粘度是反映纸张纤维素分子聚合度和力学性能的重要指标, 实时、 准确地获取粘度含量对于珍贵纸质材料的修复和保护具有重要的意义。 然而, 传统的纸张粘度分析方法主要采用化学手段, 该化验过程耗时较长, 且会对纸张不可避免的产生二次损伤。 针对这一问题, 高光谱遥感凭借其丰富信息量、 实时、 无接触的特点, 是无损获取纸张粘度含量的有效途径。 首先, 在实验室获得不同老化程度的实验纸张测得其粘度含量, 采集纸张样本的光谱影像数据, 通过光谱降噪、 光谱变换和光谱信息扩展实现纸张高光谱数据的预处理, 建立不同老化程度下的纸张粘度含量光谱数据库, 分别构建不同光谱变换方式下的光谱差值、 比值和归一化指数, 再结合相关性分析筛选其中与粘度相关性最强的12种最优光谱指数, 最后将其作为自变量搭建关于粘度含量的回归模型, 通过模型精度对比来优选其中最能有效表征纸张粘度含量变化的光谱指数及模型。 研究结果表明: (1)相对于原始光谱而言, 经过光谱变换处理后提取的粘度高相关特征子集占比得到大幅提升, 同时其中的相关系数均值与中位数也得到提高; (2)通过光谱信息扩展后得到的光谱信息参量与粘度的相关性高于原本的光谱谱段, 且提取的12种最优光谱指数中大部分有扩展信息参量的参与; (3)不同光谱变换结果下提取的最佳光谱指数与粘度含量的相关性都在0.89以上, 由其中筛选得到的三种具备代表性的光谱指数都有效反映纸张粘度在400~500 mL·g-1时的变化情况; (4)纸张光谱经过对数一阶微分处理后, 由光谱积分(SI)和光谱吸收深度(SAD)构建的归一化指数与粘度相关性最大, 达到了-0.917, 由该指数建立的模型在训练集和测试集上R2分别为0.84和0.76, 其在测试集中MRE为0.089, RMSE为40.29 mL·g-1。 研究结果可为纸张粘度含量遥感反演提供科学的理论与技术支撑, 对纸质文物无损分析体系的构建具有重要参考意义。

壁画酥碱与盐霜主要由其所含的可溶性盐造成, 具有不可逆性, 严重影响壁画的健康状态, 利用非接触式的高光谱技术对壁画所含可溶性盐进行定量反演具有重要意义。 针对壁画盐分检测成本高、 时效低、 需要实地取样等问题, 提出一种基于高光谱盐分指数的壁画盐含量反演模型。 用黄沙土、 麦秸、 细麻与无水Na2SO4等在室内配制成不同盐含量梯度（盐土比例: 0～1%）的模拟壁画样本, 采用ASD-FieldSpec4HI-RES地物波谱仪进行光谱采集, 将断点校正与平均后的数据建立样本光谱集, 以7∶3的比例将样本集划分用于建模与预测。 对原始反射率（R）进行一阶微分（R＋1D）、 去包络线后一阶微分（CR＋1D）、 倒数的对数后一阶微分（LR＋1D）、 Savitzky-Golay平滑后一阶微分（SG＋1D）4种增强处理, 将原始反射率与增强处理后的光谱数据与盐浓度进行相关分析, 提取贡献度高的前三强相关波段。 用最强相关波段分别进行线性拟合与抛物线拟合建立单波段回归模型。 利用前三相关波段构造一种适用于壁画盐分的高光谱指数（MSI）, 并与归一化盐分指数（NDSI）、 三种盐分指数（SI1 SI2 SI3）、 亮度指数（BI）进行精度评估, 评价指标为决定系数（R2）、 均方根误差（RMSE）、 散点拟合线的斜率与截距。 结果表明: （1）随着盐浓度增加, 反射光谱曲线整体先降低后升高, 盐浓度在0.3%～0.6%范围内壁画样本的反射率最低。 （2）壁画中Na2SO4敏感波段对应为1 420、 1 940与2 210 nm, 在可见光范围也存在光谱响应。 （3）一阶导变换后光谱与盐浓度相关性最强, R2最高提升0.646。 （4）R-1D-MSI反演模型精度最高, R2C与RMSEC分别为0.857与0.116。 该研究可为壁画盐含量的快速、 无损检测提供新的技术手段。

