土壤肥力通常由有机质、 总氮、 速效磷、 速效钾等含量决定。 这些物质的含量通常采用可见/长波近红外光谱(visible/near-infrared spectroscopy, Vis/NIRS: 350～2 500 nm)进行研究, 可见/短波近红外区域(visible/shortwave near-infrared spectroscopy, Vis/NIRS: 325～1 075 nm)的研究却非常罕见, 将可见/短波近红外光谱结合机器学习算法来测量土壤养分具有巨大潜力。 选取了南昌市新建区和吉安市安福县的四个村庄作为样品获取地点, 通过2×2网格法选取对角区的10～30 cm深度的土壤样本, 其中水稻土120份(水稻土1和水稻土2), 棕壤60份、 红壤60份。 样品经过研磨、 风干等处理后用四分法均匀划分为两份, 用于测定样品光谱信息和理化信息。 将获取的光谱数据去除325～349和1 073～1 075 nm的噪声波段, 然后采用S-G卷积平滑结合一阶导数进行预处理。 将预处理后的光谱数据进行主成分分析(PCA), 根据主成分分析得到的得分图(PC1: 98.44%, PC2: 3.5%, PC3: 0.14%)显示出样品存在明显聚类现象且在二维空间内相互可分, 样品存在明显聚类现象, PCA可以在一定程度上合理解释不同土壤样品的光谱特征差异。 将预处理后的光谱数据建立全波段主成分回归(PCR)和偏最小二乘回归(PLSR)模型, 通过PCA和PLSR对光谱数据降维, 提取出3个主成分因子(PCs)和9个潜在变量(LVs), 建立非线性反向传播神经网络(BPNN)和最小二乘支持向量机(LS-SVM)模型。 通过比较PCR、 PLSR、 BPNN和LS-SVM方法对Vis/SW-NIRS及对OM、 TN、 P、 K的预测精度, 得出以下结论： (1)LS-SVM-LVs模型在所有土壤性能方面都优于PCR、 PLSR、 BPNN-PCs、 BPNN-LVs和LS-SVM-PCs模型; (2)LS-SVM-LVs模型对OM和N的预测精度最高, 这是在NIR区域具有光谱响应的特性; (3)采用Vis/SW-NIRS测定土壤矿质养分P和钾, 具有不同的准确性, 这是由于光谱活性成分的共变。 根据本研究取得的结果, 建议采用LS-SVM-LVs分析作为预测土壤性质(OM、 TN、 P和K)的最佳模型方法。 然而, 还需要进一步的研究来深入解释在近红外区域不具有直接光谱响应的土壤特性的测量。 该研究成果可以为当地的精细农业的发展提供理论与技术参考。

稀散元素矿产资源是国民经济中的关键性矿产资源, 元素含量的提取是矿产资源潜力评价、 靶区优选的基础。 现有稀散元素含量分析面临快速检测、 潜力评价的需求, 基于高光谱的稀散元素含量反演是解决此问题的一种途径。 因此, 采集西藏斯弄多-则学矿集区的铅锌矿石, 开展铅锌矿石稀散元素镉(Cd)含量的高光谱反演方法与反演模型研究。 选用ASD Field Spec 3地物光谱仪及配套软件进行光谱数据采集和预处理； 在光谱特征分析基础上, 开展一阶微分(FD)、 二阶微分(SD)、 倒数的对数(AT)、 倒数对数的一阶微分(AFD)、 倒数对数的二阶微分(ASD)光谱数据变换处理, 结合皮尔森相关性系数(r)筛选特征波段, 进行随机森林(RF)、 人工神经网络(ANN)、 支持向量机(SVM)模型构建与反演, 选用决定系数(R2)和均方根误差(RMSE)评价反演模型效果与预测精度。 结果表明: 样品反射率集中于40%~60%区间； 1 420、 1 920和2 200 nm处形成吸收峰； 特征波段覆盖可见光和近红外波段, 771~2 051 nm为特征波段的最优区间。 SD光谱变换的降维效果最好, 筛选出15个特征波段； 其次为ASD和AFD光谱变换, 分别筛选出8个和2个特征波段。 FD与AT光谱变换未筛选出特征波段。 SD筛选的特征波段用于反演, 镉元素含量预测效果最好的是SD-ANN模型(R2=0.884, RMSE=2.679), 其次是SD-SVM模型(R2=0.830>0.8, RMSE=1.382), SD-RF模型预测效果最差(R2=0.505<0.6)。 ASD筛选的特征波段用于反演, 镉元素含量预测最好的是ASD-SVM模型(R2=0.857, RMSE=2.198), 其次是ASD-ANN模型(R2=0.846, RMSE=2.625)。 对比分析, 镉元素含量的高光谱反演模型效果为: SD-ANN>ASD-SVM>ASD-ANN>SD-SVM>ASD-RF>SD-RF。 该研究总结了铅锌矿石稀散元素镉的高光谱特征, 建立了镉元素含量的高光谱反演方法及模型, 为镉等稀散元素含量的高光谱反演、 无损检测、 快速分析提供了参考, 为高海拔勘探区稀散元素矿产资源的潜力评价、 靶区优选提供了科学支持。

