钪（Sc）被广泛用于固体氧化燃料电池、陶瓷材料、催化剂与轻质高温合金等的制造，是不可或缺的重要战略资源，稀土矿石中Sc元素的定量分析对于稀土矿的勘探、开采具有重要意义。笔者提出了一种基于激光诱导击穿光谱（LIBS）结合随机森林（RF）算法的稀土矿石样品中Sc元素定量分析的方法。首先，考察了不同光谱预处理方法对RF校正模型预测性能的影响；然后，利用变量重要性测量（VIM）进行RF校正模型输入变量的选择与优化。为了进一步验证VIM-RF模型的预测性能，将其与标准曲线法、偏最小二乘（PLS）以及基于波段选择的RF模型进行了比较。最后，在最优化的光谱预处理（WT）和VIM阈值（阈值为0.016）等条件下，建立了基于小波变换结合VIM的RF校正模型。结果表明，VIM-RF校正模型表现出了良好的预测性能：RCV2为0.9981，RMSE_CV为0.0430 mg/kg，MRE_CV为0.0047，RP2为0.9993，RMSE_P为0.4964 mg/kg，MRE_P为0.0481。因此，LIBS技术结合RF算法可以有效实现稀土矿石中稀土元素Sc的定量分析，可为稀土矿石的品位分析与精准开采提供借鉴。

露天矿山台阶爆破后矿岩的平均块度是衡量爆破质量的重要指标。早期研究主要依靠经验公式总结、岩体力学模型计算等方法, 这些方法存在准确率不够、主观性强等缺点。近期, 机器学习算法应用于块度预测, 但基本通过专家经验选用固定的特征来进行预测且预测稳定性不足, 泛化能力差。针对以上缺点, 提出一种基于特征工程的极端梯度提升树(XGBoost)爆破块度预测模型。以太原袁家村铁矿为研究区, 采集近半年的爆破数据作为原始数据, 综合考虑影响平均块度的各方面因素。首先使用随机森林(RF)的袋外估计和互信息(MI)两种方法分别进行特征选择, 其次将不同方法选择的特征子集集成并利用特征之间的互信息进行去冗余, 最后以MSE的值为评价指标选出最优特征子集表征爆破, 完成基于数据驱动的特征选择。更进一步, 在最优特征子集上采用XGBoost 算法进行块度预测, 通过均方误差(MSE)、平均绝对误差(MAE)两个指标构成模型的评价体系将文章所提方法与其他传统机器学习算法进行对比。对比结果表明:文章提出方法比传统机器学习算法的预测准确率更高, 可以为爆破的管理与控制提供科学指导。

松材线虫病对我国松林资源造成严重破坏, 早期精准诊断该病害对精准防控及保障国家森林生态安全具有重要意义。 该病目前的诊断技术包括林间症状诊断法、 病原线虫鉴定法、 流胶法等, 这些方法受到条件或技术的限制而不完善, 也无法有效地对松树针叶变色前或极少数针叶变色的阶段进行诊断。 为此提出一种基于光谱分析的马尾松松材线虫病针叶电阻率检测方法。 对野外8~9年生马尾松接种松材线虫后, 在不同时间对针叶进行数据测量。 使用美国Ocean Insight公司生产的Ocean Optics USB2000+对马尾松针叶反射光谱数据进行采集, 取冠层上、 中、 下3个位置光谱反射率平均值作为该植株的光谱反射率； 将针叶横截面近似看成半椭圆形, 剪取针叶中部4 cm, 测量针叶的宽度和厚度, 使用M4070 LCR测试仪测其电阻值, 从而计算出其电阻率； 取冠层上、 中、 下3个位置电阻率平均值作为该植株的针叶电阻率。 对原始光谱（OR）进行光谱变换, 主要方法为一阶导数（FD）、 二阶导数（SD）、 对数变换（LOG）、 倒数变换（1/R）和连续统去除法（CR）； 使用随机森林算法对原始光谱和各个变换的光谱数据提取特征波段以反演针叶电阻率, 采用最小二乘支持向量机（LSSVM）算法对筛选出的特征波段与针叶电阻率的建模效果进行分析, 确定最佳马尾松针叶电阻率预测模型。 结果表明, 在该病害出现极少数针叶变色后的早期阶段, 马尾松接虫株与对照株针叶电阻率达到极显著差异（p<0.01）。 LSSVM建模效果表明, 二阶导数变换后的光谱数据综合表现最好, 选择特征波段为594.986、 646.107、 646.451、 782.896、 784.841、 839.164、 863.890、 902.021、 947.901和962.315 nm； 建模集和验证集的平均R2为0.848, RMSE和MAE分别为32.331和7.067。 相较于原始数据（OR）建立的模型, R2提升4%, RMSE和MAE分别降低2.5%和18.9%。 研究结果表明, 使用针叶反射光谱反演针叶电阻率是可行的, 且SD-RF-LSSVM建立的预测模型精度最高, 可用于针叶电阻率的快速估测, 为实现基于遥感的松材线虫病早期诊断与监测提供了思路与方法。

