1 青海大学地质工程系, 青海 西宁 810016
2 青海大学地质工程系, 青海 西宁 810016 青藏高原北缘新生代资源环境重点实验室, 青海 西宁 810016
土壤水分在一定程度上决定着地区的生态承载力和土壤理化性质。 准确、 快速的获取土壤水分含量, 对生态环境监测、 土壤退化恢复等具有重要意义。 高光谱遥感在土壤参数反演方面应用广泛, 但对高寒草甸土壤的高光谱特征与参数反演研究有待深入。 为建立适用于高寒脆弱生态系统的高寒草甸土壤含水量高光谱反演模型, 以黄河源区的河南县为例, 利用多元线性逐步回归(MLSR)、 偏最小二乘回归(PLSR)和BP神经网络(BPNN)对土壤样本含水量与土壤光谱及其数学变换的特征波段进行建模, 由决定系数(R2)、 均方根误差(RMSE)和预测残差比(RPD)对模型精度进行验证。 结果表明: (1) 在可见光-近红外波段, 土壤样本的光谱反射率在710、 780和950 nm附近存在强弱不同的水分吸收区间, 且随着含水量的增加, 反射率呈现先迅速降低, 后缓慢增加的趋势。 (2) 通过连续投影算法(SPA)筛选的光谱特征波段作为自变量, 含水量作为因变量, 分别通过MLSR和PLSR建立反演模型, 其中一阶微分(FD)、 对数一阶微分(FDL)变换对应的PLSR模型可实现高寒草甸土壤水分的粗略反演, 且FD变换对应的PLSR模型精度较高。 (3)BPNN反演模型中, 除去包络(CR)建模外, 其余模型R2均大于0.9, RMSE在0.048~0.074之间。 其中FD、 FDL、 LG变换光谱对应的BPNN模型反演精度较高, 验证结果的R2均大于0.8, RPD均大于2.5, 精度最高的为对数(LG)变换对应的BPNN模型, R2、 RMSE和RPD分别达到0.967、 0.038和5.039。 因此, BPNN模型能较精确的实现黄河源区高寒草甸土壤含水量的高光谱反演, 为该地区乃至其他高寒地区生态环境监测与土壤恢复提供技术基础和数据支撑。
高光谱反演 高寒草甸 机器学习 SPA算法 黄河源 Hyperspectral inversion Alpine Meadow Machine Learning SPA Yellow River Source 光谱学与光谱分析
2023, 43(6): 1961
高西娅 1,2,3,*张朱珊莹 1,2,3卢翠翠 1,2,3蒙泳吉 1,2,3[ ... ]谢勤岚 1,2,3
1 中南民族大学生物医学工程学院, 湖北 武汉 430074
2 认知科学国家民委重点实验室, 湖北 武汉 430074
3 医学信息分析及肿瘤诊疗湖北省重点实验室, 湖北 武汉 430074
血红蛋白是人体的一项重要生理指标, 浓度异常会导致人体产生各种疾病。 红外光谱技术具有简单、 无损、 快速等优点, 非常适合用于生理参数的定量分析。 由于光谱背景复杂、 有效信息弱, 如何提取有效特征变量, 构建精准定量模型是个难题。 针对此问题, 以血液样本和血红蛋白仿体溶液样本光谱数据为研究对象, 采用SPXY法、 K_S法、 duplex法、 等间隔划分法四种数据集划分方法划分数据并通过建模对比, 优选出最佳数据集划分方法为SPXY法。 遍历了SavitzkyGolay一阶求导滤波(S_G1)+小波变换、 小波变换+S_G1、 标准正态变量变换(SNV)+S_G1三种预处理方法, 优选出SNV+S_G1预处理方法。 结合串联思想, 提出组合区间偏最小二乘法(SiPLS)与连续投影算法(SPA)串联的特征波长优选方法, 构建SiPLS-SPA-PLS预测模型, 用两组数据对模型进行验证, 依据评价指标判断模型的优劣, 并与全谱PLS, SPA-PLS和SiPLS三种定量模型相比较。 