选择光谱特征波长进行建模可以减少冗余波长的干扰, 提高模型的预测精度。采用小波阈值消噪法对采集的104个土壤样本光谱数据进行了预处理, 并通过间隔偏最小二乘法、无信息变量消除、连续投影算法和群智能算法等9种方法筛选了建模波长。结果表明, 小波阈值消噪法能有效降低光谱中的噪声。利用波长选择方法筛选建模波长不仅能减少建模变量的个数, 而且还能提高模型的预测精度, 特别是离散粒子群优化算法利用26个波长进行建模, 预测决定系数达到了0.81, 预测的相对标准误差为2.31。实验结果证明, 通过对光谱波长进行选择不但可以降低模型的复杂度, 还能有效预测土壤有机质达的含量。

提出了一种利用多光谱图像的颜色特征对土壤酸碱度(pH值)进行快速无损检测的方法。 首先，利用2 CCD多光谱成像仪获取每个土壤样本的R、G、B、NIR图像各一幅，并对多光谱图像进行颜色空间转 换，即从RGB色彩空间分别转换到HSV颜色空间和Lab颜色空间；然后提取不同颜色空间中多光谱图像的颜色特征； 最后，分别将提取的颜色特征作为模型的输入变量，建立PLS和LS-SVM算法的土壤酸碱度预测模型。实验结果表 明，利用多光谱图像技术对土壤酸碱度进行检测是可行的。预测模型的最佳结果如下：决定系数(R2)为0.91，预测均 方根误差(RMSEP)为0.34。

提出了一种利用近红外光谱技术对南蛇藤品种进行快速无损鉴别的方法。收集了6种南蛇藤样本，并用光谱仪获得了它们在12493?4000 cm-1范围的光谱曲线。通过用主成分分析法对预处理后的光谱数据进行聚类分析，获得了10个主成分。再结合不同的化学计量分析方法建立了品种鉴别模型。由于主成分1和2上的得分分布对不同样本的聚类效果明显，可根据得分分布定性地区分南蛇藤品种。从220个样本中随机抽取165个样本作为建模集，并将其分别用于建立线性鉴别分析、人工神经网络和支持向量机模型。剩下的55个样本用于预测验证。经过主成分数的优化，鉴别精度均达到了100%。结果表明，本文提出的方法对南蛇藤的品种具有很好的分类和鉴别作用。

快速鉴别生物炭源质对生物炭的合理开发与应用具有重要意义。本实验以14种生物炭为研究对象， 采用全校验主成分分析(PCA)方法对样本光谱进行数据压缩和主成分提取。由第一、第二主成分得分构成的二维分布图显示了不同源质生物质的样本分布特点。由前3个主成分构成的线性鉴别模型(PC-LDA)应用于验证集样本预测效果最佳，判错个数最少。实验结果表明，光谱技术结合主成分分析方法能够实现生物炭源质的快速鉴别与诊断。

快速检测生物质燃料特性对农林废弃物能源化利用具有重要意义。本研究利用光谱分析技术建立了松木、杉木和棉杆三类农林废弃物生物质的水分、灰分、挥发分、固定碳和热值预测模型。这些模型交叉校验决定系数均高于0.88。应用潜变量神经网络建模法后，水分平均决定系数达到了0.95。结果表明，应用光谱分析技术结合化学计量学方法，可完全替代传统的工业分析方法，为农林废弃物能源化利用提供一种快速检测生物质燃料特性的技术手段。

快速检测活体水果内部品质对于确定水果最佳采摘时机和果园信息化管理具有重要意义。 以南方棚栽葡萄为研究对象，应用光谱技术对处于生长期的四个葡萄品种的可溶性固体含量(SSC)进行现场测试。 分别采用偏最小二乘法(PLS)回归、潜变量人工神经网络(LV-ANN)和潜变量支持向量机(LV-SVM) 三种方法为光谱建模集建立了SSC校正模型。用验证集对模型的预测性能进行了评价。与PLS和LV-ANN模型相比，LV-SVM模型的预测性能最佳。 实验结果表明，将光谱技术与LV-SVM建模法相结合适用于果园葡萄活体可溶性固体含量无损检测。

快速检测生物质原料特性对生产高品质压缩成型燃料具有重要意义。 利用光谱技术建立松木、 杉木和棉杆三类农林生物质组分(水分、 灰分、 挥发分和固定碳)和热值预测模型。 相比原始光谱, 基于一阶导数光谱的偏最小二乘回归(PLS)模型预测精度较高。 灰分、 挥发分和水分PLS模型交叉校验决定系数(R2)分别为0.97, 0.94和0.90, 预测偏差比率(RPD)分别为6.57, 4.00和3.01。 固定碳和热值PLS模型精度一般, R2分别为0.85和0.87, RPD分别为2.55和2.73。 实验结果表明, 利用可见-近红外光谱技术完全可以替代传统工业分析方法, 从而实现农林生物质原料组分和热值的快速测定。

植物叶片SPAD值反映了植物叶绿素含量, 对特定的植物也反映了氮含量。 为了实现植物叶绿素含量的快速无损检测, 利用光纤反射光谱技术对植物叶片SPAD值进行了预测建模研究。 实验中选取70个样本作为建模集, 50个样本作为校验集。 通过叶片光谱比对, 发现光谱红边段650～750 nm对SPAD预测建模有直接关系。 实验确定了光强调节因子和叶片厚度影响因子。 首先通过待定系数法构造出SPAD预测公式, 然后用Visual Basic6.0设计的遗传算法进行参数寻优, 最后确定最佳敏感波段为683.24～733.91 nm。 分析表明, 叶片厚度对SPAD反射光谱模型精度有显著影响。 经过叶片厚度修正后的建模集拟合因子Ｒ２为0.865 8, 校验集拟合因子Ｒ２为0.916 1。 结果表明, 利用反射光谱技术建立的SPAD预测模型是成功的, 从而可为仪器开发提供方法指导。