风场对于天气形势的演变和预报至关重要。基于风云四号A星干涉式大气垂直探测仪（GIIRS）中波通道资料和ERA5风场资料，采用LightGBM进行大气三维风场反演研究。首先，构建模型特征变量。GIIRS通道最优选择采用二步特征选择法：（1）建立GIIRS通道黑名单；（2）采用置换特征重要性（Permutation Feature Importance，PFI）方法选择特征变量，在形成通道最优子集的基础上，构建含有时空信息的特征变量。其次，构建基于LightGBM的三维风场反演方法。最后，基于台风“利奇马”期间的GIIRS加密资料开展了LightGBM超参数优化和相关反演试验。结果表明，相对于ERA5风场资料，测试集中风场U和V分量的均方根误差（Root Mean Square Error，RMSE）分别小于1 m/s和15 m/s。本文中的二步特征选择法能够实现GIIRS通道的动态最优选择。

棉花杂质在轧棉过程中对棉纤维造成损伤, 导致成品纺织品出现瑕疵。 因此, 杂质的检测和分类在棉花生产过程及质量检验中至关重要。 地膜是我国机采棉中特有的杂质。 该研究将包括地膜碎片等12种常见棉花杂质放置于两层皮棉层之间, 采用推扫式高光谱成像系统在透射模式下对杂质与皮棉混合样本进行图像采集, 在400~1 000 nm范围内利用光谱信息识别嵌在皮棉层中的12种杂质。 首先对高光谱图像进行平场校正, 对边缘噪声进行裁剪； 选择500 nm处灰度图像进行人工感兴趣区域（ROIs）提取, 从ROIs提取皮棉和杂质平均透射光谱并进行标准化； 使用典型判别分析（CDA）对皮棉和杂质光谱进行处理并利用前三个典型变量绘制散点图, 观察散点分组情况, 采用多变量方差分析（MANOVA）对前三个典型变量评估每两种杂质之间的差异。 然后使用区间随机蛙跳（iRF）方法提取特征波段, 采用支持向量机（SVM）分类器, 分别对全波段及特征波段的透射光谱进行杂质和皮棉13个类别的分类研究, 对比分析两次分类的准确率。 结果表明, 全波段的各类杂质和皮棉的平均分类准确率为84.4%, 该方法对棉花内层杂质的检测与分类是可行的, 包括与皮棉外观相近的地膜、 塑料包装和纸的分类效果较好。 在提取12个特征波段后, 4种具有相似外观和相似化学成分的杂质（裂茎、 茎皮、 棉铃壳、 棕叶）分类准确率较低但都超过73%； 棉籽、 绿叶、 纸片、 塑料包装、 地膜、 皮棉的分类准确率均超过90%； 各类杂质和皮棉的平均分类准确率为86.2%； 与全波段光谱的分类结果相比, 特征波段光谱的平均分类准确率提高1.8%。 该研究结果可为棉花内层杂质检测研究提供理论依据, 并对高光谱透射成像技术的应用有较好的指导作用。

由于分子结构的高相似性, 烃类气体混合物中各组分红外光谱谱峰重叠严重, 导致浓度的精确监测一直是化学计量学的难题。 为了应对这一挑战, 提出一种粗精选策略二进制灰狼优化（RSBGWO）算法, 用于优选红外光谱特征, 建立高精度定量分析模型。 该方法以交叉验证下光谱定量分析模型的均方根误差（RMSECV）平均值作为适应度函数值。 在粗选阶段, 进行第一次全局迭代, 更新α狼、 β狼和δ狼所选特征变量的位置信息； 在精选阶段, 结合α狼所选的特征变量以及剔除α狼未选中特征变量位置后的β狼和δ狼特征变量, 更新狼群位置信息, 逐步降低RMSECV值, 提取为全局最优特征波长, 并引入非线性收敛因子加快收敛速度。 该算法在采集的359个混合烷烃气体样本的红外光谱数据集上进行了实验测试并验证了所提算法的效果。 与bGWO和bPSO特征提取算法比较, 基于本文提出的RSBGWO算法建立的MLR模型在分析甲烷、 乙烷、 丙烷和二氧化碳气体浓度时, 特征选择数量均降低了96%以上, 预测均方根误差（RMSEP）均低于数据采集过程中所使用的配气系统的仪器误差, 相对预测偏差（RPD）均提高了15以上。 相对于全谱建模的MLR模型和PLS模型, 基于RSBGWO算法建立的MLR模型和PLS模型的预测精度有显著增高, 预测效果对定量分析模型的依赖性降低了。 实验结果表明, 提出的方法具有优秀的红外光谱特征提取能力, 能够明显提高定量分析模型的预测效果。 该方法能够促进光谱检测技术在生物制药、 食品化工、 油气勘探等领域的应用, 尤其是在含同系有机物混合物的应用场合。

旨在实现对海洋牧场水下底栖动物的原位识别, 使用随机森林算法实现识别分类检测, 对目标生物进行分类识别分析, 深入挖掘数据, 提高工作效率和决策可靠性。 利用研发的水下高光谱成像分析仪, 在不同的水下环境中通过获取五种海洋牧场常见经济动物（虾夷扇贝、 栉孔扇贝、 脉红螺、 皱纹盘鲍、 仿刺参）的高光谱数据, 归一化处理后运用机器学习中的随机森林（RF）、 基于主成分分析的随机森林（PCA-RF）、 基于递归特征消除的随机森林（RFE-RF）三种随机森林算法对五种底栖动物进行分类识别以及对比分析。 通过RF的变量重要性排序, 筛选出排名较高, 对模型贡献度高的波段所对应的反射谱强度数据, 再将排名靠前的特征波段数据输入分类器中, 通过优化参数, 得到分类准确度。 将数据的分类结果输出混淆矩阵, 可以看到五种样品的识别情况。 脉红螺样品识别精度最低, 为64％； 仿刺参与栉孔扇贝的识别精度最高, 达到了100％； 虾夷扇贝与皱纹盘鲍的识别精度分别为91％与96％。 三种方法最终得到的分类精度分别为: RF 90.13％； PCA-RF 95.20％； RFE-RF 98.74％, 达到了较为理想的分类效果, 体现了随机森林算法运用在水下高光谱数据分类研究的可行性。

