面粉吸水率是评价面粉质量和预测面制品加工特性的重要品质性状。 面粉吸水率的测定主要参照国际或国家标准利用粉质仪进行, 其测定方法费时费力。 基于此, 提出利用可见近红外光谱分析技术结合多元统计分析进行面粉吸水率快速、 无损检测。 参照国标法测定150份小麦面粉样品的吸水率, 面粉吸水率变幅为53.10%~74.50%。 利用可见近红外分析仪采集面粉样品的光谱信息, 有效光谱范围为570~1 100 nm。 采用偏最小二乘回归(PLSR)、 主成分回归(PCR)和支持向量机回归(SVR)将光谱信息和面粉吸水率进行关联, 分别建立面粉吸水率的定量分析预测模型, 筛选最优的建模方法。 在优选的建模方法的基础上, 采用竞争性自适应重加权(CARS)、 区间随机蛙跳(iRF)、 迭代保留信息变量(IRIV)和连续投影(SPA)算法提取特征波长, 筛选最优的特征波长提取算法。 基于最优的建模方法和最优的特征波长提取算法提取的特征波长, 采用标准化(NL)、 一阶求导(1st Der)、 基线校正(BL)、 标准正态变换(SNV)和去趋势化(DT)5种光谱预处理方法对特征波长的光谱进行预处理, 筛选最优的光谱预处理方法。 结果表明, 采用NL光谱预处理方法对CARS算法提取的24个特征波长(仅占原始波长的2.26%)的光谱进行预处理后建立的PLSR模型性能最佳, 预测集相关系数(R2p)、 预测集均方根误差(RMSEP)和预测相对分析误差(RPD)分别为0.889 4、 1.458 5和2.641 3。 采用CARS算法提取的特征波长所建的模型不仅能提高模型的性能, 还很大程度提高模型运算效率、 降低仪器制造成本和光谱仪微型化的难度, 从而为面粉吸水率可见近红外无损、 快速检测研究奠定了基础。

研究旨在明确“赤霞珠（Cabernet Sauvignon, Vitis Vinifera L.）”葡萄健康叶片和缺磷胁迫不同时期下的光谱信号特征变化, 构建基于光谱技术的“赤霞珠”葡萄叶片缺磷胁迫快速无损诊断模型, 为葡萄园病害防治与管理提供理论参考和技术支持。 以酿酒葡萄“赤霞珠”葡萄叶片为研究对象, 分别采集了正常、 缺磷胁迫初期和末期葡萄叶的VIS/NIR反射率信息。 对比Savitzky-Golay卷积平滑（S-G Smoothing）、 移动平均平滑（MAS）、 标准正态变换（SNV）和多元散射校正（MSC）4种预处理及组合方法对于去除葡萄叶光谱信号中随机噪声的能力, 确定最佳预处理方法。 采用连续投影法（SPA）筛选与“赤霞珠”葡萄叶缺磷胁迫相关的光谱特征变量, 分别构建基于线性核函数（Linear）、 多项式核函数（Poly）、 径向基核函数（RBF）和二层神经网络核函数（Sigmoid）的支持向量机（SVM）模型, 以灵敏度（SEN）和准确率（CCR）为依据评估模型诊断性能, 形成基于VIS/NIR光谱的“赤霞珠”葡萄叶片缺磷胁迫快速无损诊断方法。 S-G Smoothing预处理后的光谱信号的信噪比为110.58, 以其为校正集构建的缺磷胁迫诊断模型最佳, 因此确定其为最佳的预处理方法。 采用主成分分析（PCA）计算样本光谱贡献率, 以95%置信空间为依据检测数据集中的异常样本, 最终发现并剔除了22的离群点。 通过SPA筛选出402.6、 404.6、 409、 411.5、 539.4、 691.9、 729.9、 838.7、 1 011.9、 1 017.5和1 020.5 nm等11个反映“赤霞珠”葡萄叶缺磷胁迫的光谱特征波段, 作为缺磷胁迫快速无损诊断模型的输入变量。 通过对比分析上述4种核函数SVM的诊断结果, 以Linear为核函数构建的“赤霞珠”葡萄叶缺磷胁迫诊断模型能力最佳, 对正常叶片诊断的SEN为81.08%, CCR为100%; 对缺磷胁迫早期叶片诊断的SEN为100%, CCR为84.78%; 对缺磷胁迫末期叶片诊断的SEN为100%, CCR为100%。 该研究建立了基于VIS/NIR光谱的“赤霞珠”葡萄叶片缺磷胁迫快速无损诊断方法, 能够满足葡萄园病害防治与智能化管理的生产需求, 为酿酒葡萄智慧农业发展提供了技术参考。

