高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。 旨在寻求特征波段筛选的最佳算法, 以实现土壤重金属铅含量的准确监测, 为土壤污染防治提供参考。 以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源, 利用蒙特卡洛交叉验证（MCCV）算法确定92个有效土壤样品, 通过相关分析选取倒数对数一阶微分变换处理的光谱数据, 采用随机蛙跳（RF）算法, 并结合竞争性自适应重加权（CARS）算法、 迭代保留有效信息变量（IRIV）算法及连续投影算法（SPA）, 构建RF-CARS、 RF-IRIV及RF-SPA三种算法对波段进行筛选。 以倒数对数一阶微分变换处理下的特征波段反射率为自变量, 土壤重金属铅含量为因变量, 采用极端梯度提升（XGBoost）和地理加权回归（GWR）方法构建土壤重金属铅含量估测模型。 结果表明: （1）光谱变换处理可有效增强光谱与土壤铅含量的敏感性, 其中倒数对数一阶微分变换后的土壤光谱特征更为明显, 相关系数可达到0.620（p＜0.001）。 （2）RF-CARS、 RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、 9和7个特征波段, 全部位于近红外光谱区域, 3种算法具有较强的特征提取能力, 极大减少光谱数据中的冗余信息。 （3）基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型, 说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。 此外, GWR模型的性能优于XGBoost模型, 构建的RF-IRIV-GWR模型具有较好的预测能力, 可作为研究区土壤铅含量的最优估测模型, 其验证集的决定系数（R2）为0.892, 均方根误差（RMSE）为0.825 mg·kg-1, 相对分析误差（RPD）为3.09。 基于随机蛙跳（RF）与迭代保留有效信息变量（IRIV）算法, 结合地理加权回归（GWR）建模方法在快速准确估测土壤铅含量方面具有一定优势, 可进行土壤重金属污染的动态监测。

圣女果可溶性固形物(SSC)含量对圣女果内部品质影响至关重要, 但基于高光谱成像及介电性质特征的SSC检测技术存在局限性, 且目前鲜见圣女果SSC无损检测模型。 为实现圣女果SSC的无损检测, 提出基于圣女果可见/近红外光谱特征的SCC预测模型构建, 及改进的BP神经网络算法研究, 以期解决圣女果内部品质的快速无损检测。 以圣女果为研究对象, 试验样本188个, 将其划分为训练集150个和测试集38个, 采用可见/近红外光谱采集系统获取350～1 000 nm范围内的圣女果表面反射强度, 经光谱校正得样本反射率, 为增强信噪比, 截取481.15～800.03 nm范围内的光谱波段作为有效波段进行分析。 通过对比三种预处理模型, 对有效波段进行SG平滑(Savitzky-Golay Smoothing)预处理, 建立BP神经网络预测模型, 测试集决定系数(R2)和均方根误差(RMSE)分别为0.578 5和0.563 9; 在此基础上, 对BP神经网络的网络结构进行改进, 寻求BP神经网络最优预测结构, 计算输出层与期望值间误差, 调整网络结构参数, 将隐含层学习率和神经元个数分别设置为0.01和5, 建立改进的BP神经网络模型(SG-IBP), 测试集R2和RMSE分别为0.981 2和0.102 3; 通过竞争自适应重加权采样算法(CARS)筛选出18个特征波段, 测试集R2和RMSE分别为0.997 8和0.047 9, 同时检测速度显著提升。 研究结果表明: 经过改进的BP神经网络模型性能明显提高, 通过CARS提取特征波段后, 测试集R2提高了0.419 3, RMSE降低了0.516, 检测速度明显提升。 采用CARS提取特征波段的改进BP神经网络模型(SG-CARS-IBP)具有明显的优越性, SG-CARS-IBP模型较为适合圣女果SSC无损检测研究。 该研究可为圣女果SCC的高效无损检测提供参考。

土壤含水量是干旱区地表水-热-溶质耦合运移的关键指标;以干旱区典型样点实测土壤含水量及其室内可见光-近红外光谱数据作为数据集,通过蒙特卡罗交叉验证确定77个有效样本;基于竞争适应重加权采样算法筛选出最优光谱变量子集,利用3种机器学习方法——BP神经网络、随机森林回归和极限学习机建立土壤含水量预测模型,进而实现土壤含水量估算模型的优选。结果表明:竞争适应重加权采样算法能有效剔除无关变量,从2151个光谱波段中优选出20个特征波段,其中R₁₈₄₈与土壤含水量的最大相关系数为0.531;引入偏最小二乘模型和机器学习方法进行对比,分析发现机器学习方法的预测结果比偏最小二乘模型更高;分析比较BP神经网络、随机森林回归和极限学习机的建模结果可知:极限学习机模型建模在机器学习方法中的效果最佳,决定系数R²=0.918,均方根误差RMSE=0.015,相对分析误差RPD=3.123,四分位数间隔RPIQ=3.325;机器学习能显著提升光谱建模反演土壤含水量的精度和稳定性,显示出其在非线性问题中具有很强的透析力和较好的模型稳健性,针对干旱区土壤水分的精准预测和定量估算具有可行性,可为干旱区土壤墒情、精准农业等研究提供科学参考。

饲料中添加铜元素对猪生长速度的促进效果明显,因而铜元素在猪饲料中的超标情况非常普遍,但其带来的危害也非常严重。利用共线双脉冲激光诱导击穿光谱(DP-LIBS)技术对猪饲料中的铜元素进行快速定量分析,采用竞争自适应重加权采样(CARS)算法筛选出与猪饲料中铜元素相关的22个重要变量,压缩率为1.1%;基于筛选出来的22个重要波长变量,利用偏最小二乘(PLS)回归方法建立猪饲料中铜元素含量的预测模型,并对预测集猪饲料样品中的铜元素含量进行预测。结果表明:与全光谱-PLS模型相比,CARS-PLS模型具有更高的预测精度和预测能力,模型相关系数、交叉验证均方根误差、平均相对误差分别为0.978、19.25、5.59%。CARS算法可以有效地优化猪饲料中铜元素的激光诱导击穿光谱在线检测模型,并可以提高模型的预测精度。

为实现玉米种子含水率(MC)的精确、快速、无损检测, 消除种子放置方式(胚部朝上/下)的影响, 基于高光谱成像和图像处理技术, 结合变量筛选法, 针对玉米种子正反面放置的不同分别建立对应的MC预测模型。分别采集种子正、反两面高光谱图像, 提取质心区域光谱数据, 采用竞争性自适应重加权变量选择算法筛选特征波段, 建立对应的MC预测模型。对比图像不同部位光谱曲线变化趋势, 挑选4个特征波段(1104, 1304, 1454, 1751 nm)进行波段运算获取种子正、反面信息及质心位置。依据正、反面检测结果, 自主选择对应的MC预测模型对45个验证集样本进行含水率检测。结果表明, 使用波段运算正、反面识别率分别为97.8%、100%; 正、反两面验证集相关系数分别为0.969, 0.946, 均方根误差分别为0.464%, 0.616%。该研究为使用多光谱成像技术实现玉米种子MC的快速无损自动化检测奠定基础。