PDF
研究文章|开放获取
李Xue-Ying Guo-xing任,萍萍粉丝,刘燕,中良太阳,Guang-Li侯,Mei-Rong Lv, ”研究土壤养分浓度的校准转让从高光谱相机正常光谱仪”,《光谱学, 卷。2020年, 文章的ID8137142, 10 页面, 2020年。 https://doi.org/10.1155/2020/8137142
研究土壤养分浓度的校准转让从高光谱相机正常光谱仪
Xue-Ying李,1,2,3 Guo-xing任,1,2,3,4 萍萍的粉丝
,1,2,3
刘燕,1,2,3
中良的太阳,1,2,3
Guang-Li侯,1,2,3
和
Mei-Rong Lv1,2,3
1齐鲁大学海洋研究所的仪器技术(山东科学院),中国青岛
2海洋环境监测技术山东省重点实验室,中国青岛
3海洋监测设备国家工程技术研究中心,中国青岛
4信息科学与工程学院,中国海洋大学,青岛,中国
文摘
校准仪器之间的转移主要是针对正常光谱仪校准之间的转移。很少有研究土壤养分浓度的校准转让从高光谱相机正常光谱仪。本文来自三个地区的164份土壤样本在青岛,中国,收集。正常的光谱仪的光谱数据和高光谱相机和总碳和氮的浓度。然后,土壤总碳和氮含量的模型建立了通过使用正常的光谱仪的光谱数据。高光谱数据的传输通过各种方法,如单一传统校准传输算法,结合多个校准算法,转移和校准光谱预处理后传输算法。高光谱数据传输的总碳和总氮浓度预测的模型建立了通过使用一个正常的光谱仪。绝对的系数和预测均方根误差(RMSEP)被用来评估校准转移后的预测性能。在经过许多校准转移方法,由Repfile-PDS校准转移的预测性能,Repfile-SNV是最好的方法。Repfile-PDS校准转移的方法,当PDS windows 27岁的数量和标准数据的数量是40岁和TC的RMSEP浓度分别为0.627和2.351。当PDS窗户的数量是25和标准数据的数量是100,和RMSEP TN浓度分别为0.666和0.297。Repfile-SNV校准转移的方法,当TC和TN标准数据的数量是120,分别是最大的,0.701和0.722,分别和RMSEP为2.880和0.399。高光谱数据校准后转让上述算法,他们可以通过土壤TC和TN浓度预测模型建立了通过使用一个正常的光谱仪,可以获得更好的预测结果。校准的解决方案将土壤养分浓度从高光谱相机正常光谱仪快速预测提供了一种强大的依据大量的图像信息收集的数据通过使用高光谱相机。它大大减少了工作量,促进了高光谱相机在定量分析中的应用和快速测量技术。
1。介绍
土壤养分浓度的检测技术通过使用正常的光谱仪已相对成熟。光谱数据由使用正常的光谱仪和土壤的养分浓度值样本用于建立相关的营养浓度模型(1- - - - - -4]。土壤的养分浓度未知样本可以预测的模型。在建立模型之前,首先获得光谱预处理和提取特征光谱,从而达到更好的模型结果(5,6]。偏最小二乘回归分析是最常用的定量分析方法7- - - - - -9]。和一些方法,如最小二乘支持向量机和反向传播神经网络模型用于建立土壤养分浓度(10- - - - - -12]。通常情况下,土壤样本的数量和更广泛的土壤养分浓度的范围,模型效果就越好。
高光谱数据空间和光谱信息。空间信息可以代表土壤空间分布的形态特征和光谱信息可以代表某个像素的光谱特性13- - - - - -15]。使用高光谱相机获得的高光谱数据是显示在图像的形式。几乎每个像素都有一个连续的光谱曲线,类似的光谱数据的获得是通过使用一个正常的光谱仪。高光谱相机可以获得大量的光谱数据和空间数据在同一时间。它有一定的应用领域的遥感分类(16,17]。由于样本的不确定性浓度对应的高光谱数据,基于高光谱数据的定量分析主要是局限于分析实验室18]。
正常的光谱仪的光谱数据容易获得,相应的土壤养分浓度也很容易确定,和土壤养分浓度模型的建立基于光谱技术是成熟的。建立一个稳定的土壤养分浓度模型的使用正常的光谱仪光谱采集的数据。如果高光谱数据可以转化为数据在某种程度上适合建立稳定的土壤养分浓度模型,获得了良好的预测结果。它将发挥重要的作用在高光谱数据的定量分析。这需要校准算法转移到解决正常光谱仪的光谱数据之间的差异和高光谱相机。
