与传统检测方法相比, 利用高光谱技术进行土壤有害元素砷含量的估算, 具有快速、 准确, 成本低的特点, 可对干旱区绿洲土壤有害元素砷污染进行动态监测。 基于新疆渭干河-库车河三角洲绿洲耕层土壤样品的采集, 获取土壤光谱数据和有害元素砷含量。 通过bior1.3, db4, gaus4和mexh这4种小波基函数对土壤原始光谱反射率进行连续小波变换, 并将变换后光谱数据与有害元素砷进行相关分析, 以筛选出的敏感小波系数为自变量, 采用偏最小二乘回归、 支持向量机回归、 BP神经网络和随机森林回归方法对有害元素砷含量进行高光谱反演。 研究结果显示: (1)4种小波基函数在3~8尺度的光谱分解效果明显优于其他尺度, 特别是4~6尺度的连续小波变换有效提升了光谱反射率与土壤有害元素砷之间的相关性, 通过显著性检验的小波系数数量有了明显增多(p<0.01), 在可见光的400~700 nm以及近红外的1 100~1 700和2 200~2 400 nm附近具有较强的相关性; (2)通过比较4种小波基函数对光谱数据中有效信息的辨识能力, 认为小波基函数bior1.3和mexh要优于db4和gaus4, 其中bior1.3的光谱分解效果最好, gaus4相对最弱; 通过bior1.3第5尺度的光谱变换, 与土壤有害元素砷显著相关的波段数量最多, 为507个(p<0.01); (3)比较4种建模方法的反演结果发现, SVMR, BPNN和RFR模型相较于PLSR模型具有更强的估测能力, 模型的估测精度更高。 综合分析各模型的稳定性及估测精度后, 认为bior1.3-25-RFR模型可作为研究区土壤有害元素砷的最佳估测模型。 该模型的训练集和验证集的R2分别为0.893和0.639, RMSE为1.075和1.651 mg·kg-1, RPD分别为2.89和1.64, 表明模型估测效果较好, 稳定性较强。 采用合适的小波基函数进行连续小波变换可减少土壤高光谱数据中的白噪声, 挖掘出土壤光谱数据中的有效信息, 对土壤有害元素砷含量的准确估测提供有力的技术保障。

提出一种借助机器学习算法从信号非完整信息提取待测参量的方法，该方法以只包含信号部分信息的功率谱幅度数据取代包含脉冲幅度和相位全部信息的数据来完成参量提取，克服了复杂光信号相位信息测量困难的问题。通过模拟仿真，验证了使用机器学习算法实现从脉冲演化提取传输介质参量信息的能力以及利用缺失相位信息的脉冲功率谱实现光纤多参量探测的可行性。仿真结果表明，采用适当的机器学习算法，所提方法的均方误差可控制在0.3%以内。

针对浮游植物的总叶绿素a和7种诊断色素（叶绿素b、岩藻黄素、多甲藻素、19-己酰基氧化盐藻黄素、19-丁酰基氧化盐藻黄素、别藻黄素和玉米黄素），基于现场多波段激发荧光光谱数据，通过构建激发荧光光谱特征表征量，利用极限梯度提升（XGBoost）机器学习算法，建立了浮游植物色素浓度的反演模型。验证结果表明，反演模型具有良好的估算精度，其中总叶绿素a的反演模型精度最高（决定系数为0.87，平均绝对相对百分比误差为28.1%，均方根误差为1.168 mg·m^-3）。将建立的色素反演模型应用于东海典型断面处，成功获取了色素浓度的垂向分布特征。

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。