通过人为控制灌溉水平, 在冬小麦3个发育期(孕穗、 开花、 乳熟)测定了冠层光谱和叶片含水量(leaf water content, LWC)。 针对每期数据, 结合偏最小二乘回归和迭代特征去除, 建立了基于诊断波段的LWC回归模型。 结果表明, 叶片水分的光谱响应及反演精度受小麦生长状态的影响。 在孕穗、 开花和乳熟3个发育阶段, 回归模型中光谱数据的最佳利用形式分别为对数光谱、 导数光谱和反射率光谱; 重要光谱区间为SWIR, NIR和SWIR; 模型交叉验证决定系数(R2CV)为0.750, 0.889和0.696。 研究结论对今后监测冬小麦旱情和开发作物水分遥感产品具有重要的指导作用。

通过人工田间诱发不同等级小麦条锈病， 在不同生育期测定染病冬小麦冠层光谱及其病情指数（disease index， DI）。 利用主成分分析法提取冠层光谱350～1　350 nm范围内的前5个主成分（principal components， PCs）， 以及一阶微分光谱在蓝边（490～530 nm）， 黄边（550～582 nm）和红边（630～673 nm）内的前3个PCs， 并利用逐步回归法建立反演模型， 其结果分别与植被指数经验模型进行对比， 结果表明： 以一阶微分PCs为变量的模型精度优于其他模型， 其RMSE为7.65， 相对误差为15.59％。 通过对预测值与实测值对比发现， 以微分指数SDr′/SDg′为变量的模型适合监测冬小麦早期病情， 而以一阶微分PCs为变量的模型特别适合监测冬小麦条锈病病情较严重期。 研究结果对利用高光谱遥感监测与评估小麦病害程度具有实际应用价值。

高光谱数据波段多、冗余大,为了提高数据的分析效率和精度,降维是一个关键步骤。文章在文献(参考了后面的文献[18])研究的基础上,引入了迭代SVM特征选择/加权算法,为多目标遗传优化获取最优参考光谱提供一个包含有效分类信息的低维空间。基于Indiana-AVIRIS高光谱数据的实验表明,特征加权/选择的引入使光谱匹配分类精度提高了13%(相对于无特征选择的情况而言)。文章还根据光谱样本距SVM分类面的远近,定义和计算了局部权重,不仅细致刻画了同类光谱样本在局部特征空间中的分布,还使光谱相似度的计算更加灵活化,精度提高幅度达到了17%(相对于无特征选择的情况而言)。文章研究方法的提出推进了SVM在光谱数据分析中的应用深度和广度。

在模拟分析投影仪伽马非线性对相位误差影响的基础上,提出一种直接分析投影光栅特征并建立相位误差查找表的算法,对相位误差进行补偿。该算法通过分析一组投射到标准白色平板上的光栅图像,确定光栅相位值与相位误差的对应关系,并量化存储在一个查找表中,测量过程中使用查找表对相位误差进行补偿。实验结果表明,该方法可大大降低由投影仪伽马非线性引起的相位误差,系统测量精度达到0.043 mm,比误差补偿前提高了5.6倍。