研究使用正常的光谱仪校准转移,校准传输不同的温度,不同的正常的光谱仪,不同地区的样本研究[19- - - - - -23]。一些校准方法是常用的转移,如分段直接标准化、直接标准化典型相关分析和边坡/偏差纠正。然而,很少有研究从高光谱相机校准转移正常光谱仪。
本文从中国青岛,收集164份土壤样本。正常的光谱仪的光谱数据和高光谱相机和总碳和总氮的浓度。然后,土壤总碳和总氮浓度的模型建立了通过使用正常的光谱仪的光谱数据。高光谱数据的传输通过各种方法,如单一传统校准传输算法,结合多个校准算法,转移和校准光谱预处理后传输算法。高光谱数据传输的总碳和总氮浓度预测的模型建立了通过使用正常的光谱仪。绝对的系数和预测均方根误差(RMSEP)被用来评估校准转移后的预测性能。通过分析各种校准传输方法的预测性能,发现优化方法实现校准的土壤养分含量高光谱相机转移到正常的光谱仪。
2。实验部分
2.1。土壤样品
收集土壤样本的脚福山山(60土壤样本),Zaoshan山的农田土壤样品(44),和河边Licun河(60土壤样本)在青岛,中国,共有164个土壤样品。福山的脚山的土壤样本的农田Zaoshan山砂壤土,和土壤样本Licun河河畔的粉砂质壤土。干燥在55 C恒重后,土壤样本都是透过0.45毫米尼龙屏幕和装在样品袋。土壤TN和TC含量5 - 10 g的土样测定的碳和氮分析仪(帕金元素分析仪、美国)。TC的统计表和TN浓度如表所示1。
|
||||||||||||||||||||||||
2.2。光谱数据采集
海洋光学QE65000光谱仪被用作正常spectromater。采样间隔是1纳米,光谱范围是200 - 1100 nm。土壤(3 - 5 g)轻轻平在一个自制的样品盒,其大小是一样的光纤探针支架。光纤探针插入探针支架的孔是在一个45度角,这使得探针杆托架和暴露支架(图1(一))。每一个土壤样本的光谱反射率测量五次,平均价值。便携式高光谱相机GaiaField-V10被用来获得土壤样本的高光谱图像。采样间隔为3.2 nm,光谱范围是400 - 1100 nm。土壤样本轻轻一个矩形框中夷为平地。高光谱相机放在三脚架,土壤样本被垂直(图1 (b))。三个土壤样品从每个高光谱图像。
(一)
(b)
减少噪音的影响在正常的反射光谱分光计,226 - 975 nm的光谱数据保留。所有土壤样品的反射率光谱得到正常的谱图所示2(一个)。收集土壤样本的图像利用高光谱相机,和图像的感兴趣的区域(ROI)提取了100∗100像素大小的矩形图。每一个点的平均光谱值在ROI区域。所有土壤样品的反射光谱的高光谱相机如图2 (b)。常见的光谱波段之间得到正常的光谱仪和高光谱相机,共有169个波长点。所有土壤样品的平均光谱下的两个工具绘制,和差异显著(图2 (c))。
(一)
(b)
(c)
3所示。方法
3.1。校准、测试和标准的数据准备
一百六十四个土壤样本根据土壤样本的顺序安排的福山山,Zaoshan山的农田,Licun河的河边,序列号是显而易见的。为了确保TC和TN浓度由校准数据和测试数据是宽,正常分光计的校准数据和测试数据被分成3:1比例的顺序分类方法,以123份土壤样本为校准数据和41个土壤样本作为测试数据。顺序分类方法分类的样本比例根据样本数据的顺序。例如,校准数据和测试数据分类3:1比例的顺序分类方法,和样品编号1、2和3是作为校准数据,编号4的样品作为测试数据。
校准转移研究的土壤养分浓度从高光谱相机到正常的光谱仪,各种校准转移算法需要设置一些样品作为标准数据从原始样本。一些土壤样品的校准数据正常光谱仪被用作标准数据,和标准的数据获得的顺序分类。高光谱相机的土壤样本,与标准数据的序列号一致的正常的光谱仪,作为高光谱相机的标准数据。
3.2。PLSR模型的建立
偏最小二乘回归(PLSR)是一种常见的多变量分析光谱建模方法(24,25]。结合主成分分析和回归分析的方法。它获得主成分矩阵的谱矩阵和浓度矩阵,分别。两个矩阵都是相关的,他们的线性关系。建立了线性关系是用来预测未知样品。PLSR的优点是,它可以完全提取有效的光谱信息,充分考虑光谱矩阵和浓度矩阵之间的关系,并确保最好的修正模型。评价标准量化模型的绝对系数和测量值和预测值之间的校准数据和测试数据,均方根误差的校准(RMSEC),预测的均方根误差(RMSEP)和残余预测偏差(RPD)。好的模型有更高的 , ,RPD和小RMSEC RMSEP。
