曹粤 1包妮沙 1,2周斌 3顾晓薇 1,2[ ... ]虞茉莉 1
作者单位
摘要
1 东北大学资源与土木工程学院, 辽宁 沈阳 110819
2 辽宁省固废产业技术创新研究院, 辽宁 沈阳 110819
3 辽宁省生态气象和卫星遥感中心, 辽宁 沈阳 110166
尾矿库作为高势能的人造泥石流危险源, 在尾砂含水量过高时有溃坝风险, 低含水量状态下产生扬尘则会危害周围环境。 尾砂含水量实时、 动态监测对于尾矿库安全状况及矿区环境保护具有重要意义。 相比传统采样化验手段, 高光谱遥感拥有观测面积大、 数据实时易获取、 光谱信息丰富的特点, 为快速、 高精度尾矿水分监测提供了手段。 以鞍山-本溪铁矿群中的高硅型铁尾矿为研究区, 实地采集尾砂样品77个, 利用可见光-近红外(350~2 500 nm)光谱仪获取其光谱数据, 分析不同含水率尾砂光谱特征及机理; 引入竞争性自适应加权重采样法(CARS)筛选水分敏感波段, 并基于敏感波段建立三维波段光谱指数(TBI), 结合随机森林(RF)、 粒子群优化的极限学习机(PSO-ELM)及卷积神经网络(CNN)算法建立尾砂水分反演模型, 以国产高分五号高光谱卫星为数据源进行模型应用, 获取尾矿库表层含水时空分布特征。 结果表明: (1)尾砂光谱反射率随含水率升高明显下降, 在1 455和1 930 nm处出现O—H吸收特征, 吸收深度随含水率减小而逐渐减小; (2)基于CARS方法能够对高光谱数据(305波段)有效降维, 筛选出18个水分敏感波段, 进一步利用敏感波段构建不同形式的尾砂含水率TBI指数集, 其中三维差值指数TBI5=(R1 097.47-R1 990.67)-(R1 990.67-R437.39), 与水分含量相关性最高, 达到0.84; (3)对比RF, PSO-ELM及CNN方法以及不同形式的输入数据, 基于尾砂含水率TBI指数联合反射率数据集作为输入数据进行CNN建模, 室内光谱模型达到验证精度R2=0.92, 相对分析误差RPD=3.43, 基于该模型利用高分五号卫星数据反演可获取研究区尾砂含水率空间分布结果, 实地验证R2达到0.79, 相对分析误差RPD=2.20, 获得较好的预测效果。 可为基于高光谱技术的铁尾矿水分含量大面积实时快速监测提供参考。
可见光-近红外光谱 三维光谱指数 国产高分五号卫星 铁尾矿 尾砂含水率 Visible-near-infrared spectra Three-band spectral index Domestic Gaofen-5 satellite Iron tailings dam Moisture content of tailings 
光谱学与光谱分析
2023, 43(4): 1225
作者单位
摘要
1 东北大学江河建筑学院, 辽宁 沈阳 110819
2 东北大学资源与土木工程学院, 辽宁 沈阳 110819
3 中国黄金集团, 北京 100000
土壤是自然生态系统的重要组成部分, 是人类赖以生存和农业生产的重要物质基础。 随着社会经济高速发展, 高强度的工农业生产活动导致重金属等各种污染物通过大气沉降、 污水灌溉等途径进入土壤, 并在土壤中不断富集造成土壤盐渍化和土壤重金属污染, 两者是导致全球荒漠化和土壤退化的主要诱因。 然而中国的耕地非常有限, 粮食安全尤为重要。 因此, 如何快速、 准确地大面积反演盐碱地的重金属含量是保障粮食安全的重要研究课题。 针对上述关键问题, 以吉林省镇赉县盐碱地为研究对象, 建立了盐碱地重金属元素锰(Mn)、 钴(Co)和铁(Fe)含量与土壤可见光-近红外光谱数据的定量反演模型。 首先对原始光谱数据分别进行了Savitzky-Golay平滑、 多元散射校正、 连续统去除变换处理; 然后基于预处理后的光谱数据构建了比值(RI)、 差值(DI)和归一化(NDI)三种光谱指数, 通过光谱指数与重金属含量的相关性分析确定模型训练样本, 利用径向基神经网络算法进行建模并反演盐碱地重金属含量; 最后通过相关系数等梯度循环建模的精度分析方法确定了光谱指数与锰、 钴和铁含量相关性显著的敏感波段组合, 建立了基于径向基神经网络算法的盐碱地重金属含量最优反演模型。 