通过室内盆栽试验, 利用微分技术处理叶片反射光谱数据, 研究铀污染下商陆叶片中的铀含量在不同光谱波段与原始光谱反射率、 一阶导数光谱的相关关系, 找到商陆铀污染诊断的敏感波段范围和最优光谱特征参数, 并以相关性较好的敏感波段及光谱特征参数为自变量, 与商陆叶片铀含量建立对应的估测拟合模型。 如果以该模型为基础创建铀含量的冠层光谱模型, 则有可能实现通过遥感影像监测叶片中的铀含量。 实验结果表明: 当商陆叶片中的铀含量为5.94～71.74 mg·kg-1时, 叶片中铀含量与一阶导数光谱数据的相关性较原始光谱数据好, 在749～766 nm区间内存在较好的相关性和光谱响应; 根据上述相关性分析, 选择14个光谱特征参数, 计算他们与商陆叶片铀含量的相关系数, 其中蓝边面积、 红边位置、 红边面积与蓝边面积的比值及红边面积与蓝边面积的归一化值与叶片铀含量的相关系数达到了0.05显著检验水平; 选取一阶导数光谱中相关系数最高的波段757, 758, 760和761 nm处的值和上述相关性最高的4个光谱特征参数, 与叶片铀含量建立多种形式的估测拟合模型, 通过对拟合模型的精度检验, 发现以红边面积与蓝边面积的比值、 757和760 nm处反射率的一阶导数为自变量的拟合模型的预测效果较好, 其中拟合效果最优的模型是以757 nm波段处反射率的一阶导数为自变量的三次函数模型, 模型预测精度达到了89.8%。

松材线虫病又叫松树枯萎病, 是由于松材线虫寄生在松树上引起的毁灭性死亡病害, 其发病速度快、 传播迅速、 防治难度大。 如何识别松材线虫害并对其程度进行估测, 对我国森林资源及生态环境保护具有重要意义。 研究表明, 马尾松叶绿素、 水含量会随着虫害程度的加深逐渐减少, 不同虫害程度的马尾松光谱反射率呈现较大差异, 因此光谱分析技术在虫害程度估测方面具有独特优势。 针对不同虫害程度的马尾松样本, 研究了其光谱特征参数的变化规律, 以实测光谱特征参数为自变量, 样本虫害程度量化值为因变量, 利用线性回归方程构建了虫害程度估测模型。 该研究在光谱特征指标选择和估测模型方法上作了有价值的探索, 对评估松材线虫病害有一定的指导意义, 可为相关研究及当地精准农业提供科学支持和应用参考。 首先针对不同虫害程度的马尾松样本, 研究其在绿光、 红光及近红外波段内的光谱反射率变化规律, 构建指示样本虫害程度的六个光谱特征参数: 绿峰反射率（RGP）、 绿峰位置（GPP）、 红谷反射率（FRB）、 红谷位置（RBP）、 红边斜率（RES）、 红边位置（REP）, 分析光谱特征参数与虫害程度的相关性。 然后构建虫害程度估测模型, 其步骤可描述为: （1）计算健康、 轻度、 中度、 重度四种不同虫害程度下的样本光谱特征参数RGP, FRB和RES; （2）量化健康、 轻度、 中度、 重度四种样本虫害程度值; （3）以实测光谱特征参数为自变量, 样本虫害程度量化值为因变量, 利用线性回归方程构建虫害程度估测模型。 实验中选取重庆市涪陵区永胜林场、 冒合寨工区的马尾松林为研究对象, 随机选取健康、 染病、 完全枯死的马尾松植株进行监测。 数据采集过程中使用ASD野外光谱分析仪FieldSepc4, 采集波段范围为从可见光400 nm到近红外波段1 100 nm处, 分辨率为1 nm。 共采集了70条马尾松植株的有效光谱数据, 根据不同虫害程度, 将其划分为健康、 轻度、 中度、 重度和枯死五种类型, 并利用Matlab软件进行处理分析, 得到其光谱反射率曲线。 选择涵盖绿光区（510～580 nm）、 红光区（620～680 nm）和近红外区（680～780 nm）三个波段, 计算各个波段的光谱特征参数, 构建虫害程度估测模型。 实验结果表明: （1）针对枯死样本, 其“绿峰”和“红谷”特征消失, 红边陡峭上升趋势被拉平。 其他几种类型样本光谱特征参数RGP, FRB和RES与虫害程度呈负相关, 虫害程度越深, 其光谱特征参数值越小, 即健康（RGP）>轻度（RGP）>中度（RGP）>重度（RGP）, 健康（FRB）>轻度（FRB）>中度（FRB）＞重度（FRB）, 健康（RES）>轻度（RES）>中度（RES）>重度（RES）。 （2）随着虫害程度加深, 光谱特征参数GPP向长波方向移动, 即存在“红移”现象, 而光谱特征参数RBP和REP向短波方向移动, 即存在“蓝移”现象。 （3）与一元线性估测模型相比, 二元线性估测模型具有较大的相关系数R2, 较小的估计误差E以及残差。 实验中对两棵马尾松样本虫害程度进行估测, 二元线性估测模型的结果为PD=2.990 7和PD=3.679, 与实际情况相符。 在后续研究中将对1 100~2 500 nm波段特征进行相关性分析。

为了能够精确地测量线性渐变滤光片的光谱特征参数, 提出一种线性渐变滤光片的透过率检测方法.该方法在测量时, 用光谱仪分别采集滤光前和滤光后的光信号, 计算得到测量点的光谱透过率.调节微动位移平台, 对滤光片样品进行多点扫描测量, 数据处理后, 得到线性渐变滤光片的光谱特征参数.推导了测试光谱透过率的理论公式, 仿真结果表明该方法的测量精度随着线性色散系数的增大而减小, 在线性色散系数小于1.5 nm·mm-1时, 该方法测量的中心透过率和带宽的误差小于0.4%.根据该测量方法设计了相应的检测系统, 实际测量了线性渐变滤光片的光谱特征参数.

传统的与光谱反射率匹配的矿物填图方法受图像质量、 大气及环境背景等因素影响较为明显, 矿物识别效果较差。 针对上述问题提出一种基于多类型光谱特征参数匹配的矿物信息识别方法, 综合利用多种光谱特征参数在大气及环境背景变化中的相对稳定性特点, 实现矿物信息的高精度识别。 选取美国内华达州Cuprite矿区AVIRIS机载可见-红外光谱成像仪高光谱数据, 以USGS美国地质调查局波谱库中的矿物波数为参照光谱, 分别计算AVIRIS影像和USGS波谱库中典型矿物的光谱特征参数, 在对多种光谱特征参数综合分析的基础上, 构建Cuprite矿区矿物识别模型, 进行矿物填图实验。 最后使用Clark等在该地区的矿物填图结果数据, 对实验结果进行了验证, 结果表明: 该方法矿物识别结果与Clark等的填图结果吻合度高, 整体矿物识别精度达到78.96%。