正常分光计的校准数据和测试数据被分成3:1比例的顺序分类方法。校准数据被用来建立的校正模型由PLSR TC和TN浓度,和测试数据被用来测试模型。的和TC和TN含量都大于0.85,RPD都大于2.3,RMSEC和RMSEP较小的(表2)。因此,TC和TN浓度可以作为更好的定量模型。
|
||||||||||||||||||||||||||||||||||||
3.3。校准传输算法
校准转移通常是一个方法,将奴隶仪器的数据转换成一个稳定的模型适用于主仪器。本文以下校准转移方法用于解决校准的问题转移之间的正常的光谱仪和高光谱相机,正常的光谱仪是主仪器和高光谱相机是奴隶的乐器。校准方法包括转移模型更新,模型可重复性文件,直接标准化、分段直接标准化、典型相关分析和边坡/偏差纠正。在这篇文章中,和校准数据的光谱数据是通过使用一个正常的光谱仪和高光谱相机,和相应的浓度和 。 和测试数据的光谱数据是通过使用一个正常的光谱仪和高光谱相机,和相应的浓度和 。 和的光谱数据是标准的数据通过使用正常的光谱仪和高光谱相机,和相应的浓度和 。
3.3.1。模型更新
模型更新重建模型通过增加样本的一部分奴隶仪器原始样本的主要仪器(26,27]。具体算法如下:标准数据的光谱数据通过使用奴隶仪器及其相应的浓度添加到通过使用主仪器校准数据,也就是说, ,被添加到 。然后,新的样品浓度由PLSR模型重建。通过添加光谱数据测试数据的奴隶工具计算的新模型,预测浓度可获得。
3.3.2。可重复性文件模型
重复性(Repfile模型)文件模型重建模型通过添加标准的差光谱数据的主仪器和奴隶仪器及其对应的原始样品的浓度不同浓度模型(28,29日]。具体算法如下:标准数据的计算差光谱仪器和奴隶仪器大师, ,并设置相应的浓度差为零。 被添加到 。然后,新的样品浓度由PLSR模型重建。通过添加光谱数据测试数据的奴隶工具计算的新模型,预测浓度可获得。
3.3.3。直接标准化和分段直接标准化
直接标准化(DS)和分段直接标准化(PDS)都意识到校准转移之间的关系通过构造主人和奴隶的光谱仪器。第一,标准的数据之间的关系的主人和奴隶仪器计算和传递矩阵。然后,将光谱数据添加测试数据的奴隶仪器为计算的关系,一种新的光谱类似于主的光谱仪器。最后,新谱主仪器添加的预测模型。DS的具体算法如下(30.,31日:计算传递矩阵, 。新谱计算根据传递矩阵, 。
PDS是基于DS,添加一个动态的窗口。具体算法如下(32,33]:窗口的光谱带宽度 j波长附近拦截点;让 。构造之间的多元线性回归方程和 , 。然后,回归系数由PLSR计算。循环 ,找到所有的 。把变换矩阵的主对角线上 ,其他元素设置为零,最后得到的变换矩阵 。新谱计算根据传递矩阵, 。
3.3.4。典型相关分析
典型相关分析(CCA)的原则是要找到一个线性组合(典型相关系数)和 ,根据光谱数据和主人和奴隶的标准仪器(21,34]。然后,做出的相关系数和最大,产品结果成为典型相关组件。具体的算法如下:根据和计算矩阵 ,计算特征值和特征向量 。所有的特征向量和每个非零特征值对应分为矩阵和 ,分别。和的典型相关系数和 。 和由CCA来分解,典型相关组件和的和计算。最后,传递矩阵是获得。公式如下: , , , ,和 。新谱计算根据传递矩阵, 。
3.3.5。斜率/偏差纠正
斜率/偏差纠正(SBC)是基于样本浓度模型建立的乐器大师,奴隶的光谱数据的标准数据工具添加到模型和浓度标准数据的奴隶仪器预测(35,36]。一个线性回归方程是用来测量浓度预测浓度标准数据的奴隶的乐器。根据这个公式 ,线性方程的最小二乘解,即斜率和偏见的线性模型。通过添加测试数据的光谱数据的奴隶仪器的浓度模型主仪器,奴隶的浓度测试数据的仪器可以预测。最终浓度测试数据的预测价值的奴隶仪器可以根据计算得到的斜率和偏见 。
3.4。预测性能的评价标准
预测性能的评价标准是绝对的系数和预测均方根误差(RMSEP)。越接近是1和RMSEP越小,预测性能就越好。计算公式如下: 在哪里测试数据的数量的奴隶仪器,是th样本测量浓度的奴隶仪器测试数据,是th样本的预测浓度测试数据的奴隶仪器校准后转让、和是所有样品的平均浓度测试数据的奴隶的乐器。
4所示。结果与讨论