可溶性固形物含量（SSC）是反映苹果品质和成熟度的重要生理指标, 能够用于苹果品质分析和成熟度预测。 以新疆阿克苏冰糖心红富士苹果为研究对象, 从果实膨大定形期至完熟期, 以等间隔周期3 d采摘样本, 测其380~1 100 nm的可见/近红外光谱和SSC, 共552个样本。 然后融合分数阶微分（FD）及置换重要性-随机森林（PIMP-RF）算法, 构建成熟期苹果SSC预测的集成学习模型。 结果表明, 基于PLS模型优选的分数阶微分阶次为0阶、 0.4阶、 1.1阶和1.6阶, 且通过PIMP-RF算法进行特征重要性和可解释性分析结果显示, 利用可见/近红外光谱预测成熟期苹果SSC的关键波长主要为可见光波段, 这为今后研发新疆冰糖心红富士苹果的快速无损检测设备提供参考； 基于分数阶微分技术和PIMP-RF算法构建的成熟期苹果SSC集成学习模型具有很好的预测能力, 其训练集的相关系数r等于0.989 2, 平均绝对误差MAE等于0.241 2, 均方根误差RMSE等于0.309 1, 平均绝对百分误差等于0.018 3； 测试集的相关系数r等于0.903 8, 平均绝对误差MAE等于0.549 9, 均方根误差RMSE等于0.740 8, 平均绝对百分误差等于0.043 4, 相比于FD0-PIMP-RF、 FD0.4-PIMP-RF、 FD1.1-PIMP-RF和FD1.6-PIMP-RF模型, 集成学习模型为最优。 故而, 集成分数阶微分技术与PIMP-RF算法, 结合可见近红外光谱技术可有效地实现成熟期苹果的可溶性固形物含量预测。

旨在实现对海洋牧场水下底栖动物的原位识别, 使用随机森林算法实现识别分类检测, 对目标生物进行分类识别分析, 深入挖掘数据, 提高工作效率和决策可靠性。 利用研发的水下高光谱成像分析仪, 在不同的水下环境中通过获取五种海洋牧场常见经济动物（虾夷扇贝、 栉孔扇贝、 脉红螺、 皱纹盘鲍、 仿刺参）的高光谱数据, 归一化处理后运用机器学习中的随机森林（RF）、 基于主成分分析的随机森林（PCA-RF）、 基于递归特征消除的随机森林（RFE-RF）三种随机森林算法对五种底栖动物进行分类识别以及对比分析。 通过RF的变量重要性排序, 筛选出排名较高, 对模型贡献度高的波段所对应的反射谱强度数据, 再将排名靠前的特征波段数据输入分类器中, 通过优化参数, 得到分类准确度。 将数据的分类结果输出混淆矩阵, 可以看到五种样品的识别情况。 脉红螺样品识别精度最低, 为64％； 仿刺参与栉孔扇贝的识别精度最高, 达到了100％； 虾夷扇贝与皱纹盘鲍的识别精度分别为91％与96％。 三种方法最终得到的分类精度分别为: RF 90.13％； PCA-RF 95.20％； RFE-RF 98.74％, 达到了较为理想的分类效果, 体现了随机森林算法运用在水下高光谱数据分类研究的可行性。

温度影响加速度计的性能，误差来源主要由石英材料及封装工艺产生的热应力引起。针对加速度计温度漂移现象，该文介绍了集成式石英谐振加速度计低温漂结构设计和补偿方法。首先通过对称的差分结构消除一阶温度系数，并进行工艺优化，降低封装工艺对谐振器产生的热应力；其次采用随机森林拟合算法建立温度模型来补偿加速度计的温漂。在-20~80 ℃温度范围内对加速度计样机进行温漂测试，结果表明，工艺优化及补偿后的样机偏置稳定性提高了一个数量级。

基于光纤光栅的OPGW异常监测得到了广泛研究, 但异常检测数据在分类识别判断是否为正常信号和虚假信号上存在较大困难, 针对上述问题, 研究了基于改进型的网格搜索法进行随机森林分类。首先在理论上构建分类识别模型, 通过粒子群算法迭代寻找最优分类解; 然后将监测数据分为多帧训练集、测试集和验证集, 分别实现传统随机森林算法、网格搜索随机森林算法和改进型网格搜索随机森林算法对异常振动分类识别; 最后利用异常信号识别准确率和精确度具体量化三种算法对比结果。实际分类计算结果表明, 所研究的改进型网格搜索随机森林算法在测试集异常信号识别准确率可达98.56%, 验证集异常信号识别准确率可达99.56%, 证明了方法的有效性, 对OPGW光缆异常振动分类识别具有实际意义。

针对在INS/GNSS组合导航系统中, 由GNSS自身故障或外部环境遮挡造成的信号缺失问题, 提出了一种利用随机森林回归辅助因子图的组合导航算法。首先, 采用因子图算法对惯性导航系统、全球导航卫星系统进行建模, 搭建了INS/GNSS组合导航的因子图模型。其次, 引入随机森林理论搭建随机森林, 并在GNSS信号有效时进行训练, 模拟卫星导航失效时的GNSS信号输出值。最后设计了仿真实验, 结果表明: 改进的因子图算法相比联邦卡尔曼滤波算法在导航精度上有了10%～15%不等的提升, 同时, 所提出的随机森林回归辅助因子图算法在GNSS信号丢失的情况下仍能保持较高精度。

