害的侵染及发生等级。 从光谱形态的角度建立监测特征点, 确定F632波段强度值作为健康与蚜虫害叶片的第一特征点, F512～F632光谱曲线的变化速率K值作为第二特征点, 对于符合特征点的植株进行及早预警。 采用最小二乘支持向量机数据挖掘方法的径向基核函数建立蚜虫害的侵染及发生等级模型, 通过对比不同峰谷值所在波段对于蚜虫害的分类准确率和预测准确率, 确定采用F632波段建立模型, 它的预测能力达到96.34%。

基于叶绿素荧光光谱分析技术, 从光谱形态角度出发确定了波长685 nm作为健康与病虫害叶片分析的第一特征点, 采用简单波段自相关选择与主成分分析方法相结合实现对光谱的降维处理, 并在保持光谱信息达到99.999%的前提下将主成分因子个数由10降为5。 对比分析了偏最小二乘回归、 BP神经网络和最小二乘支持向量机回归三种建模方法, 以真实值与模型预测值的相关系数作为评价标准, 最终确定最小二乘支持向量机为温室黄瓜病虫害叶绿素荧光光谱分析的一种较为适宜的建模方法。