新疆师范大学地理科学与旅游学院, 新疆 乌鲁木齐 830054新疆维吾尔自治区重点实验室“新疆干旱区湖泊环境与资源实验室”, 新疆 乌鲁木齐 830054
高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。 旨在寻求特征波段筛选的最佳算法, 以实现土壤重金属铅含量的准确监测, 为土壤污染防治提供参考。 以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源, 利用蒙特卡洛交叉验证（MCCV）算法确定92个有效土壤样品, 通过相关分析选取倒数对数一阶微分变换处理的光谱数据, 采用随机蛙跳（RF）算法, 并结合竞争性自适应重加权（CARS）算法、 迭代保留有效信息变量（IRIV）算法及连续投影算法（SPA）, 构建RF-CARS、 RF-IRIV及RF-SPA三种算法对波段进行筛选。 以倒数对数一阶微分变换处理下的特征波段反射率为自变量, 土壤重金属铅含量为因变量, 采用极端梯度提升（XGBoost）和地理加权回归（GWR）方法构建土壤重金属铅含量估测模型。 结果表明: （1）光谱变换处理可有效增强光谱与土壤铅含量的敏感性, 其中倒数对数一阶微分变换后的土壤光谱特征更为明显, 相关系数可达到0.620（p＜0.001）。 （2）RF-CARS、 RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、 9和7个特征波段, 全部位于近红外光谱区域, 3种算法具有较强的特征提取能力, 极大减少光谱数据中的冗余信息。 （3）基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型, 说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。 此外, GWR模型的性能优于XGBoost模型, 构建的RF-IRIV-GWR模型具有较好的预测能力, 可作为研究区土壤铅含量的最优估测模型, 其验证集的决定系数（R2）为0.892, 均方根误差（RMSE）为0.825 mg·kg-1, 相对分析误差（RPD）为3.09。 基于随机蛙跳（RF）与迭代保留有效信息变量（IRIV）算法, 结合地理加权回归（GWR）建模方法在快速准确估测土壤铅含量方面具有一定优势, 可进行土壤重金属污染的动态监测。
特征波段 随机蛙跳算法 竞争性自适应重加权算法 迭代保留有效信息变量算法 连续投影算法 极端梯度提升 地理加权回归 土壤铅 Feature band Random frog algorithm Competitive adaptive reweighted sampling algorithm Iteratively retaining informative variables algori Successive projections algorithm Extreme gradient boosting Geographically weighted regression Soil lead 光谱学与光谱分析
2023, 43(10): 3302
沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110161
利用光谱信息快速、 无损和准确的检测水稻冠层叶片叶绿素含量, 对水稻的长势评估、 精准施肥、 科学管理都具有非常重要的现实意义。 以东北粳稻为研究对象, 以小区试验为基础, 获取关键生长期的水稻冠层高光谱数据。 首先采用标准正态变量校正法(SNV)对光谱数据进行预处理, 针对处理后光谱数据, 以随机蛙跳(RF)算法为基础, 结合相关系数分析法(CC)和续投影算法(SPA), 提出一种融合两种初选波段的改进型随机蛙跳算法(fpb-RF)筛选叶绿素含量的特征波段, 并分别与标准RF, CC 和SPA方法进行对比。 以提取的特征波段作为输入, 结合线性模型和非线性模型各自优势, 提出一种高斯过程回归(GPR)补偿偏最小二乘(PLSR)的叶绿素含量混合预测模型(GPR-P): 利用PLSR法对水稻叶绿素含量初步预测, 得到叶绿素含量的线性趋势, 然后利用具有较好非线性逼近能力的GPR对PLSR模型偏差进行预测, 两者叠加得到最终预测值。 为了验证所提方法优越性, 以不同方法提取的特征波段作为输入, 分别建立PLSR、 最小二乘支持向量机(LSSVM)、 BP神经网络预测模型。 结果表明: 相同预测模型条件下, 改进fpb-RF算法提取特征波段作为输入可较好的降低模型复杂性、 提高模型预测性能, 各模型测试集的决定系数($R^{2}_{p}$)和训练集的决定系数($R^{2}_{c}$)均高于0.704 7。 另外, 在各算法提取特征波段进行建模时, GPR-P模型的$R^{2}_{c}$和$R^{2}_{p}$均高于0.755 3, 其中, 采用fpb-RF方法提取的特征波段作为输入建立的GPR-P模型预测精度最高, $R^{2}_{c}$和$R^{2}_{p}$分别为 0.781 5和0.779 6, RMSEC和RMSEP分别为0.904 1和0.928 3 mg·L-1, 可为东北粳稻叶绿素含量的检测与评估提供有价值的参考和借鉴作用。
