高光谱分析能够高效的估算土壤有机碳含量, 连续小波变换(CWT), 在高光谱数据的噪声去除和有效信息提取方面具有独特优势, 但是经过连续小波变换后的光谱数据被分解为多个尺度, 单一分解尺度信息不能代表不同分解尺度信息, 如何充分利用多分解尺度的小波系数, 成为高光谱估算土壤有机碳含量的难题。 博斯腾湖是我国最大的内陆淡水湖, 湖滨绿洲作为重要的水陆交错带, 具有独特的空间结构和时间结构, 在维持和恢复湖泊生态系统健康方面发挥着重要作用。 以博斯腾湖湖滨绿洲为研究区, 于2020年10月采集138份深度为0~20 cm表层土壤样本, 剔除3个异常值样品, 得到135个有效样品, 室外采集土壤样本光谱, 并通过重铬酸钾－外加热法测定土壤有机碳含量; 将土壤样本的光谱反射率进行Savitzky-Golay平滑滤波处理, 以Gaussian4为小波基函数进行连续小波变换, 将土壤高光谱数据转换为10个分解尺度的小波系数。 利用相关性分析法(CC)、 稳定自适应重加权采样(sCARS)、 竞争自适应重加权采样(CARS)、 连续投影算法(SPA)、 遗传算法(GA)等5种特种波段筛选方法进一步降低噪音, 消除冗余信息, 逐尺度计算小波系数的均方根作为小波能量特征(EF), 将10个尺度的小波能量特征组成小波能量特征向量(EFV), 基于小波能量特征向量建立BP神经网络模型(BPNN)。 结果表明, 连续小波变换可以有效提高光谱反射率与土壤有机碳含量间的相关性, 1~3分解尺度相关性较差, 4~10分解尺度的相关性较好, 相关系数平均值提升43.66%, 相关系数最大值平均提升67.93%。 CC算法筛选的特征波段主要分布于在400~1 500 nm可见光及近红外短波; sCARS、 CARS算法筛选的特征波段集中于1 500~2 500 nm近红外长波; SPA算法筛选的特征波段集中于760~2 500 nm近红外波段; GA算法得到的特征波段基本均匀分布于400~2 500 nm。 高光谱小波能量特征向量EFV可以较好估算湖滨绿洲表层土壤有机碳含量, 6种模型的训练集与验证集R2平均值分别为0.73、 0.74, RMSE平均值分别为7.64、 7.28, RPD平均值为1.95。 模型精度表现为, CC-EFV-BPNN＞sCARS-EFV-BPNN＞Full-spectrum-EFV-BPNN＞CARS-EFV-BPNN＞GA-EFV-BPNN＞SPA-EFV-BPNN。 连续小波变换结合特征变量筛选方法, 提取小波能量特征向量EFV, 有效降低光谱数据维度与高光谱小波能量特征向量模型复杂度, 对于快速估算表层土壤有机碳含量具有重要参考价值。

