针对油茶籽采收过程中缺乏判断其成熟度的依据，导致茶油的质量和产量不佳等问题，提出一种基于中红外和远红外光谱数据融合检测油茶籽成熟度的方法。采用傅里叶变换红外光谱仪测试了在不同成熟阶段，不同含油率油茶籽的中红外和远红外光谱数据，利用不同特征提取方法（主成分分析法、连续投影算法、无信息变量消除法）对原始光谱数据进行特征提取，再结合支持向量机算法（SVM）建立了油茶籽成熟度的鉴别模型。结果表明：在中红外波段范围内，采用连续投影算法结合遗传算法优化的SVM模型，获得最优的鉴别精度为93.33%；在远红外波段范围内，利用主成分分析法结合遗传算法优化的SVM模型，实现了96.67%的鉴别精度。将中红外波段数据与远红外波段进行数据融合，结合优化后的SVM算法能将鉴别精度提高到100%。该研究表明，红外光谱技术结合优化后的SVM模型可以实现对油茶籽含油率的精确鉴别，数据融合技术能够有效地增加光谱信息并且去除单一光谱的冗余信息。该结果可为油茶的最佳采摘时间提供参考，并可拓展应用到其他农林产品成熟度的鉴别中。

旨在探索感染不同等级赤霉病的小麦中主要成分含量变化引起的傅里叶中红外光谱信息响应, 并结合模式识别方法实现基于傅里叶变换中红外光谱的小麦赤霉病等级无损检测。 以感染不同等级赤霉病小麦为研究对象, 在4 000~400 cm-1波数范围内采集95个小麦样本的傅里叶中红外光谱数据, 利用载荷系数法(XLW)与随机森林算法(RF)分析选取小麦样本傅里叶中红外光谱中的敏感波长, 利用稀疏表示分类(SRC)算法建模识别小麦感染赤霉病等级。 结果表明: XLW算法和RF算法选择的特征波长作为定性分析模型的输入时模型鉴别准确率与全波段光谱数据作输入时均达90%以上, 特征波长提取算法可以有效简化模型并提高效率。 RF-SRC模型鉴别效果最好, 建模集鉴别准确率达97%, 测试集鉴别准确率达96%。 小麦感染赤霉病等级的不同会引起小麦中水分、 淀粉、 纤维素、 可溶性氮素、 蛋白质、 脂肪等物质含量的变化, 采用RF算法选择的特征波长均反映了这些物质所对应的傅里叶中红外光谱透射光谱特征的差异, 结合SRC模型进行小麦赤霉病等级鉴别可达到最好的鉴别效果。 因此, 利用傅里叶中红外光谱技术结合模式识别方法对小麦赤霉病等级鉴别是可行的, 解释了傅里叶中红外光谱技术检测小麦赤霉病等级的机理。

为实现对醇类柴油的鉴别和含量的测定, 在实验室制备了甲醇柴油和乙醇柴油。利用主成分分析方法将甲醇柴油和乙醇柴油分成两类, 利用中红外光谱法对光谱数据进行平滑、基线校正、多元散射校正和归一化, 得到预处理光谱图, 使用最小二乘支持向量机(LSSVM)模型预测甲醇柴油的甲醇含量和乙醇柴油的乙醇含量, 其模型误判率低于7.1%。结果表明, 甲醇柴油甲醇含量LSSVM模型预测集相关系数和预测集均方误差分别为0.9791和1.7201; 乙醇柴油乙醇含量LSSVM模型预测集相关系数和预测集均方误差分别为0.9802和2.9563。实验的结果表明最小二乘支持向量机模型能够预测甲醇乙醇柴油中的甲醇和乙醇含量, 且是一种很有前途的方法。

通过对全国十几个地区共26个土壤样品进行元素含量和红外光谱测定, 分析了土壤中红外发射率光谱特征, 研究了土壤发射率光谱与土壤的硝态氮（NO3-N)、 磷（P)、 钾（K)、 钙（Ca)、 镁（Mg)、 铜（Cu)、 铁（Fe)、 锰（Mn)、 锌（Zn)等元素以及pH值和有机质（OM)含量的相关性, 并利用偏最小二乘回归和多元逐步回归建立了利用发射率光谱估算土壤各种元素含量的回归模型。 由此找到了土壤元素含量与土壤发射率相关性最大的特征波段, 并遴选出了不同波段哪些土壤元素与发射率的相关性最紧密, 为开展土壤发射率的影响因素研究和由土壤中红外光谱预测土壤元素含量奠定了理论基础。 研究结果显示: （1)在8～10 μm波段范围内, 土壤发射率与土壤元素相关性从高到低依次为Ca, Mg, Mn和Fe , 相关系数最高为085, 最低为-05; 另外K, Fe, NO3-N和Zn与发射率的相关性在6～8 μm波段范围内依次减小, 相关系数最高为075, 最低为048; 而在10～14 μm波段内, Mn和K与发射率有较强的相关性, 相关系数约为05; （2)土壤发射率与土壤pH值之间大致呈抛物线关系, 在土壤的pH值为7时, 发射率最高, 随着土壤越酸或越碱, 发射率逐渐降低; （3)在建立土壤各元素含量的预测模型时发现, 偏最小二乘回归估算土壤各元素含量的精度要高于多元逐步回归, 尤其是Ca, Cu和Fe这些元素, 建模和交叉验证的R2分别能达到09、 08以上; 利用观测的土壤发射率光谱根据传感器波谱响应函数模拟得到的MODIS和ASTER传感器红外波段的发射率数据, 通过多元逐步回归模型对土壤各元素含量进行估算发现, 利用ASTER的热红外波段发射率估算土壤Ca含量时建模和验证的决定系数为0774和0892; 用MODIS的红外波段发射率估算土壤Ca和Fe含量的建模和验证的决定系数都在085以上, 估算Mg和K的建模和验证的决定系数都在05以上; 并且ASTER的第10和11波段和MODIS的第28, 29和30波段对土壤各元素有较高的敏感性, 更适合用于土壤各元素的估算。

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。

研究了中红外漫反射光谱快速预测土壤重金属元素含量的可行性。 以在南京江宁区和八卦洲采集的共161个土壤样品为例， 利用偏最小二乘回归(PLSR)法对土壤中Ni， Cr， Cu， As， Zn， Pb， Hg和Cd等8种重金属元素数据进行了预测。 通过对样品的中红外(MIR)漫反射光谱进行各种预处理， 探讨了中红外光谱数据预处理对预测精度的影响， 并比较了中红外光谱与可见光-近红外(VNIR)光谱对土壤重金属含量预测的精度。 结果表明， 依次经平滑、基线校正、多元散射校正预处理能显著提高中红外光谱数据的预测精度； 经校正的中红外光谱对异地样品预测的均方根误差是可见光-近红外光谱的21%～73%， 比VNIR波段更能准确预测异地样品中土壤重金属元素含量。 研究表明， 中红外漫反射光谱可以作为一种快速、非破坏方法预测土壤重金属元素含量， 且比可见光-近红外精度高。