使用高光谱仪ASD Field Spec在波长范围400～1000 nm内采集有机质含量不同的土壤反射光谱数据并作对数变换处理; 之后在不同尺度的微分窗口下求取其一阶导数(一阶导数光谱)并进行小波阈值去噪; 从一阶导数光谱中提取特征参数表征有机质含量变化.结果表明, 微分窗口尺度w=1~5时, 土壤一阶导数光谱中含有大量噪声, 对一阶导数光谱曲线形态和有机质吸收特征的识别造成严重干扰; 微分窗口尺度w=6~15时, 土壤一阶导数光谱中的噪声得到一定程度的去除, 但仍无法准确判别有机质的吸收特征; 微分窗口尺度w=16~30时, 土壤一阶导数光谱中的噪声被有效去除, 其中当w=19时, 从一阶导数光谱中提取的特征参数MD19s与土壤有机质含量的相关系数为-0.803.MD19s能够较为准确地指示有机质含量变化, 而且运算简单, 易于实现, 为在精准农业中采用可见/近红外反射光谱分析技术快速检测土壤有机质提供了新的途径.

分别于返青期、 拔节期、 抽穗期和灌浆期采集不同磷素处理的冬小麦叶片原始高光谱数据; 之后求取其一阶导数(一阶导数光谱)并进行小波去噪处理; 通过分析原始光谱和一阶导数光谱对不同磷素处理水平的响应特征, 确定敏感波长范围并提取四种吸收面积; 将每个叶片磷素含量值对应的四种吸收面积的归一化值, 作为样本空间样本点的位置坐标(4维样本输入矢量), 对应叶片磷素含量的归一化值作为该样本点的目标输出, 二者同时提交给径向基函数神经网络。 结果表明： (1)冬小麦叶片原始光谱对叶片磷素含量变化反应敏感的波长范围为426～435 nm和669～680 nm。 (2)一阶导数光谱的敏感波长范围为481～493 nm和685～696 nm。 (3)训练后的径向基函数神经网络模型能够学习和掌握样本点与目标输出之间的线性/非线性映射关系, 并且具有一定的推广能力。

使用高光谱仪ASD Field Spec在波长范围400～1 000 nm内, 采集有机质含量水平不同的土壤反射光谱数据, 之后求取一阶导数(一阶导数光谱）并进行小波去噪; 通过数值积分计算、 相关分析, 从去噪后的一阶导数光谱中提取吸收面积表征有机质含量变化。 结果显示: (1)土壤一阶导数光谱中含有大量噪声, 致使光谱曲线轮廓和有机质的吸收特征难以识别。 (2)当小波分解层数J=3时, 小波去噪在平滑土壤一阶导数光谱曲线的同时, 较好的保持了曲线上多个敏感波段的光谱响应特征。 (3)从去噪后的一阶导数光谱中提取的吸收面积S(538, 586)与有机质含量的相关系数为－0.876 3, 较好的反映了土壤有机质含量的变化情况, 可以用于土壤有机质含量测算。

使用高光谱仪ASD Field Spec于吐丝期采集不同氮素处理的夏玉米叶片光谱, 并进行对数变换处理; 通过对“绿峰”(450~680nm)和“近红外反射平台”(760~1000nm)谱段光谱数据进行多尺度小波分解, 获取第二层离散近似小波系数向量; 采用主成分分析, 从第二层离散近似小波系数向量中提取特征作为输入参数, 建立对叶片氮素含量的广义回归神经网络估算模型.结果表明: 对数变换显著地增强了“绿峰”和“近红外反射平台”谱段夏玉米叶片光谱对不同氮素处理的响应差异; 从第二层离散近似小波系数向量中提取的小波主成分能够反映夏玉米叶片光谱在不同氮素处理下的整体变化趋势; 以小波主成分作为输入参数的广义回归神经网络能够较为准确地预测夏玉米叶片氮素含量, 并且具有一定的推广能力.