稻米霉变会引起营养物质流失, 同时产生有毒物质, 不仅降低其自身品质, 还会感染其他正常稻米。 为减少霉变引起的稻米损耗, 需及时分离霉变稻米。 高光谱技术具有快速、 无损的特点, 因此, 尝试利用高光谱技术对稻米霉变情况进行检测。 发芽稻米与发霉稻米具有相似的光谱特征, 易被误判为发霉稻米, 影响后续稻米霉变程度的检测, 因此, 提出利用高光谱技术结合多种预处理及判别模型区分发芽稻米与发霉稻米, 并对不同霉变程度的稻米进行判别。 将正常、 发芽、 发霉和发芽发霉的稻米样本建立模型进行区分检测, 并对轻度、 中度、 重度和完全发霉的稻米样本进行判别。 利用高光谱采集仪器对正常、 发芽、 发霉和发霉发芽的稻米样本进行光谱图像采集, 提取采集图像感兴趣区域（ROI）的光谱, 以ROI内光谱的平均反射率作为稻米样本的光谱特征。 对提取的光谱数据进行SNV、 Normalize和MSC等预处理; 利用KS算法将样本以1∶3的比例均匀地划分为用于验证模型效果的预测集和建立光谱与样本关系的建模集; 分别建立PLSR、 SVM和RF模型, 以3种模型的预测集正确率评价各模型预测效果, 挑选出效果最优的判别模型。 在正常、 发芽、 发霉和发芽发霉稻米的检测中, 得到最优的判别模型为基线校正法预处理后的随机森林（Baseline-RF）模型, Baseline-RF模型的预测集判别准确率为100%; 在稻米霉变程度的检测中, 通过对不同模型的预测结果进行比较得出, SNV-RF模型的预测集中未出现误判样本, 表现出最优的判别效果。 为简化模型, 在冗长的原始光谱中提取特征波长, 以特征波长光谱建立SNV-RF模型, 结果显示利用CARS算法挑选后的特征波长具有较好的判别能力, 整体的判别准确率为97.5%。 实验结果显示高光谱技术结合CARS-SNV-RF模型能够快速准确地判别稻米的霉变程度, 为霉变稻米的快速判别提供一定的理论基础和实验参考, 对提高稻米品质、 减少稻米浪费具有重要意义。

为探究典型地物间光谱特征差异以及针对传统光谱分类方法预处理复杂、精度较低等问题，以大豆、玉米、水稻和裸土4类地物为例，充分挖掘变量在分类中的重要性，进行深度学习方法与传统方法的对比分析与验证。首先利用连续投影算法（SPA）进行基础波段筛选，对比分析在原始光谱、特征波段以及部分特征波段条件下一维卷积神经网络（1DCNN）和长短时记忆人工神经网络（LSTM）两种深度学习模型的分类精度，探究特征波段对原始光谱的信息承载能力；然后针对错分问题，采用进阶式波段筛选方法，在基础变量组合条件下，对各类地物错分样本进行再次训练，如此循环，直到分类精度无明显增加，研究错分样本的光谱特征及错分规律；最后比较不同方法的分类精度。研究结果表明：基础波段筛选可以剔除光谱数据中大量的冗余信息，简化网络结构，提高模型效率；进阶式波段筛选方法可以递进增补针对错分样本的有效光谱信息，对提高传统方法的分类精度具有较大意义；在不经过光谱变换等预处理步骤时，深度学习方法也能取得较高的分类精度，明显优于传统方法，但训练过程较为复杂，可解释性较差。

利用近红外光谱对核桃露中的重要指标脂肪含量进行定量分析, 同时进行建模变量优化、 建模方法比较以优选最佳模型。 为消除散射对光谱造成的影响, 采用标准正态变换(SNV)方法对数据进行预处理, 采用遗传算法(GA)结合向后间隔偏最小二乘法(BiPLS)优选的特征波长分别作为偏最小二乘法(PLS)及最小二乘支持向量机(LS-SVM)的输入变量, 建立核桃露中脂肪含量的近红外定量模型, 采用决定系数(R2)、 预测标准偏差(RMSEP)以及性能偏差比(RPD)对各模型进行评价, 探究光谱波段选择方法对于核桃露中脂肪指标模型构建的影响, 同时确定最佳建模方法。 结果表明: 进行变量筛选能够对模型起到优化作用, BiPLS及GA-BiPLS方法分别选择了150及30个变量点, 占全光谱的10%及2%, 对应了核桃露样品中脂肪成分的特征吸收峰, 使得PLS模型的RMSEP值从0.049分别下降到0.043和0.040, 同时模型的相关系数R2从0.964提高到0.973及0.974, 性能偏差比RPD从4.88增长到5.62及6.00, 主成分数也有不同程度的减少, 降低模型复杂程度的同时提高了模型准确性。 相比于PLS模型, 核桃露脂肪指标的LS-SVM模型的R2, RMSEP及RPD值均表现出了更好的效果, 分别达到0.986, 0.036及6.52。 说明基于最小二乘支持向量机建立的分析模型有较高的准确度及稳定性, 可能是由于PLS作为一种经典的线性建模方法, 在建立模型的过程中忽略了样品数据集中的非线性因素, 而核桃露样品光谱测量过程中噪声、 背景等因素的干扰, 以及各指标成分间的相互影响, 使得脂肪含量与近红外光谱信息间存在复杂非线性的变化关系, LS-SVM方法能够更为有效地对其进行描述, 增强了光谱变量与指标浓度间的相关性, 使得建立的模型有着更好的准确度以及普适性, 说明了在实际生产中, LS-SVM方法具备优良的可行性, 体现了其在核桃露饮品品质分析方面的巨大潜力。 基于最小二乘支持向量机方法所建立的核桃露脂肪含量的定量分析模型, 具有准确、 稳定的特点, 能够为核桃露生产的质量监控提供技术借鉴, 同时为饮品品质的分析方法研究提供了新的思路。