实验结果表明: (1)使用SiPLS-SPA-PLS模型进行定量分析, 血液样本的Rc, Rp, RMSEC和RMSEP值分别为0.993 6, 0.990 6, 0.199 2和0.184 6, 仿体溶液样本的Rc, Rp, RMSEC和RMSEP值分别为0.998 9, 0.998 5, 1.848 9和2.007 4。 相比全谱PLS, SPA-PLS, SiPLS三种定量模型, Rc和Rp值最大, RMSEC和RMSEP值最小, 该模型最优, 可以更精准地实现血红蛋白的定量分析。 (2)SiPLS-SPA-PLS定量模型能更加准确地筛选最优波段, 两种样本筛选出来的有效波段分别为血液(1 144~1 264, 1 606~1 798 nm)、 仿体溶液(1 018~1 390, 1 600~1 700 nm), 剔除掉仪器的影响因素, 大致相同, 此方法可以精准优选出特征波长。 (3)该模型可以提取有效变量, 去除无用噪声影响, 血液样本从全谱的700个光谱变量中优选出28个, 仿体溶液样本从全谱的1201个光谱变量优选出41个, 提高检测速度和预测效率。 该方法为血红蛋白快速精准检测提供了一种思路。
红外光谱 定量分析 波长优选 Infrared spectroscopy SiPLS-SPA SiPLS-SPA Quantitative analysis Wavelength selection
中国农业大学工学院, 农业部土壤-机器-植物系统技术重点实验室, 北京 100083
针对传统玉米品种抗倒性鉴别方法费时费力、 时效滞后的问题, 采用高光谱成像数据结合机器学习方法对9叶期的玉米品种抗倒性进行鉴别, 并给出适于进行玉米品种抗倒性鉴别的种植密度和建模方法。 试验设置了5 000, 7 000和9 000株·亩-13个种植密度和6个典型的抗倒/不抗倒玉米品种, 采集9叶期玉米顶叶的高光谱图像, 使用目标区域分割的方式自动进行光谱图像反射率校正和目标光谱曲线提取。 对采集的样本数据使用Kennard Stone算法划分样本训练集和测试集, 用主成分分析法(PCA)和连续投影算法(SPA)提取光谱特征, 建立了基于高斯核函数的支持向量机(SVM)模型并进行参数训练和优化。 通过对不同种植密度下各特征提取方法的效果和各模型训练效果及其预测结果的对比, 找到进行玉米抗倒性鉴别的最佳种植密度和建模方法。 试验结果表明: 在各种植密度下PCA方法对光谱特征的降维效果最为显著, 而SPA算法选择的特征波长分布比较均匀、 抗倒性分类特征比较明显; 种植密度的增加对于玉米品种抗倒性的鉴别是有益的, 在种植密度为7 000株·亩-1时, 使用SPA-SVM方法建立的模型训练效果和预测结果最佳, 此时模型对训练集数据的10折交叉验证正确率为97.40%, 对测试集数据的预测正确率为98.33%。
玉米抗倒 高光谱成像 主成分分析 连续投影 支持向量机 Maize lodging resistance Hyperspectral imaging PCA SPA SVM 光谱学与光谱分析
2022, 42(4): 1229
土壤有机质(SOM)是影响播量的土壤关键参数, 根据SOM信息对播量进行实时调控, 投入最优化的种子量, 充分利用地力资源挖掘产量潜力, 节约良种, 实现种植收益最大化, 是目前播种领域最前沿的研究方向。 以玉米主产区之一的华北平原为研究区域, 对该区域砂壤潮土进行了可见-近红外(300~2 500 nm)光谱采集。 采用蒙特卡罗交叉验证剔除了异常样本, 结合Savitzky-Golay卷积平滑法对光谱数据进行平滑去噪处理。 分别通过竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)、 竞争性自适应重加权-连续投影(CARS-SPA)、 无信息变量消除(UVE)及变量组合集群分析法(VCPA)等波长筛选方法提取有效变量, 并结合偏最小二乘回归(PLSR)分别建立了全波长和特征波长的SOM含量预测模型。 