各种校准转移算法被用来研究土壤养分浓度的校准转移从高光谱相机到正常的光谱仪。各种校准转换算法的基础上,由标准正态变量光谱数据进行预处理,然后,校准进行了转移。根据预测结果对每个校准传输算法,最优校准算法转移土壤TC和TN浓度从高光谱相机正常光谱仪进行了分析。
4.1。单一的校准转移算法的预测结果
六个校准传输算法(模型更新,Repfile模型,DS, PDS, CCA,和南方浸信会)被用来校准从高光谱相机正常分光计,分别。的土壤和RMSEP值TC和TN浓度如表所示3。PDS窗口19岁的数量,和标准数据的数量是30。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
单一的校准算法转移不能提高土壤TC和TN浓度的预测性能。在TC浓度的预测结果,校准值传输算法都比那些没有校准转移。除了PDS,其他校准传输算法的RMSEP值略低于那些没有校准转移。在TN浓度的预测结果,除了PDS,其他校准的值传递算法都不低于那些没有校准转移,和RMSEP值都低于那些没有校准转移。
4.2。Repfile模型的预测结果与PDS相结合
模型更新和Repfile模型属于重建模型的校准传输方法。DS、PDS和CCA属于校准修正光谱数据的传输方法。南方浸信会属于校准转移方法纠正集中值。在模型重建方法,预测结果Repfile TC和TN浓度的模型比那些通过模型更新。修正光谱数据的三种方法中,PDS的可塑性最大,可以改变通过改变窗口的预测性能。纠正的方法集中值只能改变预测浓度值但不能提高 。因此,Repfile模型结合PDS (Repfile-PDS)是用于研究高光谱相机正常光谱仪校准转移。
当PDS窗口19岁的数量和标准数据的数量是30,TC和TN浓度的预测结果Repfile-PDS。的TC和TN的值分别为0.611和0.648,和RMSEP TC和TN的值分别为2.376和0.301,分别。与单一的校准转移算法相比,预测结果明显改善。
PDS窗户的数量和标准的数据有不同的数量对TC和TN浓度的预测性能的影响。首先,PDS窗口的数量确定。PDS窗口范围从3 - 27日间隔是2。的TC和TN浓度不同的价值观PDS窗口宽度Repfile-PDS如图3,标准数据的数量设置为30。当PDS windows 27岁和25岁的数量TC和TN浓度的值是最大的。在接下来的研究中,PDS windows TC和TN的数量设置为27岁,25岁。
条件下,PDS的窗户TC和TN 27岁和25岁的不同影响的标准数据的预测结果TC和TN浓度进行了研究。的数量标准的顺序分类,范围从10到120的数据,间隔10。TC的预测结果和TN浓度Repfile-PDS如表所示4。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表4显示,当TC和TN标准数据的数量是40和100年,分别值是最大的,0.627和0.666,分别和RMSEP值是最小的,分别为2.351和0.297。在TC浓度的预测结果,当标准数据的数量是20 - 120,约0.6,RMSEP值约为2.5。标准数据的数量是10时,预测结果是不好的。在TN浓度的预测结果,当标准数据的数量是10,20,50岁,到70年,他们糟糕的性能。对于在其他标准数据样本的数量,约为0.6,RMSEP值低于0.32。当标准数据的数量达到一定数量,不同数量的标准数据减少了由Repfile-PDS影响预测效果。
4.3。预测单一的校准算法结合SNV转移的结果
标准正态变量(SNV)之间的区别是原始光谱和光谱的平均,然后除以标准差的光谱数据。SNV的本质是使原始光谱数据标准的规范化。它的功能是消除固体颗粒大小的影响,表面散射,光程变化对光谱(37,38]。
没有SNV光谱预处理,正常的光谱仪的光谱数据和高光谱相机差的土壤样本和丰富的营养浓度是完全不同(数字4(一)和4 (c))。然而,两者的区别光谱被SNV光谱预处理、小和光谱诅咒的一般趋势是相同的(数据4 (b)和4 (d))。随后,校准转移SNV将光谱数据进行预处理的方法进行了研究。
(一)
(b)
(c)
(d)
