绝缘子运行状态的评估关乎到输电工程的安全运行。紫外成像技术提供了一种绝缘子评估的量化手段, 为此, 提出了一种基于改进自适应神经模糊推理系统(adaptive neuro-fuzzy inference system, ANFIS)的绝缘子紫外光斑评估方法。首先, 搭建了绝缘子污秽放电测试平台, 开展了不同测试距离和增益下的绝缘子放电强度研究。其次, 将增益以及紫外光斑面积作为训练数据, 建立了基于贝叶斯推理的 ANFIS模型。最后, 进行了现场验证测试。结果表明, 该方法具有良好的预测精度和测试效率, 适用于绝缘子紫外成像量化评估, 为绝缘子运行状态的评估提供了技术支撑。

重金属污染农作物后可通过食物链进入人体从而严重危害身体健康。 如何快速准确地监测农作物中重金属含量已成为当今生态与粮食安全等领域的重要研究内容。 常规的生化监测方法存在操作繁琐、 过程长、 具有破坏性等缺点, 而高光谱遥感具有光谱分辨率高、 信息量大、 生化反演能力强、 方便快捷、 对监测对象无损伤等优势, 因此利用高光谱遥感技术监测农作物中重金属含量已成为遥感领域的热点研究之一。 以不同浓度Pb(NO3)2溶液胁迫下盆栽玉米植株为研究对象, 基于不同铅离子(Pb2+)胁迫梯度下玉米叶片的反射光谱及其中Pb2+含量的测定数据, 结合奇异值分解(SVD)理论和自适应模糊神经网络推理系统(ANFIS)结构, 建立了一种Pb2+含量预测的SVD-ANFIS模型。 首先对各胁迫梯度下玉米的老叶(O)、 中叶(M)、 新叶(N)三种叶片的反射光谱数据进行SVD处理, 获取原始光谱信息的奇异值; 然后选择O, M和N叶片对应的奇异值来寻求ANFIS结构的最佳输入组合, 最终选定O-M（双输入）组合作为ANFIS结构的输入量, 通过训练和学习获得最优模糊规则库后, ANFIS结构的输出量即为叶片中Pb2+含量, 从而实现了SVD-ANFIS模型的预测性能。 研究结果表明, 该模型的输出误差值较小, 精度较高, 在模糊训练过程中隶属函数选为钟型函数时预测效果最佳。 利用多参数的反向传播(BP)神经网络预测模型对SVD-ANFIS模型的预测优越性进行验证时, 得到BP模型和SVD-ANFIS模型的决定系数(R2)分别为0.977 6和0.988 7, 均方根误差(RMSE)分别为2.455 9和0.601 3, 可见SVD-ANFIS模型的拟合度更高, 预测效果更好。 同时选取不同年份的Pb污染玉米叶片等光谱数据对SVD-ANFIS模型进行可行性检验, 其R2和RMSE分别为0.986 4和0.887 4, 说明SVD-ANFIS模型能较好的用于玉米叶片中Pb2+含量预测且具有较高的鲁棒性, 可作为预测玉米叶片中重金属含量的一种方法。

利用ASD便携式野外光谱仪和SPAD-502叶绿素计实测了落叶阔叶树法国梧桐、 毛白杨叶片的高光谱反射率与叶片绿度, 建立了10个常见植被指数叶绿素含量估算模型, 并采用相关系数较大波段作为BP人工神经网络模型(ANN-BP)的输入变量进行了叶绿素含量的估算, 将自适应神经模糊推理系统(ANFIS)应用到植被叶绿素含量高光谱反演中。 结果表明： 10个常见植被指数中归一化植被指数可以较为精确反演叶绿素含量, 法国梧桐、 毛白杨归一化植被指数回归模型确定性系数R2分别为0.795 7和0.754 6, 法国梧桐、 毛白杨ANN-BP预测值与实测值之间的线性回归的确定性系数R2分别为0.935 2和0.917 1, ANFIS可以大大提高反演精度, 法国梧桐、 毛白杨预测值与实测值之间的线性回归的确定性系数R2分别为0.999 8和0.995 6, 是一种良好的植被叶绿素含量高光谱反演模式。