结果表明, 不同方法筛选的波长数目及波长位置存在显著差异, CARS和SPA算法选择的光谱特征在整个光谱范围都有分布, UVE和VCPA筛选的波段较为集中, 且基于CARS-SPA方法可以进一步优选特征变量, 其特征波长仅为全波长数量的15%。 通过对比不同模型的建模及预测效果, 除UVE和VCPA算法外, 其余算法构建的模型均能实现SOM含量的有效预测, 其RPD值均大于2.0。 基于CARS-SPA构建的PLSR模型效果最好, 其和RPD分别0.901和3.188, 均高于其他方法, 不仅降低了无效信息对预测效果的干扰, 且模型的运算效率得到了明显的提高, 可以很好地实现该地区SOM含量的可靠预测。 该研究可以为SOM含量快速预测及仪器设计提供方法参考。
土壤有机质 播种 可见-近红外 砂壤潮土 竞争性自适应重加权-连续投影算法 Soil organic matter Seeding Visible-near infrared Sandy fluvo-aquic soil CARS-SPA 光谱学与光谱分析
2022, 42(9): 2924
中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
叶绿素是作物生长诊断的重要参数, 对其进行高效检测是农田精细化管理的基础。 PROSPECT模型是作物光谱学检测研究的重要工具, 可为建立高精度叶绿素诊断模型提供数据集基础。 为了建立具有普适性的田间玉米作物叶绿素含量检测模型, 使用PROSPECT模型输入叶片结构参数和生化参数模拟叶片400~2 500 nm波段反射率曲线10 650条。 在其他参数设置保持不变的情况下, 分析光谱反射率曲线对叶绿素含量参数的敏感性, 结果显示叶绿素含量仅在400~780 nm区间对光谱反射率曲线产生影响。 讨论了3种叶绿素检测特征波长筛选策略, 分别为: 根据敏感性分析结果, 选出548~610和694~706 nm区域共计76个波长, 记为SEN-BAND; 基于反向区间偏最小二乘法(Bi-PLS)筛选5个区间共计91个波长, 记为BP-BAND; 基于连续投影算法(SPA), 在叶绿素影响区域400~780 nm筛选10个特征波长, 记为SPA-BAND。 进而使用2019年、 2020年两年期田间实测玉米叶片光谱反射率曲线和叶绿素含量数据, 分别应用上述3种方法选取的特征波长构建玉米叶片叶绿素含量检测模型。 结果显示, 使用SPA-BAND特征波长构建的模型, 在两年期数据中均得到最佳结果。 2019年数据模型建模集决定系数()为0.815 6, 建模集均方根误差RMSEC为2.908 6, 验证集决定系数()为0.799 5, 验证集均方根误差RMSEV为2.997 7。 2020年数据模型建模集决定系数()为0.949 2, 建模集均方根误差RMSEC为0.976 8, 验证集决定系数()为0.910 2, 验证集均方根误差RMSEV为1.562 9。 表明, 基于PROSPECT模型筛选叶绿素含量特征波长建立的叶绿素诊断模型具有普适性。
PROSPECT模型 叶绿素 波长筛选 PROSPECT model Chlorophyll Wavelength selection SPA Bi-PLS PLSR SPA Bi-PLS PLSR 光谱学与光谱分析
2022, 42(5): 1514
1 江西生物科技职业学院, 江西 南昌 330013
2 华东交通大学电气与自动化工程学院, 江西 南昌 330013
