【目的】为实现区域尺度上烟田土壤pH的快速估测。【方法】以四川省296份烟田土壤为研究对象，利用高光谱成像获取土壤390～2500 nm波段的光谱反射率，系统研究12种光谱预处理方法、2种特征波段选择方法和4种建模方法对烟田土壤pH高光谱估测模型精度的影响。【结果】在600～2500 nm范围内，不同pH的光谱反射率曲线差异明显；原始光谱经单一预处理或组合预处理方法处理后，建立的估测模型精度均有所提高；其中一阶导数（First derivative， D1）组合标准正态分布（Standard normal variate， SNV）为最佳光谱预处理方法。竞争自适应重加权采样算法（Competitive adaptive reweighted sampling， CARS）筛选出了93个土壤pH特征波段，主要集中在近红外波段800～2500 nm。无论使用光谱全波段还是主成分分析降维得到的光谱特征，核岭回归（Kernel ridge regression， KRR）和支持向量机（Support vector machine， SVM）两种建模方法都取得了比偏最小二乘回归（Partial least square regression， PLSR）和岭回归（Ridge regression， RR）更高的估测精度；但使用CARS筛选的特征波段建模时，PLSR和RR取得了比KRR和SVM更高的估测精度。其中基于D1-SNV预处理方法，使用CARS筛选特征波段建立的土壤pH PLSR估测模型精度较高，模型验证集决定系数为0.758，均方根误差为0.555，相对分析误差为2.034。【结论】运用高光谱成像技术在区域尺度上对烟田土壤pH进行较高精度估测是可行的，pH估测可采用D1-SNV-CARS -PLSR模型。

为提高棉花叶片各生育时期氮素估测模型的准确性和普适性,以2019年不同施氮水平(0,75,150,300kg·hm~(-2))的棉花叶片为研究对象,利用高光谱成像仪获取棉花叶片苗期、蕾期、初花期、盛花期和结铃期光谱反射特征,对原始光谱进行卷积平滑(SG)处理,并在此基础上进行多元散射校正(SG-MSC)、标准正交变换和去趋势算法联合应用(SG-SNV-Detrending)、区域归一化(Area-normalize)、倒数二阶微分(1/SG)"和对数二阶微分[lg(SG)]"5种预处理,基于连续投影算法(successive projections algorithm,SPA)选取原始光谱和不同预处理的氮素特征波段,构建偏最小二乘回归(partial least squares regression,PLSR)和主成分回归(principal components regression,PCR)氮素估测模型,并对模型进行年际间的精度检验。结果表明:基于SPA筛选的氮素含量特征波段减少共线性和冗余信息,原始光谱反射特征经不同预处理,相关性均得到提高,5种预处理以(1/SG)"变换最优,最大相关系数出现在1114nm处,为0.522;基于PLSR和PCR构建的氮素特征波段估测模型精度均高于全波段估测模型,且PLSR方法对棉花叶片氮素含量的估算精度优于PCR方法。棉花不同生育时期光谱氮素估测精度存在差异,盛花期的(1/SG)"光谱变换的精度最高,R_p~2为0.967,RMSE_p为1.222,RPD为4.590,全生育期为SG-MSC光谱变换估算精度最高,R_p~2为0.895,RMSE_p为2.148,RPD为4.344。利用2020年棉花样本数据验证模型精度,其中盛花期的模型精度和稳定性最好,R~2高达0.783,RMSE为0.035,苗期的模型精度最低,R~2仅为0.541,RMSE为0.057。因此,对地物原始光谱反射率进行数据变换和提取特征波段是提高棉花叶片氮素含量估测模型精度的有效方式。

基于高光谱(350~2 500 nm)数据,研究了我国中、东部地区5种主要类型土壤全氮含量与高光谱反射率之间的定量关系,构建了基于偏最小二乘法(PLS)、BP神经网络(BPNN)和特征光谱指数的土壤全氮含量估算模型。结果表明,以500~900 nm、1 350~1 490 nm区域波段反射率经Norris滤波平滑后的一阶导数光谱为基础,构建的基于PLS和BPNN的土壤全氮含量估算模型精度较高,建模决定系数分别为0.81和0.98;独立观测资料检验结果显示,模型预测决定系数分别为0.81和0.93,均方根误差RMSE为0.219 g.kg-1和0.149 g.kg-1,相对分析误差RPD为2.2...