研究结果表明, Mn选取相关系数r>0.70, Co选取相关系数r>0.80, Fe选取相关系数r>0.80, 并选取敏感指数组合分别为108组、 690组和31组, 基于上述显著敏感指数组合建立的Mn, Co和Fe最优反演模型R2分别为0.703 4, 0.897 6和0.848 4, 均方根误差RMSE分别为53.007 3, 1.059 2和0.363 4, 平均相对精度达到88.64%, 90.36% 和91.78%。 该研究对盐碱地重金属含量的准确、 快速分析提供了一种有效的方法, 对实现土壤重金属污染治理具有重要的现实意义。
苏打盐碱地 可见光-近红外光谱 光谱指数 重金属含量 反演模型 Soda saline-alkaline land Visible-near infrared spectra Spectral index Heavy metal content The inversion model 
光谱学与光谱分析
2022, 42(5): 1595
作者单位
摘要
1 浙江大学光电科学与工程学院光及电磁波研究中心, 浙江 杭州 310058
2 苏州瑞蓝环保科技有限公司, 江苏 常熟 215558
种子活性受到存储条件的影响很大。 收集了真实情况下受到不同存储条件影响的种子, 通过发芽实验验证了其成活率存在差异。 再从中选择适量的种子样本, 采集其单颗种子的可见-近红外反射光谱, 运用不同的光谱预处理技术, 结合不同的机器学习建模手段, 以区分不同成活率的种子。 比较了不同的光谱预处理方法, 比如标准反射光谱校正、 多元散射校正等。 从识别准确度的角度, 认为标准反射光谱校正的方法, 能够很大程度上提升不同存活率种子的光谱差异性, 从而经过机器学习判断达到更高的识别准确度。 同时比较了支持向量机、 K邻近和距离判别分析等机器监督学习建模方法, 发现利用标准反射光谱校正的方法结合距离判别分析, 能够对种子样本实现完全准确的判定。 更进一步, 为了满足实际运用中快速识别的要求, 将高分辨率的光谱数据压缩成为低分辨率多通道带通光谱数据, 这样可以大大降低的光谱数据长度, 节约各种机器学习器在训练和判断中所用的时间。 使用简化过后的多通道带通光谱数据判定种子存活率, 其识别准确度仍然接近90%。 充分说明了, 利用多通道宽带光谱数据, 并选择合适的机器学习建模方式, 足以满足实际选种产业的一般性需求, 有潜力作为未来粮种成活率快速鉴别的技术手段。 还采用了多种带通宽度以简化光谱, 分析比较不同带通宽度对识别精度的影响。 总体来说由于带宽增大, 数据量减少, 识别速度更快, 但是识别精度降低。 从10~50 nm改变光谱带宽, 标准反射校正后的简化光谱的识别精度从87.50%下降到58.75%。 在实际运用中, 需要权衡识别速率和预期识别精度, 合理的选择带宽。 验证了根据简化后的可见近红外反射光谱, 能够较快速且准确的识别水稻种子存活率, 为以后的基于带通滤波片的快速种子存活率识别奠定了基础。
水稻种子 可见近红外光谱 简化光谱 光谱预处理 机器学习 成活率 Rice seeds Visible-near-infrared spectra Simplified spectra Spectra pretreatment Machine learning Germination rate 
光谱学与光谱分析
2020, 40(1): 221
唐云峰 1,2,*柴琴琴 1,2林双杰 1,2黄捷 1,2[ ... ]王武 1,2
作者单位
摘要
1 福州大学电气工程与自动化学院, 福建 福州 350108
2 福建省医疗器械和医药技术重点实验室, 福建 福州 350108
