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。

红树林生态系统是地球上生产力最高的生态系统之一, 它也是海岸带“蓝碳”生态系统的重要组成部分。 地上生物量作为红树林蓝碳的重要组成部分, 如何准确快速地获取红树林地上生物量已成为红树林生态系统研究的热门问题。 分析北部湾茅尾海红树林地上生物量(AGB)空间分布格局及其量级, 可为该区域红树林生态环境保护及“南红北柳”生态修复提供科学依据。 资源一号数据作为我国自主研发的民用国产高光谱卫星, 其高光谱数据为红树林地上生物量的研究提供了新的机遇。 机器学习算法因其高性能、 高效率的优势被越来越多的应用于红树林相关研究, 目前已经成为获取红树林参数信息的重要手段。 高光谱数据在红树林地上生物量的反演精度如何? 国产高光谱卫星数据和机器学习算法在红树林地上生物量的估算中能否应用? 这些问题仍需进一步验证。 基于国产资源一号02D高光谱数据, 采用极端梯度提升(XGBoost)、 随机森林回归(RFR)以及K近邻回归(KNNR)三种不同的机器学习算法对茅尾海的红树林地上生物量进行估算, 在此基础上对比了不同的机器学习算法的性能。 结果显示: (1)无瓣海桑红树林地上生物量的平均值最高（90.93 Mg·ha-1）, 桐花树次之（52.63 Mg·ha-1）, 而秋茄最小（20.27 Mg·ha-1）。 (2)采用XGBoost、 RF以及KNN三种机器学习算法进行红树林地上生物量和红树林光谱变量建模后发现, 基于对数倒数1阶变换的XGBoost模型精度最高, 为最佳的机器学习模型。 其模型在测试阶段R2=0.751 5, RMSE=27.494 8 Mg·ha-2。 (3)基于资源一号02D高光谱数据, 采用XGBoost算法反演茅尾海的红树林地上生物量介于4.58~208.35 Mg·ha-2之间, 平均值为88.98 Mg·hm-2, 地上生物量在空间上呈现出中部低, 两边高的空间分布格局。 总之, 该研究论证了国产高光谱卫星数据和XGBoost机器学习算法的组合在红树林生物量的估算方面具有良好的应用前景, 可为茅尾海红树林的生态修复和保护提供科学依据和技术支撑。

作物病害类型的快速无损检测对提高作物品质和产量至关重要。 传统的病害分类方法费时费力且不能实时检测。 为此， 利用高光谱进行大豆病害分类。 以健康大豆为对照， 灰斑病和细菌性斑点病两种病害为研究对象， 获取三种类别叶片高光谱数据。 基于高光谱曲线分析病害与健康叶片反射率的变化规律。 采用主成分分析（PCA）和光谱指数（SI）两种单一方法进行病害有效信息提取， 共使用30个SI。 在此基础上， 提出一种PCA与SI相结合的组合方法（PCA-SI）， 通过提取有效主成分（PC）及有效SI， 将有效SI按得分情况分为两组（9SIs和18SIs）， 再分别对应每一个有效PC进行分组， 形成病害光谱有效信息的变量集。 采用三种方法分别进行病害有效信息的提取， 基于提取后的光谱变量， 采用最小二乘支持向量机（LSSVM）和支持向量机（SVM）两种分类器建立病害分类模型。 以原始高光谱为基准， 以病害分类正确率为指标， 评价模型的病害分类性能及不同病害有效信息提取方法和分类器的有效性。 结果表明: 高光谱反射率具有可见光450～700 nm 波段范围病害叶片高于健康叶片而近红外760～1 000 nm波段范围其特征完全相反的规律。 采用单一PCA方法提取出了34个有效PC用于病害分类。 基于PCA-SI组合方法提取出5个有效PC（PC1—PC5）和18个有效SI， 将其进行分组得到10组变量， 共计13组变量作为建模集。 三种方法提取病害有效信息后的光谱变量均比原始高光谱具有更好的病害分类能力， 提出的PCA-SI组合方法具有最优的病害有效信息提取能力， PC1-18SIs和PC4-18SIs为最优建模集， LSSVM分类器具有最优的分类性能。 PC1-18SIs-LSSVM和PC4-18SIs-LSSVM模型为最优病害分类模型， 训练集和预测集的总病害分类正确率分别为100%和98.85%， 与原始高光谱分类模型相比， 总分类能力分别提高了6.47%和21.74%， 模型分类能力较好， 可为病害实时无损分类识别提供参考。

