总悬浮物(TSM)是水环境评价的重要参数之一, 也是遥感水质反演的重要指标。 GF-1/WFV和GF-6/WFV作为高分系列对外免费开放的卫星数据, 在遥感监测中的应用较为广泛, 但目前针对两种数据的对比分析以及GF-6/WFV新增波段在水体水质参数反演中的适用性研究较少。 以云南滇池水域为研究区域, 对与水体实测数据同步过境(或时相相近)的GF-1/WFV和GF-6/WFV遥感影像采用统计分析的方法进行相同波段(蓝、 绿、 红、 近红外)一致性分析, 在此基础上运用经验回归方法分别构建两种数据的TSM反演模型, 并将加入GF-6/WFV新增波段的模型与GF-1/WFV构建的模型进行对比分析, 选择最优模型应用于滇池2020年的6幅GF-6/WFV图像得到滇池TSM分布图。 结果表明: GF-1/WFV与GF-6/WFV的蓝、 绿、 红、 近红外波段的相关系数分别为0.98, 0.98, 0.97和0.99, 两种数据的表观反射率具有很高的一致性。 GF-1/WFV基于蓝、 绿、 近红外波段构建的差值模型“B2+B4-B1”反演精度较高, 模型反演的均方根误差为6.35 mg·L-1, 平均绝对百分比误差为23.60%。 GF-6/WFV基于近红外、 红边1和红边2波段构建的比值模型“1/B5+B6”反演精度较高, 模型反演的均方根误差(RMSE)为3.07 mg·L-1, 平均绝对百分比误差(MAPE)为20.65%, 以GF-1/WFV构建的差值模型“B1-B4”与GF-6/WFV构建的“B5-B4”对比发现后者均方根误差减小了2.61 mg·L-1, 平均绝对百分比降低了32.33%, 实验表明加入红边波段的模型反演效果较其他模型更好。 采用建模公式得到了2020年滇池TSM分布图, 滇池TSM的变化范围在4~45 mg·L-1, 均值为18.23 mg·L-1, 总体空间分布呈现北重南轻的分布态势, 滇池TSM时间分布表现为上升-下降趋势。 该研究不仅可以为湖泊水质监测传感器波段设置提供参考和借鉴, 也为滇池水资源监管部门进行水质遥感监测提供了技术支撑。

基于氮化镓材料的微型发光二极管(microLED)已逐渐成为可见光通信和下一代显示器等许多光电器件的主要发光源。由非辐射复合和量子限制斯塔克效应(QCSE)引起的低外量子效率(EQE)是微型发光二极管应用开发过程中的主要瓶颈。文章讨论了微型发光二极管低EQE的成因，分析了其物理特性，并提出了改善其EQE的优化方法。

蔬菜品质和新鲜度的高低不仅影响食用时的口感, 而且营养程度也不一样。 作为蔬菜品质和新鲜度重要参考指标之一的叶绿素和含水量的检测, 已经越来越受到国内外学者的重视。 相比于传统的肉眼目视判断的检验方法, 可见-近红外光谱分析具有快速高效、 无损、 非接触等独特的优势, 更加适合蔬菜的实时检测。 目前相关研究主要集中在生长中植被叶绿素和含水量的反演, 对市场上成品蔬菜的研究较少, 或者研究对象单一, 缺乏市场普适性。 此外, 光谱数据的获取需要专业的光谱仪采集, 费时费力, 各种生理生化指标的研究离实用化还有很长的距离。 为了与实际相结合, 基于智能手机光谱系统（SCSS)建立了快速、 准确、 普适性强的反演蔬菜叶绿素和含水量的模型, 并通过地面光谱仪SVC数据验证了该系统的可靠性。 选取市场典型的五种蔬菜（菠菜、 小油菜、 油麦菜、 生菜和娃娃菜）作为实验样本, 分别进行常温保存和冷藏保存来模拟现实中菜市场和超市的蔬菜储存环境。 每隔24 h进行一次数据采集。 对获取的原始光谱数据进行波段选择和小波变换去噪的预处理。 构建蔬菜叶绿素反演指数(VCRI（m, n）)和蔬菜含水量反演指数(VWRI(i, j)), 分别提取该两个指数与叶绿素和含水量实测值的相关系数R作为权重系数, 最终建立了叶绿素和含水量的加权平均反演模型。 实验结果表明, SVC仪器和SCSS两者数据针对蔬菜叶绿素和含水量的敏感波段基本一致, 叶绿素反演的敏感波段在730~980 nm之间, 反演精度R2分别为0.863和0.808 1, 标准差为8.679 5和8.892 5; 含水量反演的敏感波段在水汽吸收波段950~1 000 nm之间, 反演精度R2分别为0.742 9和0.712 9, 标准差为8.789 9%和8.861 4%。 SVC实验数据跟SCSS实验数据结果十分接近, 验证了新型智能手机光谱系统实时监测蔬菜叶绿素和含水量的有效性。 智能手机光谱系统具有体积小、 价格便宜的优势, 结合网络云端服务和实时数据反馈的特点, 能够实现蔬菜品质和新鲜度指标的智能检测, 让光谱分析真正应用于人们日常生活中。

