针对数字闭环光纤陀螺中由串扰引起的死区问题，本文提出了一种新的在不同调制深度下消除串扰的多态调制方法。根据数字闭环光纤陀螺调制解调的原理，建立了调制序列与解调序列的相关函数，当该相关函数为零时，可以获得多态调制序列中φ_m与2π－φ_m的比例关系，从而获得了不同调制深度下消除串扰的多态调制方案。对不同调制深度下构造的多态调制方案进行实验测试，结果表明，本文提出的数字闭环光纤陀螺多态调制方案能消除由串扰引起的死区问题。

可见光和近红外（Vis-NIR）光谱仪是一种实用的工具，可用于替代土壤物理和化学分析以评估土壤性质。最佳波段组合算法是一种通过考虑波段之间的相互作用信息来提取光谱变量的有效方法，但是对于实验室Vis-NIR光谱数据，该方法易受“维数灾难”的影响。提出一种适当地降低光谱配置（减少光谱带的数量和粗化光谱分辨率），以提高计算效率且不会显著影响预测精度的方法。首先，构建了6个光谱配置，即光谱波段的数量从2001个减小到19个，光谱分辨率从3 nm增加至100 nm，并且光谱采样间隔等于光谱分辨率（均匀间隔采样）。然后，通过偏最小二乘回归结合最佳波段组合算法预测不同光谱配置下土壤有机质（SOM）和电导率（EC）的最佳光谱参数。结果表明：直到光谱分辨率为60 nm时（每个光谱32个波长），最佳波段组合算法与全波段光谱数据相比，可以提高预测精度。最佳波段组合算法在1~20 nm光谱分辨率下，预测精度没有显著差异（约为2%）；SOM［（决定系数Rv2等于0.77，均方根误差（RMSE_P）等于0.325％，性能四分位数范围的比率（RPIQ_v）等于3］和EC（Rv2等于0.70，RMSE_P等于6.88 dS·m^-1，RPIQ_v等于2.21）分别在20 nm和10 nm的光谱分辨率下获得了最佳预测性能。

土壤光谱特征是土壤内在理化特性的外在表现, 利用可见-近红外(Vis-NIR)的漫反射光谱估测土壤有机质含量(SOMC)可为土地资源的合理开发与利用提供重要的科学依据。 土壤是由多种物质组成的混合物, 其高光谱数据中存在某些成分(例如盐颗粒和矿物质)的重叠吸收, 同时波段之间存在共线性问题, 这些因素对光谱分析和建模带来了极大的挑战。 光谱指数法通过迭代运算, 不但充分考虑波段之间的协同作用, 而且具有最小化无关波长影响的功能。 此外该方法将光谱特征从一维扩展到多维, 能容易地检测和区分出细微的吸收峰。 以新疆艾比湖流域为研究区, 采集了120个土壤样品, 在室内进行SOMC和光谱的测定。 利用一阶微分(FD)和连续统去除(CR)对高光谱数据进行预处理。 在已有两波段指数的基础上, 加入第三个波段, 利用最优波段算法, 构建了三种SOMC的三波段光谱指数(TBI), 并从光谱机理上讨论了TBI的合理性。 最后根据支持向量机(SVM)的建模效果, 进一步比较不同维度光谱参数对SOMC估测的准确性。 研究结果表明: (1)光谱预处理技术可以在一定程度上减弱反射光谱中的噪声信息, 突出更多潜在的光谱信息; (2)通过对比分析得出, SOMC的相关性随着光谱信息维度的增加而增加, 即, TBI>二波段指数>一维光谱参数; (3)新开发的TBI在SOMC的建模和验证过程中提供了比两波段指数和一维光谱参数更好的估测效果, 其中TBI-1的估测效果最好, 建模集的决定系数(R2C)为0.88, 验证集的决定系数(R2V)为0.85, 相对分析误差(RPD)为2.43。 该研究对比了不同维度光谱参数对SOMC的响应和建模精度, 发现三波段光谱指数是评价SOMC的重要参量。 此外, TBI与SVM算法的结合, 可以显著弱化土壤噪声信息, 提高SOMC的预测精度, 在土壤其他生化参数的估计中具有较强的应用潜力。

为研究土壤有机质(SOM)含量与土壤电导率(EC),pH和Fe的相关关系,立足于艾比湖保护区,在2017年8月共收集了110个样本,测量了土壤反射光谱、SOM含量、土壤协变量(EC,Fe,pH)。对原始光谱进行了三种预处理:SG(Savitzky-Golay)平滑、多元散射校正(MSC)和一阶微分(FD),并对光谱数据进行了主成分分析(PCA),选取前5个主成分(PC)的特征值作为光谱变量。以使用原始光谱数据、两种预处理方法(SG-MSC、 SG-MSC-FD)作为策略I,以土壤协变量(EC,Fe,pH)为预测变量作为策略II,以策略I和策略II组合作为策略III,分别利用偏最小二乘回归(PLSR)建立SOM的预测模型。结果表明,基于预处理后的光谱数据的预测效果(验证集中决定系数为R2=0.66~0.82)优于以土壤协变量为预测变量的预测效果(验证集中R2=0.40),此外将土壤协变量与光谱数据相结合可以明显改善SOM的光谱预测精度(最佳验证集中R2=0.88)。同时,对光谱数据进行预处理后,能够有效增强潜在的光谱信息,提高模型的预测精度。综上,将可见光-近红外光谱信息和土壤协变量相结合的策略能够有效提升SOM模型的预测性能。

土壤有机质(SOM)含量是评价土壤肥力的重要指标。以新疆渭-库绿洲为研究区,对室内获取的SOM含量及反射光谱数据进行Savitzky-Golay (S-G)平滑和一阶微分(FD)预处理。在此基础上,为减小敏感波段遴选对建模精度的影响,引入谐波分析(HA)算法对全波段光谱数据进行谐波分解。基于主成分分析(PCA)降维后的7个主分量对SOM含量进行基于反向传播(BP)神经网络、遗传算法(GA)-BP神经网络和多元线性回归(MLR)方法的定量估算,并对估算精度进行比较。结果表明:HA预处理后的光谱数据与SOM含量的相关性相较于FD数据有了明显提高;非线性模型BP神经网络的估算精度明显高于线性模型MLR;在非线性模型中,GA-BP模型的估算精度最高,其决定系数为0.92,预测集的均方根误差为3.92×10 ^-3,相对分析误差为1.93。验证了HA算法深度挖掘光谱数据的有效性,经过GA优化的BP神经网络模型可以提高SOM含量的估算精度,为土壤属性的光谱定量估算提供借鉴。