近年来, 虽然随着高光谱技术的出现可以快速获取土壤中的养分含量, 但不同的土壤类型对估算的精度会有很大的差异。 滨海湿地土壤类型受海洋环境影响较大, 其高光谱反射率与内陆土壤类型的表现会有所不同, 也就造成了同样的估算模型在反演滨海湿地土壤的养分含量时, 反演精度的降低, 随着近年来海洋资源的开发与滨海湿地生态恢复工作的不断推进, 探索一种合适的估算模型来快速准确的获取土壤中的养分含量变得更加紧迫。 该研究旨在验证利用可见-近红外高光谱反射率构建非线性模型来反演滨海湿地土壤类型中有机质(soil organic matter, SOM)含量的可行性。 以江苏省盐城大丰麋鹿国家级自然保护区的第三核心区土壤作为研究对象, 将土壤样本的光谱反射率进行5点Savitzky-Golay(S-G)平滑滤波处理, 再进行一阶微分R′、 倒数的一阶微分(1/R)′、 倒数的二阶微分(1/R)″、 对数的一阶微分(lgR)′四种微分变换后, 应用相关系数和显著性水平(p<0.01)提取土壤有机质含量的敏感波段, 利用台湾大学林智仁教授开发的MATLAB软件中的LIBSVM工具包构建SVM(support vector machine)支持向量机估算模型, 并利用MATLAB2018b软件中自带的BP(back propagation)反向传播神经网络构建估算模型, 最后利用决定系数R2和均方根误差RMSE进行模型的预测精度验证。 结果表明： 原始光谱通过5点S-G平滑滤波、 微分变换与相关系数法可以较好的提取出有效波段, 其中基于(1/R)′光谱变换提取的滨海湿地土壤有机质特征波段为498~501, 1 180~1 182, 1 946, 1 947和2 323~2 326 nm； 对比发现SVM的估算精度优于BP神经网络； 利用光谱的(1/R)′微分形式构建的SVM模型估算滨海湿地土壤SOM含量的精度最高, 决定系数R2与RMSE分别为0.93和0.23, 并且均通过了p<0.01的显著性检验。 因此利用高光谱构建SVM非线性模型来快速估算滨海湿地土壤中的养分含量具有一定的可行性。

恒星的分类对了解恒星和星系形成与演化历史具有重要的研究价值。 面对大型巡天计划及由此产生的海量数据, 如何迅速准确地将天体自动分类显得尤为重要。 通过对SDSS DR9的恒星光谱数据进行深度置信神经网络(DBN)、 神经网络和支持向量机(SVM)等算法分类的对比, 分析三种自动光谱分类方法在恒星分类上的适用性。 首先利用上述三种方法对K, F恒星进行识别分类, 然后再分别对K1, K3和K5次型和F2, F5, F9次型识别, 最后基于SVM支持向量机的二次分类模型, 利用Ｋ次型的数据, 构建剔除不属于Ｋ次型的模型。 结果表明: 深度置信网络对K, F型恒星分类效果较好, 但是对K, F次型的分类效果不佳; SVM支持向量机在K, F型恒星分类以及相应的次型分类都具有较好的识别率, 对K, F型分类效果要好于K, F次型的分类效果; BP神经网络对K, F型恒星以及其次型的识别一般; 在剔除不属于Ｋ次型实验中, 剔除率高达100%, 可知SVM能够对未知的光谱数据进行筛选与分类。