选择区域外延生长（SAG）技术是微纳尺度GaN基发光器件的主要制备方法之一。在选择区域外延生长中, Ⅲ族金属原子在掩模介质表面的迁移行为对微纳器件的形貌及特性有非常重要的影响。利用金属有机化学气相沉积（MOCVD）系统研究了选择区域外延生长中Ga原子在掩模介质表面上的迁移特性, 得到了不同反应腔压力和生长温度下Ga原子在掩模介质表面的迁移长度, 且在保持其他生长条件不变的情况下, 适当降低反应腔压力或提高生长温度可提高Ga原子的迁移长度。

矿物光谱特征是基于光学遥感数据对矿物进行种类识别及定量反演的理论基础, 光谱特征提取是高光谱数据常用的技术手段, 但在多光谱数据中较少涉及。 近似矿物识别是矿物光谱分类应用中的难点, 目前还缺少有效指标来指示近似矿物类别光谱的差异性。 光谱特征提取有望提高矿物分类精度, 但该处理对近似矿物光谱差异性的影响还缺少相关研究。 本文从矿物光谱差异性的原理出发, 通过类间和类内光谱角的比值体现不同类别群体差异, 并引入样本量因素, 提出了类别可分比作为近似矿物光谱差异性的指标。 以明矾石和高岭石两种近似矿物为例, 对USGS光谱库光谱及Hyperion, ASTER, OLI等传感器的模拟数据进行光谱特征提取处理, 通过对比处理前后矿物光谱差异性的变化, 分析光谱特征提取对近似矿物光谱差异性的影响。 实验结果表明, 有效的光谱特征提取可以显著提高近似矿物光谱差异性, 并且光谱分辨率越高, 近似矿物光谱差异性越大。 此外, 光谱分辨率及中心波长设置对于包络线去除结果有很大影响, 多光谱数据吸收特征提取效果有待进一步提高。 该研究为今后近似矿物光谱识别精度的提高奠定了基础, 也为未来新型遥感找矿传感器参数设置提供了参考。

层状硅酸盐是火星表面含水矿物的主要存在形式之一, 也是比较火星不同沉积物和水蚀作用程度的指示矿物, 因此构建其识别模型对研究火星的地质演化极其重要。 短波红外和热红外谱段对矿物的基团、 离子光谱响应机理不同, 具有不同的识别优势, 然而国内外联合两者识别层状硅酸盐矿物则鲜有研究。 基于USGS光谱库数据, 面向火星探测器紧凑型侦查成像光谱仪(CRISM)和热辐射成像系统(THEMIS), 在层状硅酸盐的光谱响应机理研究基础之上, 分别构建短波红外识别模型与热红外模型, 进而结合短波红外和热红外谱段, 基于Fisher判别分析构建层状硅酸盐的综合识别模型。 交叉验证表明, 综合模型识别精度优于短波红外模型和热红外模型, 对90.6%的矿物样本正确识别, 有效提高了层状硅酸盐的识别精度。