SNV光谱预处理后,六个校准传输算法,即模型更新,Repfile模型,DS, PDS, CCA,南方浸信会,被用来转移模型之间的高光谱相机和正常的光谱仪。的土壤和RMSEP值TC和TN浓度预测结果如表所示5。PDS窗口的数量是19岁,标准的数据的数量是30。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表5表明,预测结果是坏SNV预处理后,PDS的预测结果,DS, CCA, SBC校准转移算法SNV预处理后没有显著改善。Repfile模型和模型更新被SNV光谱进行预处理和Repfile模型的预测结果更好。的TC和TN的值分别为0.587和0.618,分别和RMSEP值分别为3.437和0.418,分别。因此,SNV结合Repfile模型可以改善土壤养分浓度的预测性能从高光谱相机到正常的光谱仪。
4.4。Repfile模型的预测结果与SNV相结合
为了进一步研究TC和TN含量预测结果预测在不同数量的标准数据通过Repfile模型结合SNV (Repfile-SNV)的数量标准的顺序分类,范围从10到120的数据,间隔10。由Repfile-SNV TC和TN浓度的预测结果如表所示6。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表6显示,当TC和TN标准数据的数量是120,是最大的,0.701和0.722,分别与RMSEP值分别为2.880和0.399,。在TC浓度的预测结果,当标准集的数量不少于40岁大于0.6。在TN浓度的预测结果,当标准集的数量不少于20日值大于0.6。的TC和TN大约增加标准的数据的数量。
4.5。讨论
4.5.1。本文区分校准转移和其他校准转移
摘要校准转移是解决问题之间的校准转移高光谱相机和正常的光谱仪,它本质上是一个校准仪器之间的转移。然而,与正常光谱仪校准之间的传输相比,高光谱相机和正常之间的校准转移光谱仪更为困难。高光谱相机获得的数据显示一个图像,应该处理和图像数据和分析。高光谱相机主要是用于获取数据的字段。不仅仪器之间有差异,而且相同的样本将会不同的光谱信息由于照明,环境,和其他因素,这带来了很大的困难之间的校准转移高光谱相机和正常的光谱仪。数据2 (c),4(一),4 (c)表明高光谱相机的光谱数据是完全不同于那些正常的光谱仪。传统的校准转移校准转移的算法本身并不能解决问题。PDS, DS和CCA三种传统校准传输算法,这属于校准修正光谱数据的传输方法。光谱数据的传递矩阵计算两个标准仪器实现标定的数据传输。由于仪器的影响,外部环境,以及其他因素,光谱数据之间的正常的光谱仪和高光谱相机有很大的不同。因此校准转移基于传递矩阵无法获得更好的预测结果。
4.5.2。分析Repfile-PDS和Repfile-SNV之间
Repfile-PDS和Repfile-SNV方法有最好的预测性能在许多校准传输算法。SNV方法消除了固体颗粒大小的影响,表面散射,光程变化之间的高光谱相机和正常的光谱仪。PDS法进行初步标定转移高光谱相机之间的光谱数据和正常光谱仪仪器的传输矩阵。SNV和PDS方法减少两种乐器在光谱数据之间的差异。Repfile模型方法是重建模型通过添加高光谱相机和正常之间的差光谱分光计,在新模型中引入两者的区别。SNV PDS方法,分别结合Repfile模型方法解决高光谱相机之间的校准转移问题和正常的光谱仪,和良好的预测结果。比Repfile-PDS Repfile-SNV方法略好。特别是当标准数据数量的增加,性能更加明显。因此,SNV法优于PDS法在消除光谱差异的两种乐器。
TC和TN浓度的校准模型获得土壤光谱数据从164年高光谱相机PLSR建立的数据。高光谱相机的标定数据和测试数据被分成3:1比例的顺序分类方法。预测结果如表所示7。高光谱TC和TN浓度模型的测试数据是相同的校准传输算法。最好的预测结果校准转移使用Repfile-SNV方法得到,值TC和TN是0.701和0.722,和RMSEP值是2.880和0.399。的值的土壤TC和TN浓度高光谱相机的光谱数据是0.728和0.808,和RMSEP值是2.106和0.238。最优预测结果Repfile-SNV方法接近TC和TN塑造自我。认证自我高光谱数据的预测结果因此,Repfile-SNV校准的方法是一种可行的方法转移从高光谱相机正常光谱仪在土壤养分浓度。
|
||||||||||||||||||||||||||||||||||||
4.5.3。未来的研究