Landsat卫星影像已经成为世界范围内长时间序列生态监测研究中最广泛使用的数据源。 在大中尺度区域的遥感应用研究中, 因季节、 光照、 气候等条件以及卫星重返周期和传感器的不同, 多景遥感影像拼接、 镶嵌后会存在斑块效应和色调不均匀现象。 在遥感云计算技术高速发展的今天, 探索快速且高效地基于云平台的Landsat色差条带修复方法具有重要意义。 提出了一种在Google Earth Engine(GEE)云平台上实现的基于随机森林算法的直方图影像均质化方法, 将1986年—2020年山西省Landsat Top of Atmosphere(TOA)和Surface Reflectance(SR)(Landsat 5 TM/7 ETM+/8 OLI)反演后的归一化植被指数影像NDVI作为研究数据, 以MOD13Q1(250 m分辨率)、 MOD13A1(500 m分辨率)和MOD13A2(1 km分辨率)MODIS数据集作为2000年后的验证数据, 分别对比影像修复前后的1986年—2020年山西省NDVI影像。 研究结果表明： (1)在35年的逐年影像分析中有20年的影像存在条带色差问题。 以1994年为例, 修复后的Landsat TOA和Landsat SR影像与修复前相比, 影像修复区的NDVI平均值分别增加了32.6%和29.03%, 剖面分析显示拟合度分别增加了0.162 3和0.118 0; (2)1986年—2020年一元线性回归趋势性分析结果表明, 修复后影像的拟合度更高, 长时序分析后逐年影像的波动幅度更小。 其中, Landsat TOA和SR影像修复后的斜率分别下降了0.006 2和0.006 7, R2分别提高了0.024 8和0.008 4; (3)对Landsat和MODIS影像进行Pearson相关性分析发现, 修复后的Landsat SR和TOA图像的相关系数平均提高了0.049和0.061(p<0.05), 其中, 修复后的Landsat SR和TOA影像与MOD13Q1、 MOD13A1、 MOD13A2影像相关系数分别提高了0.050、 0.047、 0.049和0.066、 0.060和0.059; (4)2000年—2020年Landsat和MODIS影像的时序分析结果显示, 修复后的Landsat影像整体趋势与MODIS影像更趋近, 修复后的Landsat TOA和SR影像的拟合度分别提升了0.058 6和0.031 9。 所提出的基于GEE云平台随机森林算法的快速影像修复方法, 实现了对长时间序列遥感影像NDVI反演结果的精确评估, 应用本方法可快速、 高效地解决影像镶嵌所造成的色差斑块和条带效应。

柑橘是我国第一大类水果, 氮素对于柑橘的生长发育至关重要, 实时、 无损地监测柑橘氮素营养状况, 对于氮素养分精准管理具有重要意义。 植株体内的氮素可以分为营养性氮素、 结构性氮素和功能性氮素, 不同形态氮素各组分在柑橘叶片中的含量对叶片生理生化反应有一定的指示作用, 其中, 功能性氮含量是指示柑橘氮营养状况的重要指标。 以“春见”橘橙为试验材料, 分别于果实膨大期和转色期, 利用可见-近红外光谱仪测定不同施氮处理的柑橘叶片反射光谱, 并用化学分析方法测定其叶片功能性氮含量。 分析了柑橘果实膨大期和转色期叶片原始光谱和一阶微分光谱与叶片功能性氮含量的相关关系, 筛选出敏感波段, 利用全波段和敏感波段, 结合光谱植被指数法、 光谱化学计量法和机器学习方法, 构建了柑橘果实膨大期和转色期叶片功能性氮含量的无损监测模型, 并对比分析多种光谱变换和光谱预处理方法对于模型精度的影响。 结果表明, 在柑橘果实膨大期, 对全波段原始光谱进行标准正态化变换预处理, 结合反向传播神经网络构建的柑橘叶片功能性氮含量无损监测模型精度较高, 其建模集决定系数R2c和验证集决定系数R2v均为0.78, 建模集均方根误差RMSEC和验证集均方根误差RMSEV均为0.82 g·kg-1; 基于敏感波段原始光谱结合随机森林构建的模型精度也较高, 其R2c和RMSEC分别为0.84和0.67 g·kg-1, R2v和RMSEV分别为0.74和0.83 g·kg-1。 在柑橘果实转色期, 对全波段原始光谱进行标准正态化变换预处理, 结合BPNN构建的柑橘叶片功能性氮含量无损监测模型精度较高, 其R2c和RMSEC分别为0.77和1.04 g·kg-1, R2v和RMSEV分别为0.76和1.13 g·kg-1。 研究表明, 可以利用可见-近红外光谱技术, 实现对柑橘叶片功能性氮含量的无损监测。