目前光谱指数方法已被广泛地应用于植被叶绿素含量的反演中, 考虑到不同传感器的光谱响应存在差异, 研究了光谱尺度效应对光谱指数反演植被叶片叶绿素含量的影响。 基于PROSPECT模型模拟了不同叶绿素含量(5～80 μg·cm-2)下的5 nm叶片光谱反射率数据, 并利用高斯光谱响应函数将其分别模拟成10～35 nm六种波段宽的光谱数据, 再分析评价5～35 nm波段宽下光谱指数与叶片叶绿素含量的相关性、 对叶片叶绿素含量变化及对波段宽变化的敏感性。 最后, 利用波段宽为40～65 nm的反射率数据对光谱指数反演植被叶绿素含量的光谱尺度效应进行验证。 结果表明, 通用光谱指数(vegetation index based on universal pattern decomposition method, VIUPD)反演叶绿素含量的精度最高, 反演值与真实值拟合程度最好; 归一化差值植被指数(normalized difference vegetation index, NDVI)和简单比值指数(simple ratio index, SRI)其次, 虽然其决定系数R2高达0.89以上, 但反演的叶绿素含量值小于真实值; 其他光谱指数的反演结果较差。 VIUPD对叶绿素含量具有较好的相关性和敏感性, 受光谱尺度效应影响较小, 具有较好的反演能力, 这一结论恰好验证了其“独立于传感器”的特性, 同时证明了VIUPD在多源遥感数据反演植被理化参量的研究中具有更好的应用前景。

农业遥感中,利用光谱指数方法反演作物叶绿素含量一直得到广泛地应用.利用PSR-3500光谱仪及SPAD-502叶绿素仪同步获取了冬小麦冠层光谱数据及对应叶片的叶绿素相对含量(SPAD值),并利用高斯光谱响应模型将PSR获取的地面连续光谱数据重采样为多光谱Landsat-TM7及高光谱Hyperion光谱数据,然后分别计算基于两种传感器的归一化差值植被指数(normalized difference vegetation index,NDVI)、综合叶绿素光谱指数(MCARI/OSAVI,the ratio of the modified transformed chlorophyll absorption ratio index (MCARI) to optimized soil adjusted vegetation index(OSAVI))、三角形植被指数(triangle vegetation index,TVI)及通用植被指数(vegetation index based on universal pattern decomposition method,VIUPD),再将四种光谱指数与叶绿素含量进行回归分析.结果表明,针对重采样后的TM和Hyperion两种传感器数据,VIUPD反演叶绿素含量精度(决定系数R2)最高,反演能力最稳定,这与其“不受传感器影响”的特性密不可分;MCARI/OSAVI反演精度和稳定性次之,是因为引入的OSAVI削弱了土壤背景的影响;宽波段指数NDVI和TVI对模拟TM数据有较好的反演精度,对Hyperion数据反演精度却很低,可能是因为两种指数的构成形式简单,考虑的影响因素较少.以冬小麦为例,对利用光谱指数反演植被叶绿素含量的精度和稳定性进行了研究并分析了其影响因素,经比较发现利用植被指数VIUPD进行植被叶绿素含量反演时,其精度和稳定性最好.

针对非结构化背景探测器中背景协方差矩阵估计的局限性, 提出了一种基于面向对象分析的高光谱小目标探测算法。 首先对图像进行自适应迭代分割处理, 将其划分为许多均质对象; 然后进行正态最优分布选取, 利用多元正态无偏检验选取最佳对象集; 最后将此数据集合作为局部背景并结合GLR基准算法进行目标探测。 该算法可以使局部背景最大化的服从正态分布, 有效地将背景光谱信息和目标光谱信息分离开来, 同时通过最优选取过程克服了目标信息“污染”问题。 为了验证算法的有效性, 利用真实的OMIS数据进行仿真实验, 并与非结构化背景探测器GLR和基于K-Means聚类的改进GLR算法的检测结果比较, 结果表明提出的算法具有良好的探测性能和较低的虚警概率。

利用野外测量21种地表岩石的高光谱发射率数据， 进行包络线去除和归一化处理后， 运用逐步回归法进行波段选择， 分析了SiO2含量与包络线去除后特征波段发射率的定量关系。 在此基础上， 通过比较12种SiO2光谱指数， 建立了定量反演SiO2含量的最优模型。 结果表明： 构建的SiO2光谱指数能有效预测SiO2含量， 其中基于11.18和12.36　μm波段的归一化SiO2光谱指数(normalization silicon dioxide index， NSDI)的预测能力最高； 与回归模型相比， 光谱指数更简单、 实用； 研究结果在岩石种类鉴定及SiO2含量的高精度提取方面有重要应用价值。