小米含水率是衡量小米品质的重要指标，以小米含水率为外扰因素研究了不同含水率样本的二维相关光谱，以实现小米含水率的检测。获取60个样本的近红外光谱，经过4种预处理方法处理后，基于全波段光谱建立样本含水率的偏最小二乘回归（PLSR）模型。经过对比得出不加预处理的模型，其预测效果最好，校正集决定系数（R_c²）为0.9460，均方根误差（R_MSEC）为0.49%，预测集决定系数（R_p²）为0.9391，均方根误差（R_MSEP）为0.63%。以小米含水率为外扰因素，将小米不同含水率梯度的光谱数据进行二维相关光谱分析，通过二维相关同步谱的6个自相关峰对应波长选出1083，951，868，1314，1675，1865 nm作为特征波长。以此建立小米含水率的预测模型，相比于由全光谱数据建立的模型，本文所提模型因波长变量极大地减少，得到了简化，校正集决定系数（R_c²）为0.952，均方根误差（R_MSEC）为0.60%，预测集决定系数（R_p²）为0.897，均方根误差（R_MSEP）为0.63%。结果表明二维相关的近红外光谱分析可以实现小米含水率的预测，同时能够提取特征波长，这为设计基于分立波长元件的小米专用水分检测仪提供了依据。

土壤有机质（SOM）是植物生长必需的营养物质, 也是土壤属性检测的重要参数。 快速、 高效地获取土壤有机质信息对精细农业的发展具有重要意义。 近红外光谱技术具有快捷、 低成本等优势, 被广泛应用到土壤有机质的测量中, 然而土壤水分在近红外光谱(780～2 500 nm)中具有很强的吸收特性, 对土壤有机质的检测形成了一定的干扰。 分析了50个土样在不同含水率（约17%, 15%, 10%, 5%和干土）下的近红外吸光度谱图特性, 利用水分敏感波段2 210, 1 415和1 929 nm构建了水分修正系数（MDI）, 并在此基础上对不同含水率土样进行了重构, 以消除水分对土壤有机质预测模型的影响。 结果如下: （1）经MDI校正重构后的吸光度谱图与对应的干土土样吸光度谱图相近, 能较好地反映其干土土样的吸光度谱图特性。 （2）采用偏最小二乘（PLS）法建立了干土土样的有机质定量预测模型, 并对重构后的不同含水率土样进行了预测, 其统计参数分别为: 预测相关系数（RP）0.90, 预测标准误差（SEP）0.802和预测均方根误差（RMSEP）1.09; 与原始未经MDI校正的预测结果相比, 相关系数上升了0.032, 预测标准误差降低了0.113, 预测均方根误差降低了0.25。 结果表明, 本研究提出的水分校正算法可以降低水分对土壤有机质预测的干扰, 提高利用干土土样有机质定量预测模型预测不同含水率土样的精度, 可为基于近红外光谱技术的土壤有机质实时测定技术的推广提供理论依据。

通过小波变换去除了可见光区(350～560 nm)的噪声, 提取出了叶酸的特征波段366 nm和与叶绿素有关的特征波段380, 414, 437, 554 nm。 在560～2 500 nm的波长范围内, 去除噪声后的最大误差低于1.47%； 在特征峰谷处的最大误差不超过0.11%。 用BP神经网络建立了番茄施氮量预测模型。 研究表明, 在用植物探头获取番茄叶片光谱数据并去噪的条件下, 用554, 673, 1 440, 1 940 nm处的吸光度值作为BP神经网络的输入变量建立的番茄施氮量的预测模型有很高的预测精度, 有极大的潜力能够满足实际应用的需要。 对研究大田有效养分的预测模型也有重要的参考价值。

阐述了一种由单镜片完成二维扫描的方法，其特别适合于巨大光斑的低速扫描。在绿激光地标机中，可由两套曲柄摇杆机构协作让镜片在两个维度做摆动实现单镜片二维扫描，光斑直径可达f40 mm，摆幅振幅可以大于±45°，利用双曲柄摇杆机构的特性，激光地标机向天空扫描时，会获得不确定方位渐快渐慢的扫描速度变化。