使用光谱数据结合融合算法对水体污染物含量进行准确检测以保护水资源已成为一个关键问题。然而，光谱数据的高维特性以及模型的不稳定常常导致预测效果不佳，无法准确的进行检测。本研究提出了一种环保和准确的方法，实现对长江水体中总磷浓度含量的预测。具体而言，首先对测得的长江水质光谱数据进行最大最小归一化和均值中心化两种预处理操作，在消除不同数据量级差异的同时去除了噪声，确保了数据的一致性和可靠性。其次，为了解决光谱数据的高维度问题，采用了核主成分分析（KPCA）方法来降低数据维度并提取特征。KPCA方法通过在高维度的空间中找到一个分类平面，选出能代表原始数据99.42%信息量的前6个主成分，用于后续预测模型的训练。接着在原始粒子群算法的基础上引入了粒子初始化规则、多种群竞争策略、参数自适应更新策略、种群多样性引导策略和粒子变异机制，提高了粒子群的寻优能力，降低粒子陷入局部最优解的概率。并使用改进后的粒子群算法对BP神经网络（BPNN）中的初始化权重和参数大小进行寻优，从而加快网络的收敛效果，提高预测能力。最后，使用本研究所提出的预测模型对测试集中的样本进行总磷浓度的预测，实验结果得到R²为0.975 786，RMSE为0.002 242，MAE为0.001 612。将本模型与当前预测性能较好的其他基准模型进行预测效果的对比，本研究所提出的模型对长江水体总磷浓度预测拟合效果更好，精确度更高。在水资源保护和环境管理领域中使用光谱数据结合融合算法进行预测模型的研究和实践提供了新的思路和观点。

生化需氧量（BOD）是能够直接体现水体有机物污染程度的重要指标，水体BOD的实时监测在水资源保护、水环境改善等相关领域具有重要意义。传统的BOD测量方法会消耗大量的人力物力资源，且测量周期较长，不能迅速的反映水体的变化状况，无法实现对突发水污染事件及时有效的预警。机器学习在水体监测领域已被广泛应用，为了解决机器学习模型输入变量获取困难，且存在缺失值的问题，进一步结合高光谱技术探索对水体BOD含量精准快速的估算。为此，采集十个不同浓度BOD标液的原始光谱数据，通过白板校正得到100组透射光谱数据。提出了一种基于主成分分析（PCA）透射光谱重构的降噪技术，利用PCA算法提取原始透射光谱的主成分特征向量，再利用累计方差贡献率达到一定百分比的前一部分主成分特征向量对整个数据集进行重构。采用了前2、前10和前15个主成分特征向量对透射光谱数据进行了重构，并与传统光谱数据降噪方法进行了对比。结合支持向量机（SVM）模型和反向传播神经网络（BPNN）模型建立了水体BOD含量估算模型。结果显示，BPNN模型在回归精度和拟合程度上优于SVM模型，且降噪效果更为显著。使用前2个特征向量重构降噪的模型未达预期拟合，可能是由于信息丢失。而以前10个特征向量重构降噪的BPNN模型表现最佳，RMSE为0.040 6，R²达到0.980 3。前15个特征向量的重构并未提升降噪效果，可能因为超过10个的特征向量增加了冗余信息。实验验证了使用PCA重构透射光谱降噪的可行性，并为水体BOD含量估算提供了新的思路。

亚硝酸盐是一种常见的水质污染物，主要来源为废水、肥料和污水处理厂等。水质中亚硝酸盐浓度大小是评估水体健康程度的一个重要指标，但传统的亚硝酸盐浓度检测方法操作复杂且容易受到检测环境的干扰，无法直观和准确的反映出水质健康程度。为了探究一种新的方式来评估水体的健康程度，使用IPSO-BPNN模型对亚硝酸盐透射光谱数据进行浓度预测。首先选择10种浓度的亚硝酸盐标准溶液（0.02、0.04、0.06、0.08、0.10、0.12、0.14、0.16、0.18和0.20 mg·L^-1，使用OCEAN-HDX-XR微型光谱仪在相同的时间间隔下对十个浓度的亚硝酸盐溶液进行扫描，并通过白板校正得到光谱数据的光谱透射率值。使用最大最小归一化、均值中心化两种预处理方法将光谱数据进行维度和中心点的统一，使得不同样本之间的光谱数据具有可比性和可解释性。由于原始光谱数据维度较高，采用核主成分分析进行数据降维，选择代表原始数据97.94%信息的6个主成分进行IPSO-BPNN模型的训练。在预测亚硝酸盐浓度时，对原始粒子群优化算法进行了改进，引入了自适应学习因子和惯性权重更新公式以及粒子种群多样性引导策略，并在BP神经网络的基础上引入了学习率自适应公式，提高了算法的性能。通过比较不同粒子数进行迭代的函数适应度值变化曲线，选择使用100个粒子进行30次迭代来寻找最优权重和偏置组合。结果显示，IPSO-BPNN预测模型的决定系数为0.984 360，均方根误差为0.006 920，平均绝对误差为0.004 103，与当前预测性能较好的随机森林模型、线性回归模型、BP-ANN模型、PSO-BPNN模型和PSO-SVR模型相比，该模型的拟合效果更好，精确度更高。基于以上结果，提出了一种基于IPSO-BPNN模型的高光谱水质亚硝酸盐浓度预测方法，为水体健康程度的评估提供了新的思路。