[目的]本文旨在建立基于高光谱成像技术检测猕猴桃冷害的方法，实现猕猴桃冷害的无损甄别。[方法]以‘红阳’猕猴桃为材料，通过分析其400～1 000 nm和1 000～2 000 nm波段下的光谱，比较不同预处理下的偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型，选出正确率较高的模型，对该方法构建全波段和特征波段光谱信息的模型，并对结果进行比较。[结果]主成分分析(PCA)结果表明，不同冷害等级的猕猴桃样本可以区分，但相邻等级猕猴桃样本间存在少量重叠。自动标准化(Autoscale)为最佳预处理方式，基于Autoscale建立的SVM模型相对于其他模型具有更高的准确率。在400～1 000 nm波长范围，连续投影算法(SPA)选择特征波长相对于全波长的模型更优，建模集、预测集正确率分别为100%和94.2%,在1 000～2 000 nm波长范围，竞争性自适应重加权算法(CARS)选择特征波长比全波长模型效果更好，建模集、预测集正确率分别为92.3%和86.5%。[结论]高光谱成像技术可以全面、准确、快速地预测猕猴桃冷害程度，该技术为猕猴桃的流通、销售提供了理论依据。

[目的]为实现猕猴桃冷害的无损甄别，本文提出了基于高光谱成像技术检测‘红阳’猕猴桃冷害的方法。[方法]通过分析400～1000 nm和1000～2000 nm波段下的光谱，比较不同预处理下的偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）模型，选出正确率较高的模型后，对该方法构建全波段和特征波段光谱信息的模型，并对结果进行比较。[结果]主成分分析（PCA）结果表明，不同冷害等级的猕猴桃样本可以区分，但相邻等级猕猴桃样本间存在少量重叠。自动标准化（Autoscale）为最佳预处理方式，基于Autoscale建立的SVM模型相对于其他模型具有更高的准确率。400～1000 nm波长范围下，连续投影算法（SPA）选择特征波长相对于全波长的模型更优，建模集、预测集正确率分别为100%和94.2%，在1000～2000 nm波长范围，竞争性自适应重加权算法（CARS）选择特征波长比全波长模型效果更好，建模集、预测集正确率分别为92.3%和86.5%。[结论]高光谱成像技术可以全面、准确、快速地预测猕猴桃冷害程度，该技术为猕猴桃的流通、销售提供了一定的理论依据。

为探究软枣猕猴桃采后后熟过程中可溶性固形物含量（soluble solids content, SSC）变化和分布规律，利用高光谱成像结合化学计量学方法实现其SSC无损检测与可视化。首先，采集25℃下不同贮藏天数软枣猕猴桃的高光谱数据，并测定其SSC。其次，采用不同预处理方法对光谱数据进行处理，确定最佳预处理方法；然后，基于3种特征波段提取方法优选特征波段，构建偏最小二乘回归（partial least squares regression, PLSR）、极限学习机（extreme learning machine, ELM）和粒子群优化的极限学习机（particle swarm optimization-extreme learning machine, PSO-ELM）可溶性固形物含量预测模型。结果表明：基于竞争性自适应重加权采样算法（competitive adaptive reweighted sampling, CARS）提取特征波长的PSO-ELM模型的预测效果最佳，测试集Rp2为0.934,RMSEP为0.952,RPD为2.277。最后，基于CARS-PSO-ELM模型计算软枣猕猴桃每个像素点的SSC，生成可视化分布图，直观地呈现出不同贮藏天数软枣猕猴桃SSC变化的空间分布特征，为软枣猕猴桃的品质评价和贮运销售提供重要参考。