水稻 叶绿素含量 光谱分析 特征波段提取 fpb-RF算法 混合预测模型 Rice Chlorophyll content Spectral analysis Feature band selection The fpb-RF algorithm Hybrid prediction model 光谱学与光谱分析
2021, 41(8): 2556
1 山西农业大学农业工程学院, 山西 晋中 030801
2 山西农业大学食品科学与工程学院, 山西 晋中 030801
花椰菜在生长过程中容易感染灰霉病而导致产量减少, 现有的分选方法难以在早期检测到感染灰霉病的花椰菜。 应用近红外光谱技术实现花椰菜灰霉病的早期判别检测, 对花椰菜病害防治意义重大。 以接种灰霉菌孢的花椰菜为研究对象, 首先, 采集对照组和处理组花椰菜的近红外光谱曲线并进行去噪处理, 获取4个批次共608个样本(接菌0.5, 1, 2和3 d每日的健康和染病花椰菜各76朵)在500~2 400 nm波段范围内的光谱曲线。 同时测量花椰菜样本的多酚氧化酶(polyphenol oxidase, PPO)、 过氧化物酶(peroxidase, POD)与丙二醛(malondialdehyde, MDA)的活性值, 采用单因素方差分析(analysis of variance, ANOVA)对单一批次的健康和染病花椰菜品质指标进行统计分析。 然后, 采用K-S算法(Kennard-Stone)将单天的样本划分为校正集(114个样本)与预测集(38个样本), 使用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)进行4个批次的花椰菜样本的光谱数据特征波段提取, 并基于偏最小二乘回归(partial least square regression, PLSR)算法建立单一批次判别模型和组合批次判别模型。 结果表明: 在接菌早期, 用肉眼无法实现染病花椰菜样本的识别, 仅在染病第3 d后部分染病样本病害特征明显时可实现判别。 测定对照组和处理组花椰菜品质指标后发现: 染病2 d后, 对照组和染病组样本的所有品质指标均存在显著性差异(p<0.05), 但在第0.5 d时各项指标均无显著性差异, 仅在第1 d时MDA值出现显著性差异, 说明从品质指标上无法判别早期染病花椰菜。 建立单一批次下的PLSR判别模型后表明: 第一批次样本(0.5 d)所建模型的判别准确率达到了94.74%, 预测集均方根误差为0.835, 第二至第四批次(接菌1~3 d)所建判别模型准确率达到100%, 表明PLSR模型可以实现单一批次下早期染病花椰菜样本的检测; PLSR组合判别模型在第0.5 d和第1 d判别准确率分别达到了92.11%与97.37%, 可以判别出大部分的患病花椰菜, 但是PLSR组合批次建模效果低于PLSR单一批次建模。 结果表明, 基于近红外光谱技术, 通过CARS算法提取特征波段结合PLSR模型的建立, 可以在早期检测出感染灰霉病的花椰菜, 为花椰菜灰霉病的早期检测提供参考, 具有一定的实际应用价值。
花椰菜 灰霉病 早期检测 近红外光谱 特征波段 Cauliflower Gray mold Early detection Near-infrared spectroscopy Feature band 光谱学与光谱分析
2021, 41(8): 2543
1 中南大学有色金属成矿预测与地质环境监测教育部重点实验室, 地球科学与信息物理学院, 湖南 长沙 410083
2 中南大学地球科学与信息物理学院, 湖南 长沙 410083