高光谱图像包含丰富的地物信息，在农业、工业和**等领域应用广泛。因此，高光谱图像的识别与分类是一项重要的研究课题。然而，高光谱图像存在光谱维度高、噪声大、标记样本有限等问题，并未取得很好的分类效果。针对以上问题，提出一种波段聚类和多尺度结构特征融合的高光谱图像分类模型 (ASPS-MRTV)。该方法主要包括以下几个步骤，首先，对高光谱数据进行归一化处理，将归一化后的三维图像按光谱维等分为n个子空间；其次，采用粗细划分策略构造自适应子空间光谱特征提取框架，将每个空间波段拉伸为一维向量后用信息散度构造波段的相似性矩阵，按照聚类的思想对n个子空间进行自适应；然后，将每个自适应子空间的光谱波段平均值进行叠加，形成光谱特征；最后，对所得到的光谱特征数据利用多尺度相对全变分技术提取结构特征。为了增强样本的线性可分性，在数据堆叠之后进行核主成分分析，最终形成空谱特征。对比实验中统一使用惩罚参数C和核参数σ都为24.5的SVM进行分类。经测试，ASPS-MRTV网络模型在Indian Pines、University of Pavia两个数据集上分别以5%，1%的训练样本达到了97.06%、98.98%的总体分类精度。实验结果表明，该模型与SVM、ASPS(ED)、ASPS(ID)、ASPS-LBP、ASPS-GlCM、ASPS-BF模型相比，在分类性能和计算效率方面都取得了更优的效果，有效提高小样本下高光谱图像的分类精度。

高光谱技术由于满足连续性与光谱可分性的要求, 具有能够区别同一种地物不同类别的能力, 且光谱数据获取速度快, 操作简易, 在监测水体分布状况、 水体指标上具有突出成就。 生化需氧量BOD是评价水污染的重要指标, 现行常规的测量方法为五日培养法, 这种方法消耗试剂、 操作复杂、 受干扰因素多、 测定时间长、 不能及时反映水质变化、 无法及时有效地预警突发水污染事件, 鉴于传统方法的缺点, 探索基于高光谱技术的水体BOD含量的估算和反演对水质评定具有重要意义。 以西安地区三处地表水为研究区, 共计60处试验点, 每处试验点重复测定10次光谱与BOD值, 取平均值作为原始光谱, 利用Person相关系数法筛选光谱与BOD值的敏感波段, 并使用主成分分析与最小二乘法消除光谱指标的多重共线性, 建立水质BOD指标的多元线性回归模型与偏最小二乘回归模型。 研究结果如下: (1)BOD敏感波段大体分布于600～900 nm, 共筛选出了35个显著相关的原始光谱指标, 其中758 nm相关系数绝对值最高(0.418); (2)经由主成分分析降维得出的Z1和Z2与BOD指标的多元线性回归模型精度较好(R2=0.565, RMSE=0.007), 且主成分分析中可以明显区分0～0.2与0.4～0.6 mol·L-1 BOD浓度; (3)光谱指标与BOD指标构建偏最小二乘回归模型的精度R2高达0.896, RMSEP=0.746 9(留一交叉法均方根误差); jack.test检验发现628 nm对反演水体BOD含量的影响极其显著, 889与893 nm波段对其影响较为显著; (4)根据模型拟合精度, 筛选的最优的BOD反演模型为偏最小二乘回归模型, 对偏最小二乘模型进行精度检验, 精度较好(R2=0.81)。 基于以上试验结果, 提出了一种基于偏最小二乘法高光谱水质BOD参数的反演方法, 为水质BOD参数动态检测提供了新方法。