【目的】对土壤高光谱数据去噪提纯,提高土壤速效钾含量高光谱估测模型的精度和实用性。【方法】选取土壤有机质、碱解氮、有效磷含量近似而速效钾含量差异较大的样本76个,对土壤样本反射率对数的一阶导数光谱分别基于4种函数进行多层小波离散分解;提取小波低频系数,构建土壤速效钾含量高光谱估测模型。【结果】小波分解1—3层获得的低频系数可用以代表原始光谱。基于各小波函数相同尺度的低频系数,土壤速效钾含量估测建模精度差异不大。其中基于Bior 1.3函数分解的第2层低频系数建模精度略高,作为最佳估测模型,在数据压缩到25%、反映输入光谱信息95.6%的基础上,建模R2达到0.976,RMSE为10.66 mg...

苹果果实易发生病害，传统的苹果病害的检测不适应苹果分级在线检测的要求。为了实现病害苹果快速、有效的在线检测，采用高光谱成像技术对寒富苹果的炭疽病、苦痘病、黑腐病和褐斑病的病害果进行无损检测研究。根据正常区域与病害区域光谱相对反射率差异，提出改进流形距离方法。综合计算病害与正常区域，病害与果梗／花萼区域，正常与果梗／花萼区域的光谱相对反射率的总改进流行距离Ｌ值，从而从全波段中选择了３个特征波段，分别为７００，７６５，９０４ｎｍ。对７００ｎｍ特征波段下的图像进行阈值分割，以此获得掩膜图像，并对掩膜后的图像二次阈值分割提取感兴趣区域。将３个特征波段下对应的光谱相对反射率分别组合，作为ＢＰ神经网络的输．．．

【目的】变量选择是可见光-近红外光谱研究至关重要的步骤,通过分析可见光-近红外光谱不同特征的选择方法筛选出土壤全氮敏感波段,建立基于敏感波段的土壤全氮最佳预测模型,为土壤全氮的快速定量估算提供重要的理论指导依据。【方法】在红壤典型地区江西省吉安县采集代表性土壤样品120个,对可见光-近红外光谱采用主成分分析(PCA)、无信息变量消除(UVE)和无信息变量消除后结合连续投影(UVE-SPA)3种变量特征选择方法,建立基于不同变量选择的偏最小二乘回归(PLSR)模型、最小二乘-支持向量机(LS-SVM)、反向传播神经网络(BPNN)和遗传算法优化的反向传播神经网络(GA-BPNN)模型,从模型对预...

为了实现对苹果品质的等级评价,对果梗的完整性进行检测是必不可少的.选取了苹果样本260个,其中果梗完整果104个、果梗不完整果92个、没有果梗果64个。利用高光谱成像技术提取苹果感兴趣区域光谱信息。采用逐步多元回归算法（stepwisemultiple linear regression,SMLR）从全波段（450970nm）提取了5个特征波长（594.78，572.08，599.84，626.48，666nm），采用连续投影算法（successive projections algorithm,SPA）

为了研究检测苹果表面轻微损伤的有效的方法,以红富士苹果为试验样本,通过高光谱成像采集系统采集苹果样本的高光谱图像,根据正常苹果表面区域和刚损伤、损伤后(3,10,24h)的损伤区域光谱反射率平均曲线得到有效光谱区域;用掩膜法对图像进行背景分割,并基于有效光谱区域做主成分分析,选取第四主成分(PC4)提取损伤区域,运用阈值分割的方法建立提取损伤区域的算法模型;应用该算法模型对正常苹果和损伤苹果进行检测。检测结果表明:正常苹果样本正确检测率达到100%,损伤苹果样本的正确检测率为97.5%,总体检测精确度高达98.75%,说明利用高光谱成像技术可以有效快速检测出苹果表面的轻微损伤。

