作物氮含量影响作物的生长状况, 合适的施氮量可以促进作物生长和提高作物产量, 因此准确、 快速地监测作物的氮含量十分必要。 旨在探索将无人机成像高光谱获取的植被指数和光谱特征参数相结合以提高冬小麦关键生育期氮含量估算精度的潜力。 首先, 以无人机为遥感平台, 搭载高光谱传感器获取了冬小麦拔节期、 挑旗期、 开花期和灌浆期4个主要生育期的高光谱遥感影像, 并实测了各生育期的氮含量数据。 其次, 基于预处理后的高光谱影像, 提取冬小麦各生育期的冠层反射率数据, 并构造能较好反映作物氮素营养状况的12种植被指数和12种光谱特征参数。 然后, 计算了各光谱参数与冬小麦氮含量的相关性, 并筛选出各生育期与氮含量相关性较强的植被指数和光谱特征参数； 最后, 利用逐步回归分析（SWR）构建基于植被指数、 植被指数结合光谱特征参数的氮含量估算模型。 结果显示: (1)选取的大部分植被指数和光谱特征参数与冬小麦氮含量都有较高的相关性。 其中, 植被指数的相关性高于光谱特征参数； (2)基于单个植被指数或光谱特征参数估算冬小麦虽然可行, 但精度还有待进一步提高； (3)与单一植被指数或光谱特征参数相比, 植被指数结合光谱特征变量利用SWR方法构建的氮含量估算模型的精度和稳定性更高(拔节期: 建模R2=0.64, RMSE=24.68%, NRMSE=7.96%, 验证R2=0.77, RMSE=23.13%, NRMSE=7.81%； 挑旗期: 建模R2=0.81, RMSE=15.79%, NRMSE=7.41%, 验证R2=0.84, RMSE=15.10%, NRMSE=7.08%； 开花期: 建模R2=0.78, RMSE=9.88%, NRMSE=5.66%, 验证R2=0.85, RMSE=9.12%, NRMSE=4.76%； 灌浆期: 建模R2=0.49, RMSE=13.68%, NRMSE=9.85%, 验证R2=0.40, RMSE=18.29%, NRMSE=14.73%)。 研究结果表明, 结合无人机成像高光谱获取的植被指数和光谱特征参数构建的冬小麦氮含量估算模型精度和稳定性较高, 研究结果可为冬小麦氮含量的空间分布和精准管理提供参考。

探讨草地群落光谱特征与养分含量的关系， 可为采用高光谱技术诊断草地群落营养状况， 对推进快速无损检测技术应用于草地施肥管理具有重要意义。 以黄土丘陵区典型草地群落， 白羊草（Bothriochloa ischaemum）群落为研究对象， 设置4个氮添加（0、 25、 50和100 kg N·ha-1·yr-1）和4个磷添加(0、 20、 40和80 kg P2O5·ha-1·yr-1)处理。 基于群落冠层光谱和群落氮磷养分含量测定， 结合红边区域内一阶导数处理， 在植被指数、 特征波段和红边参数组成的18个光谱特征参数中， 采用逐步回归方法（SWR）筛选出对白羊草群落氮磷含量及氮磷比敏感的光谱特征参数， 并建立反演模型对草地群落地上部分全氮含量和地上部分全磷含量及其比值进行估测。 结果表明: 白羊草群落氮磷含量随施氮量增加而增加， 氮磷比随施磷量增加而减少; 氮磷添加下光谱反射率在可见光波段与施肥量成反比， 近红外波段与施肥量成正比， 红边区域内一阶导数的“双峰现象”受氮磷添加影响显著; 一些对草地群落氮磷含量较敏感的光谱特征对氮磷含量及氮磷比估测起重要作用， 其中三波段光谱指数(TBSI), R910和红边幅值(AMP)对氮含量的估测模型有极大贡献（R2=0.87, F=18.8***）， 而磷含量估测中差值植被指数(DVI), 修正红边简比率指数(mSR705), R430, R660和AMP对模型贡献明显（R2=0.91, F=20.51***）， Slope725对氮磷比的估测模型贡献最大（R2=0.54, F=5.14***）。 该研究运用高光谱技术实现对白羊草群落养分含量的快速精准估测， 在氮磷含量及其比值与光谱特征参数存在显著相关性的基础上， 成功筛选出建立模型精度最高的参数组合， 为大面积监测氮磷添加后草地养分含量方法和参数选择奠定了基础。