草坪色泽是草坪观赏价值的最直接体现。 探索基于高光谱的草坪草叶绿素含量的估算和反演对草坪质量评定具有重要意义。 以3种常用草坪草种——“红象”高羊茅（Festuca arundinacea cv. Hongxiang）、 “百灵鸟”多年生黑麦草（Lolium perenne cv. Bailingniao）和“肯塔基”草地早熟禾（Poa pratensis cv. Kentucky）为试样, 通过盆栽实验, 在草坪草生长旺盛期, 使用SOC710VP成像光谱仪和TYS-A3500叶绿素仪分别测定了草坪草冠层光谱数据和叶绿素相对含量（SPAD）, 并通过Person相关系数分析了原始SPAD, 1/SPAD和log（1/SPAD）与10个植被指数: GI（绿度植被指数）、 ARVI（大气阻抗植被指数）、 VARI（可视化气压阻抗指数）、 NDVI705（归一化植被指数705）、 MSR705（改进红边比值植被指数）、 NDVI670（归一化植被指数670）、 CI（叶绿素指数）、 PSRI（植被衰减指数）、 RGI（相对绿色指数）和EVI（增强植被指数）的相关性, 筛选与叶绿素相关性较高的高光谱波段植被指数, 构建植被指数反演叶绿素含量模型, 最后通过精度检验, 筛选最优草坪草叶绿素估算模型。 研究结果如下: (1）不同草坪草光谱曲线整体趋势相差不大, 但不同种间反射率（REF）还是有所区别。 在730~1 000 nm波段, “百灵鸟”多年生黑麦草与“红象”高羊茅REF差异不大, 但“肯塔基”草地早熟禾REF较高, 光谱特征更为明显; (2）10个植被指数中, VARI, RGI和PSRI与草坪草3个叶绿素指标极显著相关, 相关系数R2绝对值均大于0.65, 可作为首选植被指数进行草坪草叶绿素含量估算; （3）植被指数与叶绿素指标逐步回归分析发现, 单因素回归模型中, 利用VARI, RGI和PSRI估算1/SPAD的模型决定系数R2均在0.6以上, 普遍高于SPAD与log（1/SPAD）的估算模型; 而多元线性回归中, 10个植被指数中, RGI与叶绿素指标1/SPAD所构建的模型决定系数R2同样最高, 为0.817, 说明SPAD倒数形式适用于草坪草叶绿素反演; (4）选择决定系数较高（>0.7）的模型进行精度检验, 筛选的最优的草坪草叶绿素指标反演模型为: y1/SPAD=0.161xRGI+0.007xGI-0.054（R2=0.817, RMSE=0.023）。

提出了一种基于高光谱数据简化的改进非负矩阵分解端元提取方法,通过计算和比较图像的光谱信息熵,划分图像的同质区,只选择同质区中最具代表性的像元参与非负矩阵分解运算,减少了端元提取算法的运算量。实验结果显示,数据简化前后运用非负矩阵分解算法所提取的几种矿物的光谱角均值基本相等,但数据简化后端元提取算法的运行时间减少了4/5,算法的运行效率提高。

高寒灌丛是青藏高原生态系统的重要组成部分, 研究高寒灌丛对青藏高原生态系统的系统研究具有重要的意义。 但是长期以来, 由于地处偏远而交通欠发达、 加之生长条件严酷, 造成青藏高原高寒灌丛相关研究较为困难。 遥感探测技术, 可以克服地理及环境造成的困难, 而且可以进行大面积、 无损的探测, 因此, 可以采用遥感探测技术进行青藏高原的高寒灌丛研究。 传统的高分辨率遥感探测技术, 由于常常采用的是RGB三个波段, 对不同植物的辨别精度低, 对应植物的NDVI指数和RVI指数差异性较小, 不能有效区分各类植被。 同时, 高光谱反射率曲线和辐照度曲线, 蕴含上千波段的光谱信息, 若选择某一单一波段来进行植被探测, 则光谱信息损失非常大, 反应出来的灌丛特征不明显, 结果置信度低。 为了区别高寒灌丛植被, 利用高光谱技术对灌丛开展光谱特征分析, 为青藏高原灌丛的遥感探测提供理论支持。 本研究借助美国FieldSpec4高分辨率地物光谱仪, 在东祁连山马牙雪山景区内采集头花杜鹃（Rhododendron capitatum Maxim.）、 鬼见愁（Caraganajubata (Pall.) Poir.）、 金露梅（Potentillafruticosa L.）、 高山柳（Salix cupularis）、 甘肃瑞香（Daphne tangutica Maxim.）和鲜黄小檗（Berberisdiaphana）六种典型灌木植物的室内光谱数据, 通过反射率（REF）、 吸收率（ABS）及其一阶微分（GREF和GABS）的变换, 进一步提高灌木植物光谱曲线间的可辨析度, 分析并筛选出敏感波段, 而后通过各个波段之间的相互组合计算NDVI′值和RVI′值, 并且以TM设置波段计算的NDVI值和RVI值作为参考, 筛选出优于TM波段且差值最大的波段组合确定为最优模型。 结果表明: (1）灌木植物对太阳辐射吸收形成的光谱特征曲线与大多数植物相似, 但与草本植物相比, 灌木植物的第一个波谷发生了左移现象; (2）灌木植物在某些敏感波段中反映出独有的光谱特征, 通过REF, ABS, GREF和GABS变换, 可以进一步扩大, 利用这一特点可以筛选出敏感波段, 进行灌丛分类和识别; (3）六种灌木植物光谱值差异较大, 且数值相对较为稳定的波段有550～680, 860～1 075, 1 375～1 600和1 900～2 400 nm, 因此可选取这四个波段为敏感区进行灌木植物识别; (4）利用575～673和874～920 nm敏感波段的REF均值或者685～765, 556～590, 635～671和1 117～1 164 nm敏感波段的GABS面积, 计算的NDVI值和RVI值可以有效辨别六种灌木植物。