【目的】实现对结球甘蓝叶片含水量的无损检测，为结球甘蓝田间水分管理提供参考依据。【方法】设置结球甘蓝的整个生长季设置23.33 L/株（CK）、11.33 L/株（W1）、15.33 L/株（W2）、19.33 L/株（W3）、27.33 L/株（W4）、28.33 L/株（W5）共6个灌水量处理，收集结球甘蓝莲座期和结球期各99个结球甘蓝叶片样本光谱数据，采用卷积平滑法（Savitzky-Golay）、移动平均法（Moving Average）、归一化法（Normalization）和多元散射矫正（Multiple Scattering Correction）进行预处理，连续投影算法（Successive project - ion algorithm）进行特征提取，多元线性回归模型（Multiple Linear Regression）进行建模。【结果】在波段400～1000 nm，不同灌水量的结球甘蓝叶片含水量模型的预测精度差异明显。经过预处理的原始光谱建立的预测模型精度均有一定程度提高，其中Savitzky-Golay预处理效果最好。特征提取方法提高了光谱数据质量和准确性；在结球甘蓝莲座期和结球期优选出连续投影算法进行特征波段提取最佳，分别筛选出5和6个特征波长，2个时期筛选出的特征波长基本都在一定的水分敏感波段范围。在结球甘蓝莲座期和结球期，通过多元线性回归建模方法建立的结球甘蓝叶片含水量预测模型都取得了比主成分回归和偏最小二乘回归更高的预测精度；多元线性回归模型的校正集相关系数和均方根误差在莲座期为0.8927和0.8757，在结球期为0.9167和0.9014。【结论】高光谱技术可成功监测结球甘蓝叶片在不同生育期的含水量，为农田水分管理提供依据，为精准灌溉提供技术支撑。

南果梨是一种重要的水果品种，其酸度是评估果品质量的重要指标之一。然而，传统的南果梨酸度检测方法通常需要破坏性采样和化学分析，不仅耗时费力，而且容易导致样品污染和浪费。因此，旨在探索一种基于高光谱成像技术的无损检测方法，以实现对南果梨酸度的快速、准确、无损检测。首先，采集室温20℃下不同贮藏天数南果梨的高光谱数据，其光谱波长范围为400～1 000 nm，并且通过理化实验测量南果梨样本的可滴定酸；其次，采用多元散射校正（multipli-cative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）、Savitzky-Golay平滑滤波等多种方法对光谱数据进行预处理，建立偏最小二乘回归模型（partial least squares regression,PLSR），选择出建模效果最佳的预处理方法，结果显示MSC方法效果最优；然后结合连续投影算法（successie projection algorithm,SPA）提取特征波段，在700～900 nm范围内确定9个特征光谱变量；最后，以提取出的9个特征光谱变量作为输入矢量，分别建立PLSR模型、极限学习机（extreme learning machine,ELM）模型以及遗传算法（genetic algorithm,GA）和粒子群算法（particle swarm optimization,PSO）优化的BP神经网络模型。研究结果表明，基于MSC预处理和SPA算法特征提取的PSO-BP模型预测精度最高，效果最好，预测集决定系数Rp2=0.911,RMSEP=0.032。可见，基于高光谱成像技术的SPA-PSO-BP模型可用于南果梨酸度的检测，为南果梨的品质评价提供参考。

为了实现蓝莓内部品质快速、准确检测,采用高光谱成像技术对蓝莓的糖度和硬度多指标同时进行检测研究。提出多阶段特征波长选择方法,即采用连续投影法(SPA)和逐步多元线性回归(SMLR)等特征波长选择方法同时将糖度和硬度的特征波长选择出来。通过高光谱成像系统(4001000nm)采集了200幅蓝莓图像,首先对高光谱图像进行多元散射校正、标准正态变量变换和Savitzky-Golay平滑等光谱预处理,选取最优的预处理方法。然后利用SPA或者SMLR选择出糖度的几个特征波长,在此基础上再利用SPA或者SMLR选择出