通过使用红外热像仪技术获得冬小麦冠层不同温度值, 计算得到冬小麦主要需水阶段水分胁迫指标ICWSI(infrared crop water stress index)。 并根据此数据, 使用一次灌溉周期中3个时段不同的ICWSI的平均值作为输入因子, 相应实测冬小麦产量作为输出因子, 建立了BP神经网络模型对冬小麦的产量进行预测, 本文采用三层BP神经网络, 其拓扑结构为3-5-1, 数据归一化处理后收敛性能增强。 预测结果显示, 平均相对误差最大只有3.42%; 为了证实这一方法的优越性, 同时建立了基于ICWSI和冬小麦产量关系的非线性函数的预测模型, 预测结果与实际产量值进行比较, 平均相对误差最大达到了18.87%。 两种预测方法得到的不同预测结果表明, 将红外热像仪技术与BP神经网络预测方法相结合, 可以成功用来预测冬小麦产量, 比使用非线性函数预测的效果更好, 精度更高, 可靠性更强, 可以用于实际生产需要。

在近红外光谱定量分析中, 由近红外光谱数据的高维特点引起的复共线性, 是利用化学计量方法建模经常遇到的问题, 可利用一种新的逆回归方法处理这一问题。 该方法首先利用自变量X和因变量Y的相关性质降维, 找到真正与回归函数有关的X的线性组合, 再利用新找到的低维变量估计回归函数。 文中以103个玉米样品为实验材料, 随机选择其中70个玉米样品中蛋白质含量的近红外光谱建立定量分析模型, 随后利用该模型预测剩余33个样品的蛋白质含量, 预测值和化学测量值的相关系数(R)为0.986, 平均相对误差为2.1%, 而偏最小二乘回归建模得到的对应结果分别为0.978和2.5%, 结果表明新方法比偏最小二乘有更好的表现。 为进一步考察该方法建模的稳定性, 对样品进行了6次随机分组, 并分别用逆回归方法和偏最小二乘法建模、 预测并计算预测值与化学测量值的相关系数和相对误差, 结果显示六次预测的结果表现出较好的稳定性, 并且都优于或至少与偏最小二乘方法相近。 逆回归方法利用自变量X和因变量Y的相关性质寻找与回归函数真正有关的自变量组合, 为建立近红外光谱定量分析校正模型提供了一种新的思路。

Elastic net是对最小二乘方法的一种改进, 在最小二乘法的基础上增加了Ｌ１和Ｌ2惩罚, 具有变量选择和模型可提高预测精度的良好性质。 此研究以89个小麦样品为实验材料, 通过Elastic net方法优选光谱主成分, 建立近红外光谱与小麦中蛋白质含量之间的定量分析模型, 考证了Elastic net优选主成分建立定量分析模型的可行性。 实验中将89个小麦样品随机分成两组, 60个样品做建模集, 其余29个做预测集。 60个样品所建模型预测29个样品的蛋白质含量, 预测值和化学测量值间的相关系数(r)为0.9849, 平均相对误差为2.48%。 为进一步考察该方法建模的可行性和稳定性, 对89个样品分别进行5次随机划分, 60个样品做为建模集, 29个样品做为预测集, 5次建模所选光谱的主成分基本一致; 同时与PCR和PLS方法作对比, 结果显示5次所建模型的预测效果明显好于PCR, 且与PLS方法相近。 鉴于Elastic net具有变量选择的功能, 且所建模型具有较好的预测效果, 表明该方法是一种可行的建立化学计量学定量分析模型的方法。

利用植物和背景(枯枝、 土壤等)的光谱特性“红边”两侧反射率的差异, 研究了探测绿色植物靶标的光谱探测技术。 定义850与650 nm处反射率的比值为植物判别指数(GPDI)。 用FieldSpecHandheld 2500型野外便携式光谱仪测量了绿色植物和背景的光谱数据, 对其进行数据处理, 计算各被测物质的植物判别指数GPDI。 利用决策树模式识别方法建立植物与背景的分类模型, 得到了GPDI阈值(GPDITH), 选择此阈值为5.54。 当GPDI＞GPDITH时, 判别探测对象为植物； 反之亦然。 设计开发了基于AT89S51单片机和光电二极管OPT101的绿色植物光谱探测器。 试验结果表明, 此探测器的探测率受杂草的种类、 大小和密度的影响； 阔叶草比窄叶草更易探测到； 植株越大、 密度越高, 探测率越高。

