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。

为提供一种高效、 快速和无损的粳稻叶片氮素含量反演方法, 以粳稻小区试验为基础, 利用高光谱技术和室内化学实验, 获取粳稻分蘖期、 拔节期和抽穗期三个生育期共280组叶片高光谱数据以及相对应的水稻叶片氮素含量数据, 分析不同施氮水平的粳稻叶片光谱特征, 采用随机青蛙算法(random_frog)与迭代和保留信息变量算法(IRIV)相结合的方式筛选特征波段, 并将任意两个光谱波段随机组合构建差值植被指数DSI(Ri, Rj)、 比值植被指数RSI(Ri, Rj)和归一化植被指数NDSI(Ri, Rj), 分别将较优的特征波段组合和植被指数组合作为模型输入, 构建BP神经网络、 支持向量机（SVR）和非支配的精英策略遗传算法优化极限学习机（NSGA2-ELM）粳稻叶片氮素含量反演模型, 并对模型进行验证分析。 结果表明: 随着施氮水平的增加, 粳稻叶片近红外波段范围反射率逐渐升高, 在可见光波段范围反射率逐渐降低。 采用random_frog与IRIV相结合的方式筛选特征波段共得到8个特征波段, 其中可见光波段7个, 分别为414.2, 430.9, 439.6, 447.9, 682.7, 685.4和686.3 nm, 近红外波段仅有1个为999.1 nm, 该方法较好地剔除了干扰信息, 大大降低了波段间的共线性。 同时从三种植被指数（DSI(Ri, Rj), RSI(Ri, Rj), NDSI(Ri, Rj)）与粳稻叶片氮素含量的决定系数等势图中可知, DSI(R648.1, R738.1), RSI(R532.8, R677.3)和NDSI(R654.8, R532.9)与叶片氮素含量相关性最好, R2分别为0.811 4, 0.829 7和0.816 9。 在输入参量不同的建模效果对比分析中, 以特征波段组合作为模型输入所构建的模型反演效果略优于植被指数组合, R2均大于0.7, RMSE均小于0.57。 而在反演模型间的对比分析中, 提出的NSGA2-ELM反演模型的估测效果要优于BP神经网络模型和SVR模型, 训练集决定系数R2为0.817 2, 均方根误差RMSE为0.355 5, 验证集R2为0.849 7, RMSE为0.301 1。 鉴于此, random_frog-IRIV筛选特征波段方法结合NSGA2-ELM建模方法在快速检测粳稻叶片氮素含量中具有显著优势, 可为粳稻田间精准施肥提供了参考。

为实现对红枣品种的判别,利用高光谱技术并结合机器学习算法对金丝大枣、骏枣和滩枣这三个品种的新疆红枣进行研究。首先,分别利用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导(1-Der)和Savitzky-Golay(SG)平滑等数据预处理方法对原始光谱进行预处理,研究了预处理方法对建模的影响;然后,利用光谱-理化值共生距离法(SPXY)将样本集划分为校正集和预测集,基于线性判别分析(LDA)、K-最近邻分类(KNN)和支持向量机(SVM)算法对预处理后的全波段光谱建立红枣品种鉴别模型,结果显示,在多种预处理方法中,1-Der的处理效果最好;然后,结合主成分分析(PCA)、连续投影算法(SPA)和竞争性自适应重加权采样(CARS)等特征提取方法对全波段光谱进行特征波段的提取,再基于特征波段建立红枣品种鉴别模型,结果发现,在几种特征提取方法中,基于CARS所提特征波段建立的模型可以获得最高的鉴别准确率;最后,以SVM模型为例对模型运行时间进行了比较,结果发现,基于特征波段所建模型的运行时间远短于基于全波段所建模型的运行时间。