为了快速、 准确的检测北方寒地水稻叶片的磷素含量， 分析水稻的长势情况， 为精准施肥以及稻田的科学管理提供依据， 以北方寒地水稻为研究对象， 以小区实验为基础， 使用海洋光学HR 2000+光谱仪获取水稻叶片高光谱反射率数据， 采用钒钼黄比色法对水稻叶片磷素含量进行测定。 采用SG平滑与多元散射校正（MSC）两种方法对水稻叶片高光谱数据进行预处理， 并将预处理后的光谱数据使用连续投影法（SPA）与无信息变量消除法（UVE）两种算法进行特征选择。 采用SPA算法筛选得到的特征共有11个， 其中位于可见光波段处的有6个， 分别为411、 420、 428、 442、 467和689 nm; 近红外波段处有5个， 分别为797、 850、 866、 965和976 nm; UVE算法筛选得到的特征共47个， 均位于可见光波段范围内， 分布在405~603 nm之间。 分别将这两种方法筛选出的特征波段的反射率作为输入， 构建极限学习机（ELM）， BP神经网络以及狼群算法优化的BP神经网络（WPA-BP）三种水稻叶片磷素含量反演模型并加以分析。 结果表明: 以UVE算法筛选的特征反射率为输入量构建的三种模型的验证集R2在0.705 2~0.724 5之间， RMSE在0.017 4~0.020 4之间; 在相同的反演模型的条件下， 使用SPA算法筛选的特征反射率为输入量构建的模型预测效果更好， 三种模型的验证集R2在0.726 4~0.829 3之间， RMSE在0.018 0~0.021 1之间; 另外， 在利用这两种算法筛选到的特征进行建模时， 对比三种模型的预测结果发现， 经过狼群算法优化后的BP神经网络模型的精度明显高于极限学习机和BP神经网络， 其验证集的决定系数R2为0.803 4， RMSE为0.018 0。 鉴于此， 结合连续投影算法和狼群算法优化后的BP神经网络模型在北方寒地水稻叶片磷素含量高光谱反演中具有一定的优势， 可作为水稻叶片磷素含量的检测以及精准定量施肥的参考和借鉴。

高光谱数据中不仅含有关键性信息还存在一些干扰信息和无效信息, 带有干扰信息和无效信息的数据建立模型会降低效率和模型精度。 从全波段数据中提取特征波长是提高关系模型精度的有效方法。 有序预测选择(OPS)是一种依据信息向量选择有效波长变量的特征波长提取算法, 在特征波长变量筛选方面表现了较好地性能。 但由于建立模型时, 没有去除重要性较低的变量, 导致过多的无效变量参与到模型中, 降低了模型的准确率。 论文以羊肉高光谱数据作为研究对象, 提出了一种改进的特征波长变量选择方法, 基于信息向量和指数衰减函数的有序预测选择方法(AW-OPS)对羊肉新鲜度进行检测, 该算法通过光谱数据和理化值数据之间的关系来计算信息向量并对波长变量进行排序, 采用指数衰减函数(EDF)通过多次迭代去除一些信息向量绝对值比较低的波长变量, 最后在已获取的有效波长变量中逐渐增加波长点建立多元回归模型, 选取交叉均方根误差(RMSECV)最小值的波长变量子集为特征波长变量。 实验时, 将OPS法和AW-OPS法在选取特征波长变量后, 分别构建羊肉TVB-N的偏最小二乘(PLS)关系模型, 同时与全光谱波段PLS模型的效果相比较。 结果表明: OPS算法运行程序平均用时为175.9 s, 优选出370个特征波长变量, OPS-PLS模型相关系数(RP)平均为0.963 1, 均方根误差(RMSEP)平均为0.727; 而改进的有序预测选择法(AW-OPS)运行程序平均用时为57.6 s, 优选出275特征波长变量, AW-OPS-PLS模型平均提升到0.973 1, RMSEP平均降低为0.572 8; 全光谱波长数目为1 414个波长变量, 其PLS模型的平均为0.920 8, RMSEP平均为1.048 3。 AW-OPS-PLS模型相较于OPS-PLS模型测试精度提高了21.2%, 相较于全光谱-PLS模型, 测试精度提高了45%, 证明AW-OPS是一种有效特征波长变量筛选方法, 提高了OPS模型精度和程序运行效率, 降低了模型复杂度。