目前土壤重金属Pb的高光谱反演实验样本多源于研究区采样, 忽略了自然样本中复杂组分的光谱混杂问题, 所建立的模型精度偏低, 重金属光谱响应机理解释仍不明确。 基于此, 选取湖南省某铅锌矿区采集相对清洁背景土壤, 运用控制变量方法, 制作Pb类标准化样品40个, 同时采集矿区86个自然污染样本。 首先利用类标准化样品建立偏最小二乘回归(PLSR)定量反演模型, 提取Pb光谱反射特征波段, 然后基于特征波段进行矿区自然污染样本土壤Pb定量回归建模, 对比全波段建模结果, 验证特征波段的有效性。 实验结果表明: (1)在背景土壤性质稳定的前提下, 制作的类标准化样品具有总体一致的光谱形态, 同时Pb含量作为引起反射率变化的唯一驱动因子证实了土壤中重金属Pb光谱响应信号的存在； (2)相较于自然样本光谱反演结果, 类标准化样品能显著提升土壤Pb含量模型估算能力, 决定系数(R2p)为0.85, 相对分析误差(RPD)2.30, 有效排除其他组分对于光谱建模的干扰, 模型性能良好； 使用变量重要性投影指标(VIP)与PLSR系数提取的类标准化样品特征波段集中在970～1 000, 1 700～2 080和2 220～2 400 nm区间； (3)与全波段建模对比, 基于特征波段的矿区自然污染样本的PLSR建模结果, R2p由0.32提升至0.55, RPD由1.20提升至1.44, 表明特征波段能够较好表征Pb的响应信号, 波段提取有助于过滤噪声, 减少数据冗余同时提高模型反演精度。 提出的基于类标准化样品特征波段反演自然土壤样本Pb含量, 有效解决自然样本成分复杂, 重金属光谱信号微弱的问题, 丰富了土壤重金属遥感监测理论与应用实例。
类标准化样品 土壤重金属 特征波段 偏最小二乘回归 Near standard samples Soil heavy metal Pb Pb Feature band VIP VIP PLSR 光谱学与光谱分析
2020, 40(7): 2182
1 煤炭资源与安全开采国家重点实验室, 中国矿业大学（北京）, 北京 100083
2 北京师范大学地理科学学部, 北京 100875
我国农田重金属污染形势不容乐观。 土壤中的重金属被作物根系吸收后会影响作物正常的生长发育, 降低农产品质量, 进而通过食物链进入人体, 危害人体健康。 高光谱遥感为实时动态高效监测作物重金属污染提供了可能。 设置不同浓度Cu2+胁迫梯度的玉米盆栽实验, 并采集苗期、 拔节期和穗期玉米老、 中、 新叶片光谱数据, 测定不同生长时期叶片叶绿素含量、 叶片Cu2+含量。 基于所获取的光谱数据、 叶绿素含量和叶片Cu2+含量, 结合相关分析法、 最佳指数法（OIF）和偏最小二乘法（PLS）构建OIF-PLS法提取含有Cu2+污染信息的特征波段。 首先依据苗期、 拔节期和穗期叶片叶绿素含量及穗期叶片Cu2+含量与相应叶片光谱的相关系数初步筛选特征波段； 然后, 从中选取三个波段计算最佳指数因子, 并以该三个波段为自变量, 对玉米叶片Cu2+含量进行偏最小二乘回归分析, 计算均方根误差； 最后根据最佳指数因子最大、 均方根误差最小的原则选取最佳特征波段。 基于OIF-PLS法所选取的特征波段构造植被指数OIFPLSI监测重金属铜污染, 并与常规的红边归一化植被指数（NDVI705）、 改进红边比值植被指数（mSR705）、 红边植被胁迫指数（RVSI）和光化学指数（PRI）监测结果做比较, 验证OIFPLSI的有效性和优越性。 另外利用在相同的实验方法下获取的不同年份的数据对OIFPLSI进行检验, 验证OIFPLSI的适用性和稳定性。 实验结果表明, 基于OIF-PLS法提取的特征波段（542, 701和712 nm）比基于OIF法提取的特征波段（602, 711和712 nm）能更好地反映Cu2+污染信息； 植被指数OIFPLSI与叶片Cu2+含量显著正相关, 相关性优于NDVI705, mSR705, RVSI和PRI； OIFPLSI与叶片叶绿素含量显著负相关, 与土壤中Cu2+含量显著正相关； 不同生长时期OIFPLSI与土壤中Cu2+含量的相关性高低依次为拔节期、 穗期、 苗期。 基于不同年份数据验证结果表明, OIFPLSI与叶片Cu2+含量显著正相关, OIFPLSI具有较强的稳定性。 基于OIF-PLS法所提取的特征波段构建的OIFPLSI能够较好地诊断分析玉米叶片铜污染水平, 可为作物重金属污染监测提供一定的技术参考。
重金属污染 光谱分析 特征波段 植被指数 农作物 Heavy metal pollution Spectral analysis Feature band Vegetation index Crop
桂林理工大学环境科学与工程学院, 广西 桂林 541006