鱼类产品的新鲜程度研究一直是重要的课题, 其中挥发性盐基总氮(TVB-N)是一项重要指标, 该指标已列入我国食品卫生标准, 一般在低温条件下, 鱼类挥发性盐基氮的量达到30 mg/100 g时, 即认为是肉质变质的标志。 传统的物理检测方法不能够实现定量检测, 化学检测法则耗时长, 且需要专业人员进行破坏式检测。 为了克服传统光谱检测技术无法检测分析外部空间属性的缺点, 该实验采用波长范围在900~1 700 nm高光谱成像结合化学计量法实现了三文鱼的TVB-N含量检测。 首先对从市场买的新鲜三文鱼按照背面和反面(腹部)进行分割处理, 背面和反面(腹部)再10等分, 每条三文鱼制作成20个样本, 一共100个样本, 其中75个样本用于校正集, 25个样本用于预测集。 然后用高光谱成像系统采集三文鱼鱼样本的光谱数据, 再通过蒸馏法测定三文鱼TVB-N的含量, 并建立其理化值样本, 然后分别采用最小二乘支持向量机(LS-SVM)和偏最小二乘(PLS)模型对100个样本光谱全波长数据进行三文鱼TVB-N建模分析。 LS-SVM模型和PLS模型预测决定系数(R2)分别为0.918和0.907, 预测均方根误差(RMSEP)分别为2.312%和2.751%。 为了进一步提高运算效率和优化模型, 对全谱数据利用连续投影算法(SPA)提取到8个特征波长(956, 1 013, 1 152, 1 210, 1 286, 1 301, 1 397和1 464 nm), 基于8个特征波长分别建立SPA-LS-SVM和SPA-PLS模型, 模型预测决定系数(R2)分别为0.903和0.901, RMSEP分别为2.761%和2.801%, SPA-LS-SVM模型的结果优于SPA-PLS。 最后SPA-LS-SVM模型因其可靠性和有效性而被选择为最适合TVB-N预测模型, 基于图像处理编程技术将高光谱图像中的每个像素转换成相应的TVB-N值并以不同颜色表示, 实现了三文鱼肉TVB-N含量的可视化, 可以很形象的表达三文鱼的TVB-N的含量分布情况。 实验说明, 可利用高光谱成像技术预测三文鱼的TVB-N含量预测, 这为水产品的自动加工和分类奠定了基础, 渔业可以从高光谱技术中获益。
三文鱼 TVB-N含量 最小二乘支持向量机(LS-SVM) 偏最小二乘(PLS) 可视化 连续投影算法(SPA) Hyperspectral imaging Salmon fish TVB-N Partial least square (PLS) Least square support vector machine (LS-SVM) Visualizing Successive projections algorithm (SPA) 光谱学与光谱分析
2021, 41(8): 2586
高光谱成像技术可以无损检测植物不同尺度的理化信息, 现有研究往往以分析高光谱图像的平均光谱为主, 忽略了其空间维度的信息。 以模式植物拟南芥为研究对象, 探究高光谱成像不同扫描速度引起的图像空间分辨率差异对植物冠层含水率测量的影响, 为高光谱成像在线快速检测植物冠层含水率提供优化方案。 首先利用室内在线高光谱成像系统分别在20, 30和40 mm·s-1三种扫描速度下采集了拟南芥冠层高光谱图像, 并提取拟南芥冠层平均反射光谱。 其次, 利用偏最小二乘算法(PLSR)建立了拟南芥冠层含水率与平均反射光谱的定量分析模型, 通过决定系数(R2)、 均方根误差(RMSE)、 相对分析误差(RPD)对模型进行评估。 比较基于原始光谱与多元散射校正算法(MSC)、 Savitsky-Golay平滑算法等预处理光谱建立的PLSR模型, 选取最佳光谱预处理方法用于后续的数据处理。 最后, 利用连续投影算法(SPA)分析比较基于最优特征波长与全波长的模型预测准确度, 探明高光谱图像扫描速度对拟南芥冠层含水率预测的影响规律。 研究结果表明, 当扫描速度从20 mm·s-1提升到30 mm·s-1时, 基于MSC预处理的全波段PLSR模型预测拟南芥冠层含水率决定系数降低0.88%, 小于1%; 当扫描速度从20 mm·s-1提升到40 mm·s-1时, 拟南芥冠层含水率决定系数降低2.3%。 说明在适当提高扫描速度的同时, 能够保证植物冠层的高含水率预测准确度。 改变高光谱扫描速度可以更有效地利用高光谱图像空间维度有效信息, 扫描速度适当增大后, 高光谱图像的空间维度信息改变, 提高实际生产应用环节的图像采集效率, 减少数据处理时间。
