海洋沉积物的粒度研究有助于了解人类活动对自然环境的影响。 将主成分分析(PCA)和连续投影算法(SPA)融合能够综合利用两种光谱特征提取方法的优势, 获得比单一特征提取方法更丰富的特征波长, 实现无关特征和干扰信息的剔除, 最大限度减少特征信息的丢失, 有利于沉积物粒度的分析。 以青岛市东大洋村潮间带表层32份沉积物为例, 将海洋沉积物划分为0.3～0.2、 0.2～0.1、 0.1～0.075和<0.075 mm四个不同粒径的沉积物样品, 分别测定不同粒径的32份沉积物的可见-近红外反射光谱, 共计128条光谱。 将128条光谱数据分别以2∶1, 1∶1和1∶2的比例划分建模集和检验集进行分析； 采用主成分分析和连续投影融合算法(FOPAS )提取不同粒径沉积物的特征光谱, 利用支持向量机算法建立粒径分类模型。 结果显示, 对2∶1、 1∶1、 1∶2比例的数据集, 融合算法检验集正确率分别为83.33%、 82.81%、 75.29%, 仅在2∶1比例下正确率低于连续投影算法检验集的正确率90.47%, 其余正确率相对于单一特征提取算法均有显著的提高, 表明使用融合算法提取特征光谱建立的分类模型在训练集样本量少, 粒径清晰的条件下, 其分类模型相较于单独使用两个特征提取算法的模型更具有优势。 采用基于主成分分析和连续投影融合算法的海洋沉积物粒度分类模型, 能够提高海洋沉积物粒度分类结果的正确率, 建立正确率更高的粒度分类模型, 对快速粒度分类提供了解决方法。

基于光谱技术建立的多元校正模型通常条件下只适用于同一台仪器、 相同的测试条件及同批次或同类别的样品。 在仪器、 测试环境、 样品发生变化后, 已建光谱模型不再适配, 需要进行模型转移。 模型转移是限制光谱技术推广应用的关键技术瓶颈, 模型转移是否成功直接影响到可见-近红外光谱技术的推广应用, 为此, 综述了其研究现状, 并探讨了其未来发展方向。 首先, 将模型转移问题分成了两类: 第一类是相同样品在不同仪器或不同测试环境（不同温度/不同湿度）等条件下产生的模型不适配问题; 第二类是不同批次、 不同物理形态、 不同种类间产生的模型不适配问题。 这两类问题性质不同, 解决第一类模型转移, 能够保证同源样品的准确性和稳定性; 解决第二类, 能够实现光谱模型在不同样品间的自动传递和匹配应用。 然后, 梳理了常用的模型转移算法并进行了分类, 包括模型更新、 基于光谱校正算法、 基于结果校正算法等, 并列举了每个类别的模型转移算法的应用。 模型更新是一种重新计算模型系数最直接的方法, 通过扩展和调整模型来满足新的变化; 基于光谱校正算法是通过算法计算转移矩阵, 实现对光谱的校正; 基于结果校正算法是通过算法计算预测结果和实际结果系数, 从而实现预测结果的校正。 最后, 指出未来应着重研究第二类模型转移问题, 并且要寻找能够实现机器自动校正的模型转移, 从根本上解决模型转移这一限制光谱速测应用的主要技术瓶颈。

光谱数据变换和光谱特征波长提取是二种重要的光谱预处理方法, 对消除环境等干扰具有重要的作用。 以往文献主要对比研究不同的光谱数据变换方法, 光谱特征波长提取方法的对比研究以及二者的组合研究较少。 为了获取适宜的光谱预处理方法, 提高潮间带沉积物氮的最小二乘支持向量机（LSSVM）模型精度, 研究了4种光谱变换方法与3种特征波长提取方法组合对沉积物氮LSSVM模型精度的影响, 以期实现潮间带沉积物氮的精确预测。 研究结果表明, 多元散射校正（MSC）或标准正态变换（SVN）光谱变换方法提高了光谱与氮含量的相关性, 最高相关系数分别达到0.69和0.71; 并且提高了LSSVM模型的预测精度, 模型的预测R2和RPD分别为0.88, 0.87和2.78, 2.69。 无信息变量消除（UVE）特征波长提取方法也提高了LSSVM模型的预测精度, 模型预测R2和RPD分别0.89和2.70。 但是, UVE提取的特征波长并不都与氮含量具有高相关性。 此外, 组合运用UVE特征波长提取方法和MSC或SVN光谱变换方法, 也提高了模型预测精度, 但并不优于单独运用UVE特征波长提取方法或单独运用MSC及SVN光谱变换方法。 研究结果可为潮间带沉积物氮估算和光谱数据预处理提供技术参考。