收集的高光谱数据收集的高光谱相机本文仍在室内,不实域高光谱数据。在未来,将收集的高光谱数据研究领域土壤养分浓度的校准转移光谱仪高光谱相机正常。标准数据的数量仍有一些影响校准方法转移的影响。在未来,希望校准的问题将土壤养分浓度从高光谱相机正常光谱仪可以解决没有标准数据的数量的影响或少量的标准数据。
5。结论
校准仪器之间的转移主要是针对正常光谱仪校准之间的转移。很少有研究土壤养分浓度的校准转让从高光谱相机正常光谱仪。本文来自三个地区的164份土壤样本在青岛,中国,收集。正常的光谱仪的光谱数据和高光谱相机和总碳和总氮的浓度。然后,土壤总碳和总氮含量的模型建立了通过使用正常的光谱仪的光谱数据。高光谱数据的传输通过各种方法,如单一传统校准传输算法,结合多个校准算法,转移和校准光谱预处理后传输算法。高光谱数据传输的总碳和总氮浓度预测的模型建立的正常的光谱仪。绝对的系数和预测均方根误差RMSEP被用来评估校准转移后的预测性能。在经过许多校准转移方法,由Repfile-PDS校准转移的预测性能,Repfile-SNV方法是最好的。Repfile-PDS校准转移的方法,当PDS windows 27岁的数量和标准数据的数量是40岁和TC的RMSEP浓度分别为0.627和2.351。当PDS窗户的数量是25和标准数据的数量是100,和RMSEP TN浓度分别为0.666和0.297。Repfile-SNV校准转移的方法,当TC和TN标准数据的数量是120,是最大的,0.701和0.722,分别和RMSEP 2.880和0.399,分别。高光谱数据校准后转让上述算法,他们可以通过土壤TC和TN浓度预测模型建立了通过使用一个正常的光谱仪,可以获得更好的预测结果。校准的解决方案将土壤养分浓度从高光谱相机正常光谱仪快速预测提供了一种强大的依据大量的图像信息收集的数据通过使用高光谱相机。它大大减少了工作量,促进了高光谱相机在定量分析中的应用和快速测量技术。
数据可用性
所有数据在论文中完全没有限制https://figshare.com/s/6c301c6479dc3f1a554c或通讯作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是在山东省自然科学基金的支持下,中国(ZR2017BB037 ZR2018LD007号,和ZR2019PD004),山东省自然科学基金,中国(没有。ZR2018ZB0532),中国国家自然科学基金(31700447)。
引用
- f . Feyziyev m . Babayev s先天,g . L 'Abate”使用可见近红外光谱预测土壤属性mugan平原,阿塞拜疆,”开放的土壤科学》杂志上》第六卷,没有。3,52-58,2016页。视图:出版商的网站|谷歌学术搜索
- m . Paradelo c .赫曼森m . Knadel p .莫卓普m . h . Greve l·w·德容,“油田规模的预测土壤污染物吸附使用可见近红外光谱,”近红外光谱学杂志》上,24卷,不。3、281 - 291年,2016页。视图:出版商的网站|谷歌学术搜索
- a . m . Mouazen b .旷,“在线可见光和近红外光谱学攷虑磷管理”土壤和耕作研究卷,155年,第477 - 471页,2016年。视图:出版商的网站|谷歌学术搜索
- d Cozzolino”,近红外光谱技术作为一种工具来监控污染物在土壤、沉积物和水态的艺术、优势和缺陷,”环境分析化学的趋势,9卷,不。2、1 - 7,2016页。视图:出版商的网站|谷歌学术搜索
- l·t·潘y汉、陈、姚和j·谢,“最佳合作伙伴波长组合方法应用近红外光谱分析,“化学计量学和智能实验室系统卷,156年,第223 - 217页,2016年。视图:出版商的网站|谷歌学术搜索
- k . Kensuke t . Yasuhiro r·米歇尔et al .,“可见光谱和PLS回归与波段选择估算稻田土壤的总C和N在马达加斯加,”遥感,9卷,不。10,1081年,页2017。视图:出版商的网站|谷歌学术搜索
- x,问:刘,刘x, y . Wang和刘x”评价MLSR和PLSR估算土壤元素内容使用可见/近红外光谱在胶东半岛的苹果园,”系列卷,137年,第349 - 340页,2016年。视图:出版商的网站|谷歌学术搜索
