小麦赤霉病（FHB）是一种常见的真菌性病害，由禾谷镰刀菌和其他镰刀菌物种导致。它无处不在，主要侵染穗部，严重影响谷物质量。现阶段基于光谱特征技术的病害监测，严重依赖病害侵染过程中作物生理生化参数改变所引起的光谱响应。然而，作物穗器官的生理特性随生育时期发展，也会产生显著差异。现有的穗部病害光谱监测研究多基于接种后数天内，或基于单一时期的数据样本，进行病害监测研究，不同生育时期的病害光谱响应规律是否相同、其病情严重度估算精度是否一致尚不明确。目前还缺乏一个机理性强的指数构建方法，使得构建的小麦赤霉病指数能够用于侵染早期的病情估算。南京农业大学智慧农业创新团队以小麦赤霉病为研究对象，在南京农业大学牌楼试验基地开连续三年展了小麦赤霉病监测试验，利用了两个高抗小麦品种和一个易感小麦品种，在穗部接种赤霉菌后开始持续观测。利用我司高光谱设备（V10E近红外高光谱成像仪）进行穗部时序拍照（图1），并同步进行破坏性取样测试穗子的多项生理生化指标。图1 病穗样本高光谱图像采集示意图研究总体技术路线如图2所示：基于时序病害高光谱影像，利用连续小波变换进行特征选择，包括小波特征（WF）和纹理特征（TF）；同时，还创建了赤霉病监测新型指数（WFSI和WTTI），再利用多种机器学习算法逐一将WF、TF和数据融合（DF=WFs+TFs）作为输入进行赤霉病识别，最终确定赤霉病估测模型。图2. 研究总体技术路线研究结果表明，赤霉病最显著的小波特征在可见光区域的波段为420-440nm和580-680nm、近红外区域为850-880nm、920-940nm和980nm（图3）。然而针对不同的病害阶段，敏感小波特征有所差异，最终确定了赤霉病监测小波特征为2尺度下的423、581、624、865小波系数。同时，基于灰度共生矩阵计算出这些小波特征的纹理特征，再经过任意两两组合，筛选出了四个赤霉病监测新型指数（WFSI1、WFSI2、WFTI1、WFTI2）。经过与传统植被指数对比发现，新型赤霉病监测指数具有更好监测能力，病害阶段1和2的三年平均分类精度（ACA）分别是80%、90%和91%（图4）。然而，将光谱指数和纹理指数一起作为输入，小麦赤霉病的分类精度得到了进一步提升，三年ACA分别提高到98.06%、89.67%和94.83%。对比不同的机器学习算法发现，Xgboost展现出更好的稳定性和准确性（图5）。这项工作揭示了高光谱成像技术在小麦赤霉病早期监测上的巨大潜力，也为作物病害监测提供了较好的参考。图3. 2019年（a-c）和2020年（d-f）小麦赤霉病的小波系数相关标度图图4. 基于植被指数和机器学习分类器的小麦赤霉病平均分类精度对比图图5. 不同机器学习分类器和数据集的平均分类精度（ACA）对比图

‍‍‍‍‍‍背景：茶树，作为一种至关重要的经济作物，其种植却时常受到恶劣天气条件的困扰，导致茶苗生长缓慢且成本显著增加，从而限制了茶树良种的产业化进程。在茶树育种中，扦插苗的新梢和根系的生物量作为衡量其生长发育的关键指标，其准确且快速的监测对于提高茶苗成活率至关重要。然而，传统的茶树扦插苗生物量分析方法主要依赖于人工测量，不仅费时费力，而且效率低下。幸运的是，随着高通量表型技术的兴起，我们能够从图像数据中快速提取出有用的表型特征。相较于传统方法，高通量系统具有更高的效率、准确性和无损性，能够更精准地呈现我们感兴趣的植物特征。实验设计：利用高光谱成像设备（Gaia field Pro-V10, Dualix Spectral Imaging）采集整个育苗时期的茶树扦插苗的光谱数据。采集系统的外部由一个黑色的暗箱封闭。此外，高光谱相机捕获的图像的光谱范围在可见-近红外波段(391-1010 nm)有1101 ×960像素，可以测量360波段的光谱反射率。为了减轻扦插苗生长后期叶片重叠的影响，对扦插苗的冠层进行了检查，将被遮挡的成熟叶片和嫩枝移至视场。结论：首先，利用Mask R-CNN网络提取新梢和母叶的光谱反射率，其次，利用多元散射校正（MSC）、一阶导数（1-D）和平滑滤波（S-G）算法对采集的原始高光谱数据进行预处理，并利用无信息变量消除（UVE）和竞争性自适应重加权（SPA）算法筛选预处理后高光谱数据的特征波段。最后，提出一种卷积神经网络-门控循环网络（CNN-GRU）网络用于估计扦插苗新梢和根系的生物量，并且与支持向量机（SVM）、随机森林（RF）、偏最小二乘法（PLS）三种机器学习方法和卷积神经网络（CNN）、长短时记忆网络（LSTM）两种深度学习方法进行比较。图1 显示了图像采集和流程图的组合。(a)图像采集(b)数据处理流程图为了去除原始光谱数据的基线漂移、噪声等信息，建立稳定、可靠