利用基于主成分分析 (PCA) 算法的径向基 (RBF) 神经网络对大气中 SO2 浓度进行滚动预测。以北京大兴地区 2019 年 9 月 1 日至 2020 年 10 月 31 日的气象数据和空气质量参数为基础, 结合逐步回归法筛选出与 SO2 线性相关的参数作为输入样本, 构建 PCA-RBF 预测模型。利用该模型预测北京大兴地区某天的 SO2 浓度, 将预测值保留并作为下一天预测模型的输入参数。以此将预测值不断地向前延伸并进行分析和预测, 从而实现 SO2 浓度的滚动预测。对比 RBF 网络和 PCA-RBF 网络两种模型的预测结果, 其中 PCA-RBF 模型期望值和预测值的误差及相关系数分别为 0.03 μg·m-3 和 0.9989。表明 PCA-RBF 网络模型能精准预测 SO2 浓度变化趋势, 为进一步解决大气污染问题提供技术支持。

NO2 是主要的大气污染气体之一, 在大气光化学过程中起着重要作用。研究 NO2 浓度的时空演变, 预测其浓度变化趋势, 对政府出台改善环境措施具有重要意义。提出利用粒子群算法 (PSO) 的反向传播 (BP) 神经网络对大气 NO2 浓度进行预测。以合肥地区 2017 年 1 月 1 日至 2019 年 12 月 31 日的大气污染数据和气象数据为基础, 结合逐步回归方法筛选出与 NO2 浓度相关性较大的影响因子作为输入样本。构建 PSO-BP 神经网络预测模型, 利用 PSO 找出 BP 神经网络最优的初始权值和阈值。对比 BP 神经网络、遗传算法改进的 BP 神经网络和 PSO 改进的 BP 神经网络三种模型的预测结果, 发现 PSO-BP 模型能够较为准确地预测出 NO2 浓度的动态变化规律, 并且预测精度高、模式简单, 有望广泛应用于大气污染物浓度预测等方面的研究。

土壤钾元素含量是评价土壤营养程度重要的指标之一。 利用热红外发射率(TASI)数据对钾元素的反演研究较少且模型精度较低。 利用在黑龙江海伦地区采集的热红外航空成像光谱仪TASI数据, 经过预处理和温度与发射率分离后, 探究黑土土壤热红外发射率与钾元素含量关系。 在对比了常规的多元逐步回归与偏最小二乘建模方法后, 使用了一种新的逐步回归方法-全二次多元逐步回归建立模型, 相对于常规多元逐步回归, 引入了更多的参数进行模型的建立, 有效提高反演精度。 研究发现, 土壤发射率数据对于选用有效特性波段建立的模型对钾元素具有较高的反演精度, 所选特征波段均为负相关, 波段分别为6（8.602 μm）, 11（9.150 μm）, 15（9.588 μm）, 23（10.464 μm）, 相关系数依次为-0.658, -0.673, -0.645和-0.627。 钾元素通过多元逐步回归建模与预测的均方根误差RMSE: 0.027和0.032, 判定系数R2: 0.667和0.82, 相比于常规多元逐步回归建模与预测的均方根误差RMSE: 0.031和0.031, 判定系数R2: 0.569和0.78与偏最小二乘法建模与预测的均方根误差RMSE: 0.033和0.037, 判定系数R2: 0.45和0.51评价指标精度均有所提高, 说明该方法有效提高了利用发射率数据对钾元素的反演精度。 在利用学生化残差对模型进行去除异常值的改进后发现, 建模精度有了明显提高但是测试精度却有所降低, 过度拟合训练集数据导致模型泛化性下降, 因此不建议对模型过度拟合。