葡萄籽油掺假种类繁多, 手段隐蔽, 成为食品安全检测的重要难点之一, 为规范食用油市场, 提供一种方便、 可靠的葡萄籽油品质鉴别方法尤为重要。 针对色谱和质谱等传统品质分析方法的耗时、 试剂消耗大、 专业性强等不足, 以及实现无损分析的近红外光谱仪价格昂贵、 操作环境要求高等缺点, 研究设计一套低成本、 高准确度的可见/近红外光谱仪检测系统来实现葡萄籽油品质掺假鉴别。 首先, 依托USB6500-Pro探测器搭建可见/近红外光谱仪硬件平台, 并基于Qt设计一套简洁的人机交互界面, 用以实现光谱数据的采集、 处理以及葡萄籽油掺假鉴别结果的显示; 其次, 针对硬件和检测环境带来的光谱噪声, 系统采用小波变换滤除噪声, 减小光谱失真; 最后, 考虑到现有的基于机器学习的品质鉴别模型往往依赖已知的油类训练样本集来实现对不同掺假类别油类的预测, 而利益驱使下层出不穷的掺假手段使得新的、 未出现在原训练集中的掺假类别样本不断涌现, 现有的品质鉴别方法将很难给出准确的判别结果。 因此, 研发的检测系统中设计一种能实现已知和新的掺假油品光谱的鉴别方法, 该方法分为分类和校正两步: 先用建模数据库中的训练集建立极限学习机(ELM)分类器模型, 实现初步掺假类别的分类; 然后再利用自动聚类算法对分类结果进一步校正。 若与校正数据集产生一个聚类中心, 则证明分类结果正确且属于建模数据库中的已知掺假类别; 若产生两个聚类中心, 则分类结果不正确, 样本为新掺假类别, 未出现在建模数据库中, 最终得到准确的掺假类别结果。 为检验系统性能, 用搭建的可见/近红外光谱仪硬件平台采集了纯葡萄籽油和掺入不同比例的大豆油、 玉米油、 葵花籽油和调和油的葡萄籽油的5类光谱数据, 每一类30组共计150组数据, 将得到的可见/近红外光谱数据先进行小波阈值法去噪和多元散射校正(MSC)预处理后输入到设计的检测系统中。 假定前4类作为建模数据库中的已知掺假类别以及第5类作为新掺假类别, 先利用K-S算法将已知掺假类别的每类样本划分成训练集20组和测试集10组, 用训练集共80组样本建立ELM分类模型, 将40组测试集输入到ELM实现初步判别, 判别结果再进一步聚类分析校正, 只有一个聚类中心, 说明了模型判别准确, 且对已知类别能够100%识别; 当30组新掺假类别样本输入到ELM模型时, 均判别成了纯葡萄籽油, 进一步聚类分析校正, 产生了两个聚类中心点, 说明ELM模型误判, 定性判定第5类为新掺假类别。 实验结果表明, 研发的葡萄籽油掺伪检测系统操作简单、 快速, 不仅对已知掺假类别能够100%识别, 而且对新掺假类别能够实现定性判别。
极限学习机 可见/近红外光谱 聚类 葡萄籽油掺假 Extreme learning machine Visible/near infrared spectra Clustering Grape seed oil adulteration 
光谱学与光谱分析
2020, 40(1): 202
作者单位
摘要
1 中国科学院计算光学成像技术重点实验室, 中国科学院光电研究院, 北京 100094
2 中国科学院大学, 北京 100049
土壤有机碳(SOC)对土壤肥力至关重要, 可见-近红外光谱能对其实现快速反演, 为区域监测和定量遥感提供基础。 针对包络去除(CR)仅提供反射光谱的单向吸收特征, 多元回归中预测信息缺失、 拟合结果未充分反映波段特征, 利用世界土壤数据库245份中国土样的可见-近红外光谱, 首次提出双包络去除(BCR)与正交偏最小二乘(OPLS)结合的反演方法BCR-OPLS, 同时纳入光谱反射率及上、 下边包络去除量, 讨论组分参考值偏态分布时幂函数或对数缩放在回归时的优化作用, 建立多种土壤的综合与分类估计模型, 并导出适用特定类型土壤的SOC指数。 结果表明, 对多种土壤有机碳含量反演, 相较PLSR模型(决定系数R2和估计根均方误差RMSEE分别为0.69和0.45%), BCR-OPLS模型的预测能力明显改善(R2和RMSEE分别为0.9和0.26%); 而对单一类型土壤的反演精度则进一步提升, 根据载荷趋势和变量重要性建立的SOC指数, 预测如黄色铁铝土的有机碳含量时(以400, 590和920 nm), 其反演结果R2达到0.94、 RMSEE达到0.21%。 双包络去除与OPLS相结合, 增强了光谱特征诊断的鲁棒性, 提高了不同类型土壤的综合与分类SOC全谱反演精度, 基于直观的图谱表达可构建简单的波段预测关系, 深化了物理经验吸收与统计多元回归之间的联系。