拟南芥 冠层含水率 近红外高光谱 扫描速度 Arabidopsis thaliana Canopy moisture content Near-infrared hyperspectral imaging Scanning speed SPA PLSR SPA PLSR 光谱学与光谱分析
2020, 40(11): 3508
糊化特性是小米的最重要加工特性之一, 对小米的加工性能及产品质量有重要的影响。 基于可见-近红外光谱特征信息, 在不粉碎小米颗粒的状态下, 提出了一种快速无损检测小米的糊化特性的方法。 首先, 获取小米在370~1 020 nm范围内漫反射光谱后, 将小米粉碎成小米粉, 使用RAV快速粘度分析仪测定小米粉的峰值粘度(PV)、 最低粘度(TV)、 衰减值(BD)、 最终粘度(FV)、 和回升值(SB)、 糊化温度(GT)以及峰值时间(PT)等7个糊化特性指标。 然后, 对原始光谱进行Savitzkye-Golay(SG)平滑、 多元散射校正(MSC)和一阶导数法(1-D)预处理。 最后, 结合三种处理光谱和小米糊化特性指标值, 通过Sample set partitioning based on joint x-y distances(SPXY)方法确定样本的校正集和验证集; 基于连续投影算法(SPA)选择了特征波长, 利用特征波长反射光谱信号建立了小米糊化特性指标的多元线性回归(MLR)预测模型, 并使用验证集样本验证MLR模型的预测准确性。 糊化指标预测结果: 对于粘度指标中的PV、 TV和SB参数值, 经过MSC预处理后光谱, 分别选择了9, 17和18个特征波长建立的MLR模型的预测结果最好, 预测相关系数(Rp)分别为0.934 7, 0.825 5和0.874 6, 预测误差(SEP)分别为174.039 7, 67.220 3和74.281 8; 对于BD值, 经过S-G预处理后选择了14个特征波长的MLR模型预测结果最好, Rp为 0.924 4, SEP为178.020 1; 此外, 对于FV参数值, 经过1-D处理后选择了16个特征波长所建立MLR模型的预测相关系数Rp为0.853 1, SEP为132.166 7。 研究结果表明, 利用可见-近红外光谱结合SPXY和SPA算法在不粉碎小米的状态下对其糊化特性进行检测是可行的。 本研究为小米产品相关企业在生产前期, 通过快速测定小米原料糊化特性, 进而评估产品加工品质提供一种新的技术手段, 具有较强的实际应用潜力。
小米 糊化特性 可见-近红外反射光谱 SPXY算法 SPA算法 Millet Gelatinization VIS/NIR reflectance spectroscopy SPXY algorithm SPA algorithm 光谱学与光谱分析
2020, 40(10): 3247
1 陕西科技大学电气与控制工程学院, 陕西 西安 710021
2 广州谱民信息科技有限公司, 广东 广州 510006
3 中山大学药学院, 广东 广州 510006
4 江西保利制药有限公司, 江西 赣州 341900