小麦产量产前估测关乎农业生产计划制定、 粮食安全保障、 国家经济和宏观决策。 应用无人机能够无损、 快速准确、 及时高效地估测小麦产量, 通过多种机器学习方法充分挖掘无人机多源遥感数据对多个小麦品种进行籽粒产量估测的潜力, 明确多源数据融合对模型估测精度的提升效果, 对于作物田间管理保障小麦高产稳产具有重要意义。 以黄淮麦区140个主栽小麦品种为材料开展冬小麦田间试验, 采用搭载红绿蓝（RGB）和多光谱传感器的无人机平台对灌浆期的冠层信息进行采集, 分别以岭回归、 支持向量回归、 随机森林回归、 高斯过程、 k-最邻近算法和Cubist等六种机器学习算法建立单传感器数据以及多源数据融合的产量估测模型, 采用决定系数（R2）、 均方根误差（RMSE）和相对均方根误差（RRMSE）对估算模型进行评价。 结果表明, 所选取的10个可见光植被指数及13个多光谱被指数特征值均与实测产量呈极显著相关（p<0.01）, 各特征值产量相关系数绝对值由高到低依次为多光谱植被指数（0.54～0.83）、 可见光植被指数（0.45～0.61）、 纹理特征（<0.45）。 全部六种机器学习算法均在采用多源数据融合时产量估测模型精度最高, 多源数据融合产量估测精度（平均决定系数R2=0.50～0.71）>多光谱传感器产量估测精度（R2=0.53～0.69）>RGB传感器产量估测精度（R2=0.35～0.51）。 多源数据融合相对于RGB数据的R2提高0.17～0.23, 平均均方根误差（RMSE）降低0.06～0.09 t·hm-2; 相对于多光谱数据的R2提高0.01～0.06, RMSE降低0.01～0.03 t·hm-2。 Cubist算法与其他5种算法相比, 建立的多源数据融合模型产量估测精度最高, R2为0.71, RMSE为0.29 t·hm-2。 研究表明, 相对于单一传感器数据产量估测模型, 多源数据融合能够有效提升冬小麦品种产量的估测精度, 并且Cubist算法能相对更好地处理多模态融合数据提高产量预测精度, 为预测不同小麦品种的产量提供理论指导。

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。

针对某些特定环境下, 伪装目标和背景目标出现的“异物同谱”现象, 传统的可见光及多光谱遥感伪装识别存在局限性, 为此, 将高光谱应用到典型伪装材料的特征分析与识别。 以北方地区常用丛林迷彩伪装网为研究对象, 利用SVC HR1024光谱仪获取其不同浸水时间的可见光-近红外光谱, 通过光谱相似性度量和包络线去除处理, 分析揭示不同浸水条件下伪装网和北方典型植被光谱特征和敏感波段, 并基于近红外波段构建光谱比值指数RCI, 用于识别绿色植被环境中的伪装目标, 最后通过高光谱成像实验获取仿真伪装环境高光谱图像, 并利用高光谱图像对识别效果进行验证。 结果显示: (1)不同浸水时间的丛林迷彩伪装网的光谱曲线基本形态相似, 且反射率随浸水时间的增加而整体呈下降趋势; 1 900 nm波段是伪装网反射光谱对含水量响应最为明显的波段, 其光谱特征会因浸水处理而相似于植被, 相似度从0.895提高到了0.939。 (2)丛林迷彩伪装网和植被在可见光波段的相似度较高, 光谱波动情况相似, 但在近红外波段光谱特征差异明显。 通过包络线统去除分析得出970, 1 190和1 440 nm波段附近处是丛林迷彩伪装网识别的敏感波段, 且基于迷彩伪装网和各植被在900~1 900 nm波段范围内存在的2处明显反射率斜率的差异, 构建了伪装网识别特征指数RCI1(R1 190/R1 270)和RCI2(R1 270/R1 440)。 (3)基于RCI指数构建决策树分类模型, 可以快速有效的将伪装目标从绿色植被背景中提取出来。 实验结果表明, 基于RCI指数对伪装目标区域进行识别提取, 所得结果在形态和大小上与原影像具有较好地一致性, 识别精度可达95%, 表明该指数对于伪装目标具有较好的识别效果。