实验室可见-近红外高光谱数据(VIS-NIR)具有快速、 高效、 无损等技术优势, 被越来越多应用于土壤组分反演中。 光谱分辨率越高所能表达的土壤信息越丰富, 但也带来了数据冗余。 目前, 对于不同光谱分辨率对土壤组分建模影响效应分析的研究相对较少。 以欧洲土壤中心数据集19036个土壤样本为数据源, 以土壤总氮(N)、 有机碳(OC)、 碳酸钙(CaCO3)、 粘土(Clay)为例, 基于偏最小二乘回归方法(PLS)并选择30%的随机样本独立验证的方式开展相关研究。 首先将所有样本原始0.5 nm分辨率4 200个波段的高光谱数据采用等间距取均值方法分别重采样到2, 4, 8, …, 1 024 nm开展分析。 结果表明: 随着光谱分辨率的降低, 土壤各类组分反演精度均呈下降趋势, 光谱分辨率在64 nm以上, 4类土壤组分普遍具有较高的模型验证精度(R2>0.65, RPD>1.7), 光谱分辨率在128 nm以下CaCO3和Clay组分精度显著变差; 4类组分中, CaCO3对光谱分辨率敏感性最强, 在高光谱分辨率下反演精度较高(R2>0.86, RPD>2.72), 但随光谱分辨率降低精度下降最快。 此外, 基于光谱响应函数将样本光谱重采样到GF2, S3A, L8, Aster, Modis和S3OLCI六种常见卫星传感器的光谱分辨率展开评价。 结果表明: 土壤N、 OC在各传感器中均可获得较高的精度, 甚至在GF2传感器仅有4个波段情况下, 也具有不错的验证精度(R2=0.56; RPD=1.51), 而土壤CaCO3及Clay反演精度普遍较差; 除传感器光谱波段数量外, 波段位置对土壤组分的反演能力的影响也很显著, 拥有近红外长波(1 100～2 500 nm)光谱范围的传感器对土壤组分的反演能力优于缺少该光谱波段的传感器, 特别是粘土矿物的吸收峰多位于近红外长波段, S3A, L8, Aster和Modis传感器的Clay反演能力均优于光谱波段数更多的S3OLCI。 该研究成果对土壤组分高光谱数据预处理、 卫星数据源的选择及未来传感器光谱通道的设计具有指导意义。

叶绿素荧光参数Fv/Fm是探究逆境胁迫对植物光合作用影响的重要指标, 已有研究表明植被指数与Fv/Fm线性相关, 但直接将植被指数与Fv/Fm拟合存在精度不足的问题。 为实现对该参数的准确预测, 本文以茄子为研究对象, 提出一种基于可见-近红外光谱的Fv/Fm预测方法。 试验获取不同生长状态茄子叶片的可见-近红外光谱数据和荧光参数, 使用蒙特卡洛采样法（MCS）去除明显异常样本, 采取3种光谱预处理方法及5种特征波长选择算法进行光谱数据处理, 并建立偏最小二乘回归（PLSR）模型进行方法评估。 基于提取出的最优特征波长组合, 分析误差反传（BP）神经网络、 径向基函数（RBF）神经网络、 极限学习机（ELM）及回归型支持向量机（SVR）共4种机器学习算法对Fv/Fm预测模型精度的影响, 从而确定基于最优方法组合的叶绿素荧光参数Fv/Fm预测方法。 结果表明: 茄子叶片光谱反射率随Fv/Fm的增加呈明显下降趋势, 表明利用光谱信息反演Fv/Fm的可行性。 基于393组试验样本, 使用多元散射校正（MSC）、 标准正态变量变换（SNV）进行光谱预处理, 以竞争性自适应重加权采样法结合连续投影法（CARS+SPA）进行特征波长筛选的效果最优。 其中, MSC-CARS-SPA-PLSR和SNV-CARS-SPA-PLSR的测试集决定系数分别为0.896 1和0.881 2, 均方根误差为0.011 8和0.012 6, 两者精度皆高于全光谱数据对应的PLSR模型; 同时, 两方法提出的特征波长个数均为12个, 仅占全光谱波长个数（1 358）的0.88%。 该结果表明以上两种方法有效提取出了对模型预测有利的少量波长。 基于上述波长建立机器学习模型, 发现SVR建模效果最优。 以SNV-CARS-SPA-SVR的预测精度最高, 其测试集决定系数为0.911 7, 均方根误差为0.010 8。 综上, SNV-CARS-SPA-SVR建模方法提高了模型精度, 有效降低了模型复杂度, 为基于可见-近红外光谱的Fv/Fm准确预测提供了实现方法。 该方法可应用于作物生长状态的快速、 无损检测, 为农情预警提供有效手段。