随着中药制剂存储时间的延长, 其有效成分含量逐渐降低。 化学检测手段损耗样品、 检测时间长、 成本高, 利用近红外光谱对不同年份的经典名方安胎丸进行年份鉴别。 为探讨这种无损、 快速质量控制方式的可行性, 采集了三年的105粒样本在1 000～1 799 nm波段近红外光谱吸光度数据, 随机选择80个作为训练集, 25个作为测试集。 首先采用连续投影算法（SPA）, 消除原始光谱数据中的冗余信息, 对输入全光谱进行优化降维, 根据测试集的内部交叉验证均方根误差值, 从输入的800个波长中提取出11个特征波长, 分别是: (1 692, 1 714, 1 405, 1 001, 1 114, 1 478, 1 514, 1 788, 1 202, 1 014, 1 164) nm; 然后建立支持向量机(SVM)分类模型, 由于SVM模型中的参数选取对分类正确率影响很大, 利用粒子群优化（PSO）算法, 对SVM模型中惩罚参数C和核函数参数进行寻优, 形成PSOSVM分类模型; 最后将SPA降维后的特征波长输入到PSOSVM分类算法中。 用Matlab软件进行仿真测试, 分别构建SVM, SPA-SVM和本文的SPA-PSOSVM三种方法分类模型, 分类测试正确率分别达到了76%, 92%和100%。 从仿真结果可以看出, SPA波长优选可有效地降低光谱信息中存在的冗余信息, 减少建模所需的时间, 结合PSOSVM分类模型降低了模型的复杂度, 提高分类精度。 结果证实, 依照所建立的利用近红外算法, 可以准确无损区分中药制剂安胎丸生产的年份, 该研究可为中药制剂年份间差异评价提供一种思路。
近红外光谱 安胎丸 年份预测 连续投影算法 粒子群优化结合支持向量机 Near infrared spectroscopy Antai pills Year classification Successive projection algorithm(SPA) Particle swarm optimization combined with support 光谱学与光谱分析
2020, 40(8): 2592
东北林业大学机电工程学院, 黑龙江 哈尔滨 150040
木材密度决定着木材力学性能, 是木材物理性能的重要指标之一。 近年来, 由于近红外光谱分析具有操作过程简单、 方便、 快速等优势, 已有学者应用近红外光谱数据预测木材密度, 但是, 在实际应用中, 数据集缺乏、 光谱特征欠优、 非线性拟合准确性低等问题还没有得到完全解决, 木材密度预测模型的精度有待于进一步提升。 木材密度中, 木材的绝干密度相对稳定, 测量结果相对精确, 以柞木绝干密度预测为研究对象, 通过采集不同含水率下的近红外光谱信息构建出适合不同含水率条件的绝干密度非线性预测模型。 首先, 选用德国INSION公司的近红外光纤光谱仪, 运用SPEC view 7.1软件对不同含水率的柞木样本采集光谱信息; 然后, 利用SPXY样本划分方法, 按2∶1划分校正集与预测集, 并利用多元散射校正、 二阶导数光谱及S-G平滑方法进行光谱预处理, 以减少散射光和高频噪声的影响; 接着, 运用连续投影算法（SPA）提取有效的波长信息; 最后, 运用一种非线性权重粒子群算法优化的BP网络（IPSO-BPNN）建立不同含水率状态下的近红外光谱与柞木绝干密度之间的关联, 实现柞木绝干密度预测模型的构建。 实验过程中, 加工选取了100个柞木试件样本, 在绝干条件下测量样本试件密度和光谱信息, 并浸泡水中测量出不同含水率对应的光谱信息, 实验结果表明: SPXY保证了校正集样本的均匀分布, 提高了模型泛化能力; MSC、 二阶导数和S-G卷积平滑相结合的方法抑制了原始光谱中噪声高频信号, 同时使得峰值更加突出; SPA从117个光谱数据中优选出16个特征波长, 提高了建模精度; IPSO-BPNN模型较SPA-PLS, BP和PSO-BP具有更高的相关系数, 更小的均方根误差, 柞木绝干密度预测相关系数为0.938, 预测均方根误差为0.012 9, 方法可以对木材密度在线无损测量提供一定的理论基础。
木材绝干密度 近红外光谱 IPSO-BP网络 Wood absolute dry density Near-infrared spectrum SPA SPA IPSO-BP network 光谱学与光谱分析
2020, 40(9): 2937