石油和石油产品的泄漏可造成严重的土壤污染, 传统的土壤石油烃污染监测方法存在耗时长、 便携性差等问题, 难以满足大面积诊断土壤污染区域和数字化土壤制图的需求。 可见-近红外光谱技术具有快速、 便捷、 低成本和无污染等优势, 是土壤信息快速获取最有潜力的手段, 也是未来研究发展的趋势。 该技术目前在监测土壤性质领域已经取得了一定的成果, 但在监测土壤石油烃污染方面, 国内外的研究仍然处于起步阶段, 石油烃含量反演模型的实际应用仍然是难点, 而且针对现有的成果很少有人对其进行总结。 文章探讨了可见-近红外光谱监测土壤石油烃污染的可行性, 并归纳和总结了污染土壤的光谱敏感波段、 预测模型和光谱数据库三个方面近几年最新的研究进展, 分析了目前研究成果中存在的不足, 并对未来的研究方向进行了展望, 指出今后应加强多种类型土壤石油烃混合物样本、 通用的石油烃预测模型、 野外光谱测量实验和成像光谱技术等四方面研究, 以期为后续进行土壤石油烃污染的深入研究提供借鉴。

CdS窗口层光谱透射率的提高对CdTe-HgCdTe叠层太阳电池有效利用入射太阳光并增大电池的短路电流密度有重要的影响。通过研究化学水浴法、近空间升华法和磁控溅射法制备的CdS薄膜在CdCl2退火前后的光谱平均透过率和短路电流密度损失表明: 在光谱区520~820 nm, 化学水浴法制备的CdS薄膜在退火前后具有最高的光谱平均透过率, 对应的CdTe顶电池有最小的短路电流密度损失; 在光谱区820~1 150和520~1 150 nm, 磁控溅射法制备的CdS薄膜在退火前后均具有最高的光谱平均透过率, 对应的HgCdTe底电池和CdTe-HgCdTe叠层太阳电池有最小的短路电流密度损失。在光谱区520~820、820~1 150和520~1 150 nm, CdCl2退火可以显著增大CdS薄膜的光谱平均透过率, 降低对应CdTe顶电池、HgCdTe底电池和CdTe-HgCdTe叠层电池的短路电流密度损失。

河套蜜瓜是我国西北河套地区独具特色的果品, 一直深受消费者的喜爱。 糖度(sugar content)是衡量蜜瓜品质和成熟度重要指标。 采用Maya 2000pro便携式光谱仪和PR-101ɑ便携式数字折光仪获取“金红宝”蜜瓜光谱信息及糖度值, 研究了不同特征波长提取方法: 逐步多元线性回归(SMLR)、 间隔偏最小二乘法(iPLS)、 反向区间偏最小二乘法(biPLS)以及联合区间偏最小二乘法(siPLS))对蜜瓜样品模型精度和预测结果的影响。 结果表明: 采用biPLS特征波长提取方法将全波段光谱均匀分成20个子区间, PLS因子数为14, 当剔除其中8个子区间, 选择的波长变量数为218时, 得到的biPLS模型最佳, 对应的校正集和预测集的RMSE分别为0.996 1和1.18。 采用biPLS光谱波长筛选方法可以有效地提取蜜瓜糖度的特征波长, 提高建模预测能力, 实现蜜瓜糖度的快速检测。