目前针对土壤重金属的高光谱反演方法大多集中在单一的研究区域或未考虑土壤类型对反演结果的影响, 而土壤类型和成土因素的不同会对土壤属性参数的高光谱反演模型的普适性产生一定程度影响。 该研究提出一种顾及土壤类型的重金属高光谱遥感反演方法, 根据研究区土壤类型, 从土壤样本的实验室光谱中提取对重金属起主要吸附作用的土壤光谱活性物质的特征谱段, 分别建立基于土壤光谱活性物质特征谱段的重金属含量估算模型。 使用改进的遗传算法（IGA）对特征谱段进行波段优选, 使用偏最小二乘回归算法（PLSR）建模, 使用决定系数（R2）、 相对偏差（RPD）和预测均方根误差（RMSEP）三个指标对不同的建模方法进行评价。 以湖南省郴州市东河流域铅锌矿矿区的黄壤和红壤样本数据为例, 采集38个黄壤样本和35个红壤样本, 从土壤样本的实验室光谱中提取对Zn起主要吸附作用的土壤有机质和黏土矿物的特征谱段, 均采用IGA+PLSR方法进行建模。 结果表明: 不考虑土壤类型即利用全部土壤样本进行建模时, 与全谱段建模结果相比, 基于土壤有机质和黏土矿物特征谱段的重金属Zn含量反演精度的R2由0.624提升到0.755, RPD由1.668提升到2.069, RMSEP减少40.591; 与不考虑土壤类型的建模相比, 黄壤样本特征谱段的估算精度R2由0.761提升到0.879, RPD由2.137提升到3.001, RMSEP减少74.737, 红壤样本特征谱段的估算精度R2由0.866提升到0.939, RPD由2.848提升到4.212, RMSEP减少89.358, 黄壤和红壤样本的反演模型均达到了出色模型的标准。 因此, 土壤光谱活性物质特征谱段的提取以及土壤类型的考虑均有助于提高土壤Zn含量的反演精度, 为应用高光谱遥感图像进行大范围土壤重金属污染监测奠定方法基础。

随着长江中下游稻麦轮作区水稻成熟期的推迟, 冬小麦播期的推迟已经成为影响产量的主要障碍, 因此在迟播小麦中筛选抗性较好的品种很有必要。 该研究旨在监测冬小麦生长早期冠层叶片的相对叶绿素含量, 用于迟播冬小麦品种筛选。 为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性, 基于多光谱无人机获取的5个单波段光谱反射率和15个植被指数作为自变量, 经过递归特征消除法(RFE)特征变量筛选, 去除冗余变量, 利用后向神经网络(BP)回归算法构建冬小麦相对叶绿素含量(SPAD)值遥感反演模型。 根据2020年—2021年江苏省扬州市广陵区实验点冬小麦越冬期、 拔节期两个生育期的实测叶片SPAD值, 结合同步获取的多光谱无人机影像, 分析了这两个生育期遥感变量和SPAD值之间的相关性。 并结合遥感变量之间的特征重要性排序进行特征变量筛选, 筛选出的变量作为模型的输入, 构建并筛选出各生育期最佳的反演模型。 比较岭回归(Ridge)和梯度提升树(GBD)算法, 以R2和RMSE作为模型评价指标, 在验证集上分析了各生育期3种模型的自学习能力和泛化能力。 结果表明, 经过了最优光谱信息筛选而建立的BP神经网络模型在此两个生育期的数据集上均表现出了最强的回归预测能力。 R2和RMSE在越冬期分别为0.806和1.861, 拔节期分别为0.827和0.507。 通过对无人机多光谱数据进行变量筛选, 构建的优选模型BP神经网络具有较高估算精度, 且表明在冬小麦的早期监测中, 拔节期比越冬期效果好。 利用无人机多光谱在估算迟播冬小麦SPAD值进行品种抗性筛选的方法是有价值的。

针对土壤硒含量光谱数据冗余、模型复杂度较高等问题，本研究系统采集含硒土壤若干份，并获取样本硒含量和光谱信息，对原始光谱进行平滑多元散射校正一阶微分（SG-MSC-FD）光谱增强处理，利用稳定性竞争自适应重加权采样（sCARS）等特征提取算法筛选特征波长，建立土壤硒含量的偏最小二乘（PLSR）、支持向量机（SVM）、随机森林（RF）、海鸥优化随机森林（SOA-RF）预测模型，通过对比不同特征筛选下模型的决定系数（R²）、均方根误差（RMSE）和相对分析误差（RPD），寻找最佳的组合模型。结果表明：不同特征筛选下的模型精度均有较大提升，其中变量组合集群分析法结合遗传算法（VCPA-GA）精度最高，sCARS算法提取的变量数最少，仅占全波段的0.49%；RF较SVM和PLSR模型有更好的鲁棒性，SOA-RF模型的参数最佳，极大地提升了模型的反演精度。综上，经VCPA-GA特征提取下的SOA-RF模型是最佳的预测模型（R²=0.92、RMSE为0.08、RPD为2.911），该模型能够实现对土壤硒含量快速、高效反演。