为了探究反射光谱检测水体中毒死蜱农药的可行性, 使用由ASD公司的FieldSpecPro地物波谱仪构成的高光谱采集系统在室内、 室外环境获取两种不同浓度区间的毒死蜱样品的光谱数据。 基于偏最小二乘（PLS）和主成分分析（PCA）算法分别对毒死蜱样品光谱数据建立全波段定量模型, 结果两种模型的预测能力均较高。 通过相关性分析（CA）计算相关系数来选择毒死蜱样品光谱的特征波长, 其中浓度区间为5~75 mg·L-1的室内、 室外实验光谱的特征波长为388, 1 080, 1 276 nm和356, 1 322, 1 693 nm, 浓度区间为0.1~100 mg·L-1的室内外实验样品光谱的特征波长为367, 1 070, 1 276, 1 708 nm和383, 1 081, 1 250, 1 663 nm。 结合PLS算法建立样品特征波长光谱数据的定量模型, 结果与全波段模型相比, 浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波长模型的校正集决定系数R2C分别提高至0.987 5和0.999 2, 预测集决定系数R2P分别提高至0.989 4和0.994 4, 校正集均方根误差RMSEC分别降低为2.841和0.714, 预测集均方根误差RMSEP分别降低为1.715和1.244; 浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波长PLS模型的校正集决定系数R2C分别提高至0.998 3和0.998 8, 预测集决定系数R2P分别提高至0.998 4和0.999 0, 校正集均方根误差RMSEC分别降低为1.383和1.186, 预测集均方根误差RMSEP分别降低为1.510和1.229, 验证集标准差与预测均方根误差的比值（RPD）有所增加, 尤其是针对浓度区间为0.1~100 mg·L-1的实验, RPD值显著增加至21.7, 说明基于特征波长建立的毒死蜱样品定量模型具有较高精度的预测能力, 但是通过不同浓度区间范围的对比实验发现, ASD地物光谱仪对低浓度的毒死蜱溶液预测的相对误差偏大, 存在客观上的检测下限。 为了保证不同试验条件下的毒死蜱农药的特征波长都得到分析, 增强模型使用的普适性与鲁棒性, 根据特征波长选择出4个波段, 即351~393, 1 065~1 086, 1 245~1 281和1 658~1 713 nm作为特征波段。 特征波段模型的波长变量个数共38个, 相比于全波段模型的432个波长变量, 模型变量精简了91.2%, 其中浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波段模型的R2C分别为0.993 7和0.987 8, R2P分别为0.979 8和0.998 2, RMSEC分别为1.690和2.516, RMSEP分别为1.987和0.659; 浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波段PLS模型的R2C分别为0.9882和0.9807, R2P分别为0.9391和0.9936, RMSEC分别为3.345和3.942, RMSEP分别为8.996和2.663, 且四种实验情况下的模型RPD值均大于2.5, 满足定量分析条件。 因此采用高光谱采集系统对室内和室外环境中毒死蜱农药的快速检测具有一定的可行性, 此研究结果对有机磷农药等面源污染物快速检测有实际的应用价值, 可为农田水体有机磷农药快速检测仪器的开发提供理论基础。

为实现油料火灾的及时预警, 对92#汽油燃烧初期火焰光谱特征进行了实验研究, 以探索基于光谱技术的火灾识别和防控。分析了火焰中具有特征谱峰的分子、自由基, 说明了其生成机理, 发现了火焰特征光谱的分布范围, 阐述了不同波段基团光谱强弱的原因, 基于基团光谱强度的变化分析了燃烧过程。结果表明, 可用于燃烧初期识别的分子、自由基及其特征光谱为C2基512.9, 516.5, 547.0 nm谱带, CH基431.4 nm谱带, H2O分子927.7, 933.3 nm谱带; 特征光谱主要位于可见光区和近红外光区, 紫外光区较少; 处于链引发和传递阶段的基团不易产生积累, 光谱强度相对小, 处于链反应分支和中断阶段的基团能够积累, 光谱强度相对大; 分子、自由基的特征光谱强度会随着燃烧的进行而变化, 在燃烧达到稳定期后, 其独特性消失。

高光谱遥感技术是一种有效的监测石油类污染手段, 目前主要应用于海上溢油方面, 而关于土壤石油烃污染的研究较少。 针对土壤石油烃污染研究不足的现状, 选取柴油、 汽油和机油三种石油烃, 开展了石油烃污染紫色土的光谱特征实验研究, 分析了紫色土在不同种类石油烃污染及不同污染浓度条件下的光谱特征, 提取了含有不同种类石油烃的紫色土光谱吸收特征波段。 在此基础上, 经过7种光谱变换和相关性分析, 筛选出与石油烃含量最敏感的光谱变量, 分别采用单变量回归法和多元逐步线性回归法建立了估算模型, 并对模型进行了验证。 研究表明: 含有柴油、 机油和汽油的光谱在1 200, 1 700和2 300 nm附近均出现了吸收特征, 光谱吸收深度表现为: 机油>汽油>柴油; 多元逐步线性回归法优于单变量回归法, 其建立的柴油、 机油和汽油的估算模型决定系数均大于0.95, 校正均方根误差小于0.47, 验证均方根误差小于0.56, 估算精度较高。

光谱特征波段的选取是植被高光谱分类识别的重要基础之一。利用鄱阳湖5种典型植被的实测高光谱数据, 在对数据进行预处理和分析的基础上, 提出了一种基于均值极差阈值法的光谱特征波段选择方法, 并利用马式距离-光谱角法对不同植被种类进行识别。结果表明：所提方法有效提取了植被间的光谱特征波段, 分别为1111~1132 nm、1466~1522 nm和1577~1750 nm, 三个波段全部位于红外区域; 在光谱特征波段范围内, 利用马氏距离-光谱角法可对不同植被类型进行有效识别, 其中南荻的光谱分类精度最高, 灰化薹草的光谱分类精度最低, 为84%, 总体分类精度为91%, 分类效果较好。