土壤有机碳 近红外光谱 包络去除法 偏度校正 Soil organic carbon Visible-near infrared spectra Continuum removal OPLS Orthogonal PLS Skewness correction 
光谱学与光谱分析
2018, 38(3): 941
陈颂超 1,2,*彭杰 1纪文君 1周银 1[ ... ]史舟 1,2
作者单位
摘要
1 浙江大学环境与资源学院, 浙江 杭州 310058
2 中国科学院南京土壤研究所, 土壤与农业可持续发展国家重点实验室, 江苏 南京 210008
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。
水稻土 有机质预测 可见光-近红外光谱 中红外光谱 Paddy soil Prediction of SOM Visible-near infrared spectra Mid-infrared spectra 
光谱学与光谱分析
2016, 36(6): 1712
作者单位
摘要
1 西北农林科技大学资源环境学院, 陕西 杨凌 712100
2 咸阳师范学院资源环境系, 陕西 咸阳 712000
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。
可见/近红外光谱 冬小麦 磷素营养 小波去噪 数值积分 径向基函数神经网络 Visible/near infrared spectra Winter wheat Phosphorus nutrition Wavelet denoising Numerical integration Radial basis function neural network 
光谱学与光谱分析
2011, 31(4): 1092
作者单位
摘要
1 北京航空航天大学仪器科学与光电工程学院,精密光机电一体化技术教育部重点实验室,北京 100191
2 北京大学化学与分子工程学院,稀土材料化学及应用国家重点实验室,北京 100871
叶绿素含量是植物营养胁迫、光合作用能力和生长状况的良好指示剂。实时、可靠的作物营养诊断是进行科学施肥管理的基础,也是实施精细农业的关键技术之一。文章提出了一种应用可见灢近红外光谱技术检测植物叶绿素含量的方法。采用透反射测样方式获取了植物叶片的可见灢近红外光谱,并对获得的500~900nm 光谱数据进行平滑、一阶微分以及小波变换等预处理,然后采用偏最小二乘法(PLS)建立了植物叶片叶绿素含量与叶片吸收光谱的定量分析模型,最后利用该模型对预测集样本进行预测。预测集中样本的预测值与标准值之间的相关系数为0.93,预测均方根误差为1.1SPAD。实验结果表明,利用可见灢近红外光谱检测叶片叶绿素含量是可行的,这对今后实现快速无损检测植物叶绿素含量具有重要的指导意义。
可见-近红外光谱 叶绿素 无损检测 透反射 偏最小二乘法 Visible/near infrared spectra Chlorophyll Non-destructive measurement Transmittance and reflec-tance method Partial least squares(PLS) 
光谱学与光谱分析
2009, 29(12): 3275

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!