在室内条件下提取了苯乙烯在不同土壤中的光谱诊断波段及其范围,并以其作为土壤中苯乙烯识别及其含量预测的依据。采用微分处理法与光谱数据转换法对土壤光谱反射率进行处理,以增大样品之间的光谱变化差异,并采用多元线性回归(SMLR)、偏最小二乘回归(PLSR)和支持向量机(SVMR)方法建模以预测不同土壤中的苯乙烯含量。结果表明,受苯乙烯污染的不同土壤的光谱特征分别位于1800,2200,2400 nm附近;受自身理化性质及苯乙烯含量影响,土壤光谱反射率的降速先增大后减小,直至苯乙烯在土壤中饱和,反射率变化趋于稳定。PLSR模型对土壤中苯乙烯含量的预测效果最优,SMLR模型次之,SVMR模型较差。PLSR模型的决定系数为0.982~0.998,模型稳定性强,其校正标准差与预测标准差的差值为0.004~0.016,模型预测精度高。
光谱学 红外光谱 苯乙烯 土壤 特征波段 预测模型
陇东学院 电气工程学院, 甘肃 庆阳 745000
利用液晶可调谐滤波器(LCTF)和CMOS相机组合的多光谱成像系统,在波长400~720 nm内以5 nm为间隔对莲花白叶片进行多光谱成像。首先根据图像亮度信息法的原理,计算得到各波段莲花白叶片的可识别度;然后对莲花白叶片的可识别度进行大小排序,综合图像的信息特征和可识别度,得出555 nm、715 nm、710 nm、575 nm、535 nm、520nm、720 nm、605 nm和650 nm 9个波段有较好的识别度;最后根据欧氏距离法和光谱角度匹配法分别对莲花白叶片的特征波段的分类精度予以统计,得到两种方法的分类精度分别为95.56%和93.13%。实验证明,选取的9个波段对莲花白叶片具有较好的分类精度,可作为莲花白叶片的特征波段。
特征波段 多光谱成像 莲花白叶片 分类精度 feature band multi-spectral imaging cabbage leaves classification accuracy
1 遥感科学国家重点实验室, 中国科学院遥感与数字地球研究所, 北京 100101
2 中国国土资源航空物探遥感中心, 北京 100083
3 中国科学院大学, 北京 100049
目前, 高光谱数据精细分类面临两方面问题: 一方面, 传统单纯利用光谱信息的分类往往难以满足各应用行业对精度的需求, 另一方面, 基于像元的分类结果受制于椒盐噪声, 影响其有效应用。 为此, 提出了一种基于植被特征库构建与优化的高光谱植被精细分类策略。 首先, 从高光谱影像中的原始光谱特征出发, 结合灰度共生矩阵和局域指示空间分析两类纹理特征, 并有针对性地加入了对植被叶绿素、 胡萝卜素、 花青素和氮素叶面积指数等理化参量敏感的光谱指数特征, 构建了完备的植被特征库, 以提高植被类别间的可分性; 进而对植被特征库进行光谱维优化, 提出了基于类对可分性的光谱维优化算法, 选择对各类对具有最高识别能力的特征波段, 通过迭代使各类别间均达到较高的区分度, 并利用最优索引因子法进一步降低数据冗余, 以提高分类效率; 在进行植被特征库空间维优化时, 主要基于地物分布通常具有一定的空间连续性这一理论, 提出了基于邻域光谱角距离的植被特征库空间维优化算法, 以去除分类结果中的椒盐噪声, 提高分类精度和分类图像平滑度。 基于航空高光谱数据的植被精细分类验证表明, 该方法可以显著提高分类精度, 在作物品种识别、 精准农业等方面将具有广泛的应用前景。
高光谱遥感 植被精细分类 植被特征库构建 光谱维优化 空间维优化 Hyperspectral image Sophisticated vegetation classification Construction of feature band set Optimization of spectral-dimension Optimization of spatial-dimension 光谱学与光谱分析
2015, 35(6): 1669
云南师范大学物理与电子信息学院， 云南 昆明 650500
在400~720 nm波段范围，基于液晶可调谐滤波器(LCTF)和CMOS相机组合的多光谱成像系统，以四季豆叶片为研究对象每隔5 nm进行成像。根据图像亮度信息法和波段指数法的相关原理，首先分别计算得到各波段四季豆叶片的波段指数值和可识别度；然后对四季豆叶片的波段指数值和可识别度进行排序，综合图像的灰度离散、亮度信息丰富和波段的相关性小等特点，得出545、630、645、720、650和570 nm波段有较大的波段指数值和较好的识别度；最后根据最小欧氏距离法和光谱角度匹配法分别对四季豆叶片的特征波段的分类精度予以计算，两种方法的分类精度分别为100.00%和83.33%，得出选取的特征波段对四季豆叶片具有较好的分类精度。因此，545、630、645、720、650 和570 nm波段可作为四季豆叶片的特征波段。
成像系统 特征波段 多光谱成像 四季豆叶片 分类精度 激光与光电子学进展
2014, 51(1): 011101