乙醇柴油作为清洁燃料是柴油很好的替代品, 不同乙醇含量的乙醇柴油其粘度有差别, 而乙醇的含量直接影响着柴油机燃烧性能。 所以急需一种方法实现快速对乙醇柴油主要指标在线监测。 对采集到的不同浓度的乙醇柴油的原始拉曼光谱数据使用Savitzkv-Golay平滑(S-G)、 多元散射校正(MSC)、 微分处理(1stD和2ndD)、 标准正态变量校正(SNV)等四种方法以及他们的组合方法对光谱数据进行预处理后, 分别建立了乙醇柴油密度、 粘度和乙醇含量的偏最小二乘回归(PLSR)模型, 比较不同的预处理方法发现, 乙醇含量和粘度在S-G+2ndD预处理后所建立的PLSR模型效果最好, 预测集Rp分别为0.930和0.918, RMSEP分别为1.237和0.034； S-G+1stD预处理后所建立的乙醇柴油密度PLSR模型结果最优, 预测集Rp最大, 为0.962, RMSEP最小, 为0.14×10-2。 将经过S-G+2ndD预处理后的光谱数据选用递归偏最小二乘算法(RPLS)、 无信息变量消除(UVE)、 正自适应加权算法(CRES)、 连续投影算法(SPA)四种变量筛选方法以及将它们组合筛选得到的波长变量分别作为输入变量建立了PLSR模型, 在使用SPA-CARS波长筛选方法所建立的乙醇柴油乙醇含量的预测模型效果最优, 其预测集的Rp, RMSEP分别为0.978 1和0.825 5。 结果表明使用该方法可以很好的对乙醇柴油的密度、 粘度以及乙醇含量等主要指标进行预测。

为了提高白酒酒醅主要成分的快速检测技术水平, 利用近红外光谱法对白酒酒醅中的水份、 淀粉、 酸度和酒精度进行定量分析, 通过PLS建立酒醅成分定量分析模型, 同时采用CARS、 间隔偏最小二乘变量选择法(iPLS)和无信息变量消除法(UVE), 实现光谱特征波段选择, 并利用多元散射校正(MSC)、 导数以及标准正态变量变换(SNV)等预处理方法进行模型优化。 用决定系数(R2)、 预测标准偏差(RMSEP)以及最佳主因子数对模型进行评价, 确定最佳建模方法。 结果表明: 波段筛选能够对模型起到优化作用, 并提高模型运算速度, 其中CARS优化效果最为明显, 酒醅水份、 淀粉、 酸度和酒精度的R2分别达到0.885, 0.915, 0.951, 0.954; RMSEP分别为0.630, 0.519, 0.228, 0.234, 有效地提高了模型的稳定性与准确度。 经过优化, 所建模型预测效果好, 能够满足白酒酒醅主要成分的快速检测要求, 在实际应用中有一定的参考价值。