Two nondestructive methods based on visible and near-infrared (VIS-NIR) spectroscopy and X-ray image have been used for the evaluation of watermelon quality. The prediction performance based on partial least squares (PLS) by diffuse transmittance measurement (500–1010 nm) was evaluated for chemical quality attributes SSC (Rc = 0.903; RMSEC = 0.572% Brix; Rp = 0.862; RMSEP = 0.717% Brix; RPD = 1.83), lycopene (Rc = 0.845; RMSEC = 0.266 mg/ 100gFW; Rp = 0.751; RMSEP = 0.439 mg/100gFW; RPD = 1.13) and moisture (Rc = 0.917; RMSEC = 0.280%; Rp = 0.937; RMSEP = 0.276%; RPD = 2.79). The X-ray calibration linear equations developed by extracting the appropriate gray threshold were sufficiently precise for volume (R² = 0.986) and weight (R² = 0.993). In order to optimize prediction model of watermelon quality in growth period, multivariate multi-block technique factor analysis enabled integration of these traits: chemical information is related to physical information. Applying principle component analysis to extract common factors and varimax with Kaiser normalization to improve explanatory, the comprehensive indicator based on variances was established satisfactorily with Rc = 0.94, RMSEC = 0.244, Rp = 0.93, RMSEP = 0.344 and RPD = 2.00. A comparison of these models indicates that the comprehensive indicator determined only by portable VIS-NIR spectrometer appears as a suitable method for appraising watermelon quality nondestructively on the plant at different ripen stages. This method contributes to infer the picking date of watermelon with higher accuracy and bigger economic benefits than that by experience.

应用可见-近红外光谱技术进行定量分析时, 变量选择起着十分重要的作用。不同土壤样品之间的预测机制可能存在很大差异, 当待测样品出现新的特征信息时, 基于建模集选择的特征变量不一定能够很好地代表待测样品的有效信息, 继续采用原有特征变量建模就易导致预测误差增大。该研究采用递归变量选择方法在预测过程中递归更新土壤全氮与有机质的特征变量, 以保持预测模型的鲁棒性; 比较了偏最小二乘法(PLS), 递归偏最小二乘法(RPLS)和不同递归变量选择方法, 如: 变量投影重要性与RPLS相结合(VIP-RPLS), VIP-RPLS, 无信息变量消除法与PLS相结合(UVE-PLS)对于土壤全氮与有机质含量的预测效果。所用195份土壤样品来自浙江省文成县8个乡镇的农田。土壤样品随机分成两部分, 一部分作为建模集包含120份样品, 另一部分作为预测集包含75份样品。结果表明: VIP-RPLS建立的模型对于预测土壤全氮与有机质含量取得了最优的结果, 获得的决定系数(R2)分别为0.85与0.86, 获得的预测相对分析误差(RPD)分别为2.6%与2.7%。说明VIP-RPLS通过不断更新模型的特征变量, 能够捕获新加入到建模集样品的有效信息。相比于本研究中的其他方法, VIP-RPLS对于土壤全氮与有机质含量具有更高的预测精度。

对掺入不同含量大豆油和菜籽油的鱼油进行鱼油掺假含量的可见-近红外光谱(Vis-NIR)研究。 向3个不同品牌鱼油中分别掺入不同比例的大豆油, 另外3个不同品牌中分别掺入不同比例的菜籽油, 共获得300个样本。 对所采集样本的光谱数据分别采用原始光谱, 以及平滑, 变量标准化(SNV), 多元散射校正(MSC), 一阶求导和二阶求导等预处理算法进行处理后, 建立偏最小二乘回归(PLSR)模型。 基于全波段光谱的鱼油中大豆油和菜籽油掺假含量预测的最优模型分别为全波段PLSR模型和MSC-PLSR模型, 其预测相关系数(Rp)分别达到0.938 6和0.959 3。 进一步采用连续投影算法(SPA)分析鱼油中大豆油和菜籽油掺假样品的光谱, 并分别获得了11个和15个光谱特征波长变量。 基于特征变量的PLSR模型的Rp分别为0.941 2和0.932 6。 试验研究表明, 可以采用Vis-NIR技术实现对鱼油掺假物含量的检测。