- 辛格n . k . Niazi b, b . Minasny”中红外光谱和偏最小二乘回归来估计土壤砷高度可变的砷污染的网站,“国际环境科学与技术》杂志上,12卷,不。6、1 - 10,2015页。视图:出版商的网站|谷歌学术搜索
- l . j . Janik s t Forrester, a . Rawson”土壤化学和物理性质的预测中红外光谱和偏最小二乘回归和神经网络相结合(PLS-NN)分析,“化学计量学和智能实验室系统,卷97,不。2、179 - 188年,2009页。视图:出版商的网站|谷歌学术搜索
- n . Pengcheng d·t·h·勇et al .,“使用近红外传感器检测土壤氮土壤预处理和算法的基础上,“传感器,17卷,不。5,1102年,页2017。视图:出版商的网站|谷歌学术搜索
- 答:黑樱桃,X.-E。Pantazi, d . Alexandridis et al .,“基于机器学习的预测土壤总氮、有机碳和水分利用可见光光谱可见光,”生物系统工程卷,152年,第116 - 104页,2016年。视图:出版商的网站|谷歌学术搜索
- s, m . y .赵,x,“多元方法估算土壤属性的比较完整的稻田土壤核可见光谱,”Geoderma卷。310年,29-43,2018页。视图:出版商的网站|谷歌学术搜索
- j . Shengyao l .弘扬w .实证et al .,“高光谱成像分析分类的土壤类型和土壤总氮的测定,“传感器,17卷,不。10,2252年,页2017。视图:出版商的网站|谷歌学术搜索
- k . Bhardwaj和智利的,”一个无监督的最优特征选择技术属性spectral-spatial高光谱图像的分类资料,”ISPRS《摄影测量与遥感卷,138年,第150 - 139页,2018年。视图:出版商的网站|谷歌学术搜索
- j . m .上流社会的m . Paoletti和a . j .广场,“云实现的k - means算法对高光谱图像分析,“《华尔街日报》的超级计算,卷73,不。1,第529 - 514页,2017。视图:出版商的网站|谷歌学术搜索
- c·麦肯k . s . Repasky m·莫林r·l·劳伦斯和s·鲍威尔,“小说基于直方图的无监督分类技术来确定从生物物理自然类相关参数高光谱数据,”IEEE选择杂志的主题应用地球观测和遥感,10卷,不。9日,第4148 - 4138页,2017年。视图:出版商的网站|谷歌学术搜索
- m . Pedergnana p . r . Marpu j . A . Benediktsson m.d.色差和l . Bruzzone”小说的最优特征选择技术属性配置文件在遗传算法基础上,“IEEE地球科学和遥感,51卷,不。6,3514 - 3528年,2013页。视图:出版商的网站|谷歌学术搜索
- h·埃莉诺·s .马库斯·l·b·萨拉et al .,“热点地区的土壤有机碳存储了实验室光谱成像,”科学报告ID 13900条,卷。8日,2018年。视图:出版商的网站|谷歌学术搜索
- 郭,r . Heinke s Stockel·罗斯奇t . Bocklitz j . Popp来说,“对一个改进的模型对于拉曼光谱在生物应用程序可转让性,”振动光谱卷,91年,第118 - 111页,2017年。视图:出版商的网站|谷歌学术搜索
- 认可美国诉,j . v . Martonchik a·b·戴维斯和d . j .餐厅”一个标量矩阵算子的线性化方法对气溶胶辐射传输模型和表面属性,“《定量光谱和辐射传输,卷116,不。2、硕士论文,2013页。视图:出版商的网站|谷歌学术搜索
- w·j·本·x Li粉丝,黄永发。周,C.-w。王”,校准转移典型相关分析的近红外光谱学加上小波变换,“分析师,卷142,不。12日,第2238 - 2229页,2017年。视图:出版商的网站|谷歌学术搜索
- j·b·库珀、c·m·拉金和m . f . Abdelkader”校准转让近红外线部分最小二乘产权的燃料使用虚拟模型的标准,“化学计量学杂志》,25卷,不。9日,第505 - 496页,2011年。视图:出版商的网站|谷歌学术搜索
- X.-Y。李、刘y M.-R。Lv, y邹,p。粉丝,“校准之间传输的土壤总碳和总氮两种不同类型的土壤基于可见近红外反射光谱,”《光谱学卷,2018篇文章ID 8513215, 10页,2018。视图:出版商的网站|谷歌学术搜索