可见-近红外光谱已被证明是一种快速、 有效的有机碳(TOC)含量预测方法。 但是, 当前利用光谱预测TOC含量的研究对象主要为土壤或湖泊沉积物, 还未见潮间带海洋沉积物的研究报道。 为了快速准确预测潮间带沉积物TOC含量, 通过异常样本剔除、 光谱特征变换、 特征波长提取相结合, 构建TOC预测模型, 即, 采集潮间带沉积物样品光谱, 采用马氏距离、 标准杠杆值和学生残差联合分析的方法剔除异常样本, 利用多元散射校正(MSC)、 平滑+微分进行光谱变换, 利用遗传算法(GA)提取特征波长, 采用偏最小二乘法(PLS)、 最小二乘支持向量机(LSSVM)和BP神经网络(BPNN)对沉积物TOC含量进行建模和预测, 通过决定系数(R2)和剩余估计偏差(PRD)来评价模型精度。 结果表明, 剔除异常样本有助于提升模型精度, BPNN模型的检验R2和PRD分别提升了28%和39%。 MSC光谱变换效果优于平滑+微分, 基于MSC光谱变换的PLS, LSSVM和BPNN模型检验R2分别为0.81, 0.86和0.78, PRD分别为2.25, 2.59和2.07, 比平滑+微分提升了9%~20%(R2)和11%~22%(PRD), 意味着MSC具有较强的TOC信息提取能力。 GA不利于增加预测模型精度, 基于GA特征波长的模型预测R2降低了9%~36%, PRD降低了18%~33%, 可能与GA提取的特征波长数量偏少有关。 BPNN模型的预测精度最低, 可能与其容易陷入局部极小点有关。 PLS模型精度较高, 可以很好的预测潮间带沉积物TOC含量。 基于异常样本剔除和MSC光谱变换, PLS模型的建模R2为0.98, 检验R2为0.81, RPD为2.25。 LSSVM模型精度更优于PLS, LSSVM模型建模R2为0.99, 检验R2和RPD分别为0.86和2.59, 显示极好的TOC定量预测能力。 总之, 针对潮间带沉积物TOC含量预测, 可以将剔除异常样本、 MSC光谱变换、 LSSVM建模结合起来, 以获得可靠、 稳定的预测模型。

在测定土壤养分中, 可见-近红外光谱技术具有很大的应用空间。 该研究探讨了基于可见-近红外光谱（250～950 nm）离线、 快速测定土壤总氮（TN）、 总磷（TP）、 总钾（TK）、 总碳（TC）等土壤养分的方法及应用。 采集青岛三个不同地区土壤样品（异质性较高的山地土壤与河畔土壤）各60份, 总计180份, 并测定其TN, TP, TK, TC含量及其可见-近红外反射光谱, 利用Kennard-Stone法按2∶1比例划分校正集和检验集, 采用遗传算法分别提取TN, TP, TK, TC特征波长, 以偏最小二乘法建立定量分析模型。 TN, TP, TK, TC含量所建光谱模型的相关系数分别为0.970, 0.964, 0.680和0.967, 检验集的相关系数分别为0.980, 0.937, 0.717和0.972, 检验集的RPD值分别为4.570, 2.424, 1.411和4.135。 结果表明, 该方法能够对土壤TN, TP, TC含量进行精确预测, 对土壤TK含量进行粗略预测。 该研究主要依靠可见光波段, 较好的预测了异质性较高的土壤的氮磷钾等养分含量, 有望降低未来土壤养分速测的成本。 此外, 该研究还提供了青岛土壤养分的光谱库, 为我国土壤大数据库的建立提供技术支撑。