海上溢油已成为全球环境污染的重要问题之一, 溢油严重破坏了海洋生态的平衡, 并导致人类健康受到危害。 因此, 研究高效的溢油检测方法对保护海洋生态环境具有重要意义。 三维荧光光谱技术因能获得溢油的“指纹”图谱而成为溢油鉴别领域的有效分析手段, 其与平行因子分析算法相结合获得了良好的溢油鉴别效果。 但平行因子算法在使用过程中需要确定不同石油产品本身所适用的浓度范围, 且其对预估计组分数敏感, 组分数选择是否准确直接影响最终定性定量结果, 这些问题都会对油类检测造成使用上的限制。 油类组分极为复杂, 其中各组分间不存在统一的线性浓度范围, 其相互之间还受到荧光猝灭效应的影响。 直接对未经稀释的油类样本进行光谱数据采集, 所获得的三维荧光光谱会因样本中组分的种类及其含量不同而存在较大差异, 导致对三维荧光光谱数据进行解析的平行因子分析算法不再适用。 但组分的种类及含量相近的油样其光谱特征相似度较高, 并且随着特定组分及其含量的改变, 其光谱形状的变化规律也较为明显。 基于此, 将三维荧光光谱和数字图像识别相结合, 提出一种针对混合油类样本的辨识方法。 首先, 利用五种矿物油(汽油、 柴油、 航空煤油、 机油和润滑油)配制三类混合油样本, 其中每类混合油是用其中两种不同矿物油以不同体积比直接混合配制而成; 然后利用FS920荧光光谱仪获取样本的三维荧光光谱数据, 并对该数据进行求导及灰度化预处理, 进而得到三维荧光导数光谱灰度图; 其次提取样本三维荧光导数光谱灰度图的颜色、 纹理和形状等数字图像特征; 最后, 通过Fisher判别分析建立样本的分类模型, 采用逐步回归建立混合油样本各组分相对体积的定量模型。 分类模型对三类混合油样本的分类及识别效果良好。 所建立的定量模型的线性相关性R大于0.99, 显著性检验p值小于0.05。 研究结果表明, 三维荧光光谱的数字图像特征可以被本文所述方法有效提取并用于对油类样本的定性定量分析。 该研究为海面溢油检测提供了一种简单、 可靠的识别方法。

红外诱饵会引偏导引头光轴指向、迫使制导信息出现阶跃跳变, 从而降低导弹制导精度。为探究制导信息跳变缘由, 建立了基于跳变视线角速度的脉冲叠加模型。首先, 基于红外导引头识别原理, 分析了视线角速度变化特征, 初步建立了视线角速度跳变模型; 通过大量仿真分析, 确定了影响跳变特性的影响因子集; 同时, 利用Morris灵敏度分析法筛选跳变模型的解释变量, 进而降低了模型复杂度; 基于各解释变量的作用, 引入逐步回归分析法求解跳变模型的回归参数。最后通过典型对抗态势下的预测结果对跳变模型的泛化能力进行了验证, 实验结果表明该模型对于跳变时刻及跳变强度的预测精度可达10-2 s及10 (°)/s。

为探究高光谱遥感手段反演土壤Cu含量方法的可行性, 以湖南省某矿区为例, 利用ASD地物光谱仪和实验室电感耦合等离子发射光谱法测定83个土壤样品350～2 500 nm光谱信号和Cu含量。 在光谱重采样、 一阶/二阶微分、 标准正态变换预处理对比分析基础上, 分别采用主成分分析与相关分析对潜在建模变量进行初步筛选, 运用逐步回归方法确定最终模型变量, 建立土壤Cu含量反演模型, 基于最优模型识别Cu含量光谱指示特征波段。 结果表明, 相对于传统主成分分析方法, 标准正态变换后的光谱全要素主成分分析逐步回归建模方法因保留土壤样品弱光谱信号能有效提升土壤Cu含量估算能力, R2达086, 模型对于预测样本的估计效果较好, 建模样本和预测样本的残差分别为076和129, 且通过F检验; 360～400, 922～1 009, 1 833～1 890与2 200～2 500 nm波段对研究区土壤Cu含量有较好指示性。 研究结果将丰富南方矿区土壤Cu含量估算典型案例, 同时为发展基于高光谱遥感的土壤环境监测手段提供理论支撑。