- 问:陈,j .赵m . Liu j . Cai和j·刘,“总多酚含量测定绿茶中使用FT-NIR光谱和不同的PLS算法,”制药和生物医学分析杂志》上,46卷,不。3、568 - 573年,2008页。视图:出版商的网站|谷歌学术搜索
- z, m . Zhang k .李et al。”结缺陷的快速检测在木材表面的近红外光谱结合偏最小二乘判别分析,“生物资源,11卷,不。1,第2567 - 2557页,2016。视图:出版商的网站|谷歌学术搜索
- r . n . Feudale: a .伍迪h . Tan a·j·迈尔斯,s·d·布朗和j·费雷,“多元校正模型的转移:回顾”,化学计量学和智能实验室系统,卷64,不。2、181 - 192年,2002页。视图:出版商的网站|谷歌学术搜索
- k·d·谢泼德和m·g·沃尔什”发展表征土壤的反射光谱库属性,“美国土壤科学学会杂志》上,卷66,不。3、988 - 998年,2002页。视图:出版商的网站|谷歌学术搜索
- j·s·申克和m . o . Westerhaus”新的标准化和校准程序nirs分析系统”作物科学没有,卷。31日。6,1694 - 1696年,1991页。视图:出版商的网站|谷歌学术搜索
- m .努里·c·戈麦斯:Gorretta, j·m·罗杰,“粘土含量从机载高光谱可见映射数据传输实验室回归模型,”Geoderma卷。298年,54 - 66年,2017页。视图:出版商的网站|谷歌学术搜索
- J.-X。王,j . h,李,x汉,和g .徐”应用程序GA-DS校准转让航空燃油密度的近红外光谱,”石油科学与技术,30卷,不。19日,1975 - 1980年,2012页。视图:出版商的网站|谷歌学术搜索
- z . w .霁,s, s . Chen, r . a . Viscarra Rossel,和a . M Mouazen”预测土壤属性使用中国土壤光谱库和标准化的光谱记录现场条件,”土壤和耕作研究卷,155年,第500 - 492页,2016年。视图:出版商的网站|谷歌学术搜索
- m·布兰科·m·j·克鲁兹,m . Armengol”控制生产聚酯树脂的NIR光谱,”微量化学杂志,卷90,不。2、118 - 123年,2008页。视图:出版商的网站|谷歌学术搜索
- c·f·佩雷拉·m·f·皮门特尔·r·k·h·Galvao f . A . Honorato l . Stragevitch和m . n .马丁斯”校准传输方法的比较研究汽油质量参数的确定在三个不同的近红外光谱仪,”分析Chimica学报,卷611,不。1,41-47,2008页。视图:出版商的网站|谷歌学术搜索
- 梁w .粉丝,y, d .元,j .王”校准模型传输基于典型相关分析的近红外光谱,”分析Chimica学报,卷623,不。1月22,2008页。视图:出版商的网站|谷歌学术搜索
- d . Abookasis和j。j工人”,直接测量血糖浓度的糖的存在干扰使用斜坡和偏见正交信号校正和傅里叶变换近红外光谱学,”《生物医学光学,16卷,不。2、文章ID 027001, 2011。视图:出版商的网站|谷歌学术搜索
- j·b·库珀、c·m·拉金和m . f . Abdelkader“虚拟标准斜率和偏差校正偏最小二乘喷气燃料转移财产模型到多个近红外光谱仪器,“近红外光谱学杂志》上,19卷,不。2、139 - 150年,2011页。视图:出版商的网站|谷歌学术搜索
- t•费恩a . c . Riccioli和j . e . Guerrero-Ginel“SNV的几何和MSC”化学计量学和智能实验室系统,卷96,不。1、22日至26日进行的,2009页。视图:出版商的网站|谷歌学术搜索
- d . Cozzolino m . j . Kwiatkowski r . g . Cynkar et al .,“使用近红外光谱和元素分析葡萄酒偏最小二乘回归,”Talanta,卷74,不。4、711 - 716年,2008页。视图:出版商的网站|谷歌学术搜索
版权
版权©2020 Xue-Ying李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
