在格雷编码布里渊光时域分析(BOTDA)传感器中,采用随机扰偏技术,不仅会在消除强偏振牵引效应时引起传感信号信噪比恶化,同时也会引入较强的偏振随机噪声(PRN)而降低传感信号的测量准确度。通过仿真分析和实验研究,证实了偏振随机噪声对传感信号的影响,并基于布里渊相移谱抑制了偏振随机噪声,实验结果表明该方法可使传感准确度提高3倍。

土壤有机质是农田肥力评估的重要指标, 要实现快速获取大面积土壤有机质的含量需要建立高效、 稳健的预测模型。 光谱技术能够快速诊断土壤有机质, 以水稻土为例, 从校正样本选择方法的对比, 研究了可见-近红外、 中红外和可见-近红外-中红外三种不同波段光谱对土壤有机质的预测能力。 可见-近红外和中红外区域的光谱反射率转换成吸收率后通过Savitzky-Golay平滑法去噪, 通过三种校正样本选择方法建立相应的偏最小二乘回归预测模型。 通过Rank-KS法建立的三种波段的有机质预测模型均优于Rank法和KS法, 中红外波段光谱的模型预测能力强于可见-近红外和可见-近红外-中红外波段的预测模型, 基于Rank-KS法建立的中红外波段有机质预测模型取得了最好的预测效果, RMSEP仅为3.25 g·kg-1, RPD达到4.24, 依据VIP得分筛选出可见-近红外和中红外波段的水稻土有机质重要建模波段。 因此, 中红外光谱建模技术能够对水稻土有机质进行快速定量分析, Rank-KS法可提高模型的预测能力, 为今后农田肥力评价和科学施肥提供技术支持。

可见/近红外高光谱技术与建模方法是当前土壤近地传感器研究领域的重要方向, 可应用于土壤养分信息的快速获取和农田作物的精确施肥管理。 以浙江省水稻土为研究对象, 利用以非线性模型为核心的数据挖掘技术, 包括随机森林、 支持向量机、 人工神经网络等方法分别建立了不同建模集和验证集的原始光谱与有机质含量的估测模型。 结果表明: 研究比较的1∶1, 3∶1和全部样本建模并全部验证的三种样本模式划分对建模的结果有一定的影响。 相较于目前常用的偏最小二乘回归(PLSR)建模方法而言, 非线性模型RF和SVM也取得了较好的建模精度, 三种模式下其RDP值均大于1.4。 特别是采用SVM建模方法所得模型具有很好的预测能力, 模式二下其RDP值达到2.16。 同时引入ANN方法改进建立的PLSR-ANN方法显著提高了PLSR的模型预测能力。