机载激光雷达(LiDAR)扫描被测地形获得激光点云, 进而重建被测地形的三维图像。机载激光雷达测量过程中, 机载平台姿态角时刻发生波动, 其对激光点云密度分布及重建三维成像精度具有显著影响。为消除姿态角波动对激光雷达测量的不利影响, 设计了一套姿态角补偿装置, 包括机械结构设计和控制系统设计; 并搭建了半物理仿真实验系统, 编制了总控制软件使各子设备之间时间同步控制及数据采集, 实现了对机载激光雷达工作原理及姿态角补偿原理的实验仿真和补偿效果验证, 补偿后DSM高程精度的RMSE误差由3.50 mm以上减小到3.28 mm。实验结果表明, 搭建的半物理仿真实验系统可正确模拟机载激光雷达的工作过程, 设计的姿态角补偿样机对机载激光雷达点云产品质量有显著的补偿效果。

土壤组分光谱估算过程中校正样本集的构建会影响模型的预测精度。 当前结合反射光谱和Kennard-Stone (KS)算法的校正样本集构建策略忽视了土壤反射光谱是土壤属性的综合反映, 构建的样本集通常无法很好地代表目标土壤组分的变异。 光谱变换方法可以突出目标组分的光谱特征, 为此, 本文以湖北省江汉平原滨湖地区水稻土为研究对象, 结合包括一阶微分(FD)、 Savitzky-Golay(SG)、 Haar小波变换、 标准正态变量变换(SNV)和多元散射校正(MSC)在内的光谱变换方法和KS算法进行校正样本集建构, 通过对比不同样本集构建策略对使用偏最小二乘回归(PLSR)建立的土壤全氮含量光谱估算模型预测精度的影响, 研究光谱变换是否有助于提高基于KS算法构建的校正样本集的代表性。 结果表明: 不同光谱变换会影响校正样本集的构建。 反射光谱经过SG或Haar小波变换后, 再使用KS算法构建校正样本集与直接基于反射光谱使用KS算法构建的校正样本集相同, 建立的估算模型精度不变, 相对分析误差(RPD)分别为141和127。 结合FD, SNV或MSC变换和KS算法构建的校正集与基于反射光谱使用KS算法构建的校正集不同, 建立的估算模型RPD分别从095, 148和142提高到113、 178和220。 研究表明SNV和MSC等光谱变换方法可以提高基于KS算法构建的校正样本集的代表性, 并可有效提高模型预测精度。

提出一种偏最小二乘法（PLS）和人工神经网络（ANN）结合用于近红外光谱（NIRS）的分析方法， 以提高奶粉蛋白质模型的预测精度。 首先采用基于遗传算法的波长选择法（RS-GA）优化光谱数据， 建立GA-PLS模型预测奶粉蛋白线性部分； 然后在RS-GA法选择的波段上进行主成分分析（PCA）， 以主成分的得分矩阵作为ANN模型输入层， 以GA-PLS预测值与真实值之差作为输出层， 建立PC-ANN模型预测其非线性部分。 最终预测结果为两个模型预测值之和， 以模型的预测标准偏差（RMSEP）作为评价指标， 以便考察新方法的有效性。 同时建立线性的全谱模型（Fr-PLS）， 其Fr-PLS、 GA-PLS和GA-PLS+PC-ANN模型的RMSEP分别为0.511， 0.440和0.235。 结果表明： 考虑奶粉蛋白含量近红外模型的非线性部分， 可以显著提高模型的预测精度， 该方法也可为其它复杂体系模型精度的提高提供借鉴。