以66个小麦样品为试验材料, 研究岭回归方法在近红外光谱定量分析中的应用。 用44个小麦样品的近红外光谱数据建立测定蛋白质含量的近红外-岭回归模型, 预测其余22个小麦样品的蛋白质含量。 预测结果与凯氏定氮法分析结果(化学分析值)的平均相对误差为1.518%, 与偏最小二乘法(PLS)预测结果进行比较, 显示岭回归方法可用于近红外光谱定量分析; 进一步, 为了减少无关信息对定量分析模型预测能力的干扰, 一种有效的方法就是进行波长信息的选择。 从1 297个波长点中优选出4个波长点, 利用这4个波长点处的光谱信息建立近红外-岭回归模型预测22个样品的蛋白质含量, 预测结果与凯氏定氮法分析结果之间的平均相对误差为1.37%, 相关系数达到0.981 7。 结果表明岭回归方法从大量光谱信息中筛选出了最重要的波长信息、 不仅简化了模型, 有效的减少了光谱信息共线性的干扰, 而且对特定分析选择出适用的波长对指导设计专用近红外定量分析仪器亦有实际意义。

将极大线性无关组的概念及方法引入近红外光谱分析，探讨了在建立定量分析模型时代表性样品，即校正集样品的选择问题。以2652个烟末样品为实验材料，随机选取1001个样品构成预测集，其余1651个样品为代表性样品备选集。用Matlab软件求出代表性样品备选集光谱矩阵的极大线性无关组，以此作为代表性样品，构成建模的校正集。用PLS回归法建立了烟末样品总糖含量定量分析的预测模型，并将模型用于预测集中1001个烟末样品总糖含量的预测分析。实验结果表明，当选择的校正集包含的样品数量大于32时，所建各模型对预测集样品预测的平均相对误差均小于4％，平均相关系数大于0.96。其中选择32个代表性样品和146个代表性样品所建模型定量分析预测集中各样品的总糖含量，两个结果经统计检验没有显著性差异(α=0.05)，说明求极大线性无关组的方法用于校正集样品的选择，可实现“少而精”选择样品的目的。此外，我们用求极大线性无关组选择校正集样品和随机方法选择校正集样品两种方法，选择了同样数目28，32，41，76，146，163个样品建模进行预测效果的对比实验，结果显示，求极大线性无关组法选择校正集建模的预测效果优于随机选择校正集建模的预测效果。

介绍了运用有监督主成分回归法建立近红外光谱定量分析模型的原理和方法。 利用该方法先进行近红外光谱定量分析建模的波长信息选择, 达到降低光谱数据维数的目的, 然后建立数学模型, 并用其分析预测集样品。 文中以66个小麦样品为实验材料, 随机选择其中40个样品建立小麦样品中蛋白质含量的近红外光谱定量分析模型, 首先优选出4个波长点: 4 632, 4 636, 5 994, 5 997 cm-1, 利用这4个波长点处光谱信息建立主成分回归模型预测26个样品的蛋白质含量, 其结果与凯氏定氮法分析结果的相关系数为0.991, 平均相对误差为1.5%。 该方法从大量光谱数据中筛选出最重要的部分波长信息, 实现了“少而精”的波长点选择, 对建立抗共线性信息干扰的光谱定量分析模型, 同时对指导专用近红外分析仪器设计中波长点的选择等方面都有一定的意义。

田间全面积均匀喷施除草剂不经济， 还污染环境， 精准喷施除草剂意义重大， 其关键是正确识别杂草。 用便携式野外光谱仪， 在田间测量了玉米、 马唐和稗草植株冠层在350～2　500　nm波长范围内的光谱数据， 经过数据预处理， 数据分析波长选为350～1　300和1　400～1　800　nm。 数据处理采用支持向量机(SVM)模式识别方法。 SVM具有可实现对小样本建模结构风险最小化、 结果最优化、 泛化能力强的优点。 用线性、 多项式、 径向基和多层感知核函数对玉米和杂草建立二分类模型， 结果表明， 三阶多项式核函数SVM分类模型的正确识别率最高， 达到80%以上， 且支持向量比例较小。 以二分类模型为基础， 利用投票机制， 建立了玉米、 马唐和稗草的一对一多分类SVM模型， 正确识别率达80%。 田间光谱测量受光照、 背景和仪器测量精度等条件的影响较大， 但结果仍表明SVM结合光谱技术在田间杂草识别中应用潜力很大， 此研究为田间杂草识别及传感器的建立提供了一种研究思路和应用基础。