利用可见/近红外光谱分析仪得到复合肥的原始光谱, 经过MSC和一阶导数预处理后, 建立了复合肥中总氮含量的PLS模型, 实现了复合肥中总氮含量的快速准确无损测量。通过选取不同范围波长建模, 取得了预测决定系数(R2)、预测标准差(SRMSEP)、相对分析误差(KRPD)最好的基础波段。在基础波段的基础上, 采用优选波长算法, 获得了加入波长后的模型的预测决定系数和预测标准差图。通过分析, 最终确定加入42个优选波长。实验结果表明, 加入优选波长后的模型的预测决定系数由不加优选波长模型的0.760 4提高到了0.991 1, SRMSEP降低为原来的1/5, KRPD提高到原来的5倍。

土壤水分对光谱表现出很强的吸收性, 且土壤水分与土壤有机质的吸收波段有重叠, 因此土壤水分对土壤有机质的检测造成一定的干扰。 为此做了以下工作: (1)采用可见近红外光谱仪在室内获取相同含水率下不同土壤动态光谱图; (2)通过对相同含水率下不同有机质含量的二维同步相关光谱图分析得出: 当土壤为烘干土样时, 600和1 660 nm左右表征土壤有机质的波段出现强的自相关峰, 但随着含水率的增加, 这两个波段逐渐消失, 由于受水分的影响, 1 931, 2 200和1 480 nm均形成了强的自相关峰。 说明水分会掩盖表征土壤有机质信息的波段, 对土壤有机质检测造成干扰。 (3)为了消除水分影响, 提高模型对不同含水率下土壤有机质的预测精度, 将田间近似最大含水率样本参与建模, 采用偏最小二乘定量分析方法在550～650和1 610～1 710 nm波段内建立了抗水分干扰土壤有机质预测模型, 并对不同含水率的土壤有机质进行预测, 结果表明: 预测样本的相关系数为0.954, 标准偏差为0.744%, 标准差为0.844%, 预测效果明显提高, 说明此方法可减少水分对土壤有机质检测的影响。Spectral Technology

为探寻一种快速可靠的分析方法用于橄榄油中掺杂煎炸老油含量的测定, 实验采用可见和近红外透射光谱分析技术结合区间偏最小二乘法(interval partial least squares, iPLS)、 联合区间偏最小二乘法(synergy interval partial least squares, SiPLS)和反向区间偏最小二乘法(backward interval partial least squares, BiPLS), 对掺杂不同含量煎炸老油的橄榄油建模分析, 并对不同模型比较优选。 采集样品400~2500 nm范围内的光谱, 对光谱数据进行Savitzky-Golay(SG)平滑去噪。 剔除奇异样本后, 采用sample set partitioning based on joint X-Y distance(SPXY)法划分样本集, 以不同的iPLS优选建模区域, 建立煎炸老油含量预测模型。 结果表明: 对掺杂不同含量煎炸大豆油的橄榄油, 采用划分20个区间, 选择2个子区间［4, 16］建立的SiPLS模型预测效果最好, 相关系数(Rp)达0.998 9, 预测均方根误差(RMSEP)为0.019 2。 对掺杂不同含量煎炸花生油的橄榄油, 采用划分20个区间, 选择2个子区间［2, 16］组合建立的SiPLS和BiPLS模型具有相同的预测效果, 预测均方根误差(RMSEP)为0.0120, 均优于iPLS模型。 此外, 与SiPLS模型相比, BiPLS模型运算量少, 速度快。 由此可见, 基于掺杂油样品的可见和近红外透射光谱, 分别采用组合区间偏最小二乘法(SiPLS)和反向区间偏最小二乘法(BiPLS)优选建模光谱区域, 可以对橄榄油中掺杂煎炸大豆油和煎炸花生油含量进行准确测定。 而且, 实验过程无需对掺杂油样品进行预处理, 无环境污染, 操作简单, 快速无损。