土壤水分对近红外光谱表现出强烈的吸收和对土壤有机质含量的预测造成干扰。 研究选择41个样本作为校正集和9个样本作为预测集, 所有样本做不同含水率（5%, 10%, 15%和17%）的处理。 采用S/B和DS算法分别对预测结果和全光谱进行校正, 消除土壤水分的影响。 结果得出预测结果偏差减小和模型预测性能得到改善, Rp高于0.89和RMSEP低于0.885%。 研究表明S/B和DS算法能有效消除土壤水分的影响和提高土壤有机质预测的准确性。

针对目前所建立的柑橘溃疡病高光谱模型普适性差、 预测精度低的问题, 提出了基于不同仪器间高光谱模型传递来提高模型稳健性的方法。 以脐橙52和卡拉卡拉红肉脐橙为研究对象, 利用实验室高光谱成像平台(System 1, S1)和便携式高光谱成像仪(System 2, S2)采集了健康和染病柑橘的高光谱图像, 建立了独立的柑橘溃疡病判别模型, 并分析了不同预处理方法和判别模型对模型预测性能的影响。 将S1和S2分别作为源机和目标机, 利用直接校正算法对目标机获取的高光谱图像进行校正, 分析模型传递前后的模型判别能力。 结果表明, 采用二阶导数预处理, 极限学习机预测性能最佳, 基于S1和S2检测的预测集识别率分别为97.5%和98.3%; 以S1数据建立主模型, 对经直接校正算法校正后的S2高光谱图像进行识别, 预测集的识别率从校正前的38.1%提高到了86.2%。 说明该方法可用于不同型号高光谱成像仪之间的定标模型传递, 对于建立稳健可靠的柑橘溃疡病判别模型具有重要意义。

从校正的角度出发, 研究了近红外定性分析中模型稳定性问题。 以13个玉米品种为研究对象, 针对数据采集时间不同带来的模型失效问题, 借鉴近红外光谱定量分析中两台仪器间模型传递的思想, 将直接模型传递(Direct Standardization)算法用于校正同一仪器不同时间采集的光谱, 使得一次建立的品种鉴别模型, 能用于其余时间测试数据的鉴别。 首先采用Kennard/Stone算法在主光谱集中选取校正样品集, 按照对应的编号从从光谱集中取出对应的数据, 然后对校正样品集采用DS算法求取两组数据间的变换关系, 再对剩余的从光谱集进行相应的变换得到适用于模型的光谱。 实验中对比了校正样本数和模型校正位置对校正结果的影响, 分别从品种定性鉴别准确性和校正前后主光谱数据和从光谱数据分布距离两方面分析了实验结果。 结果表明, 该方法能有效地解决同一仪器随着采样时间推移产生的光谱偏移现象, 对采样时间不同的测试集均得到较高的识别率, 提高了模型的鲁棒性和适用范围, 由实验结果可见, 校正位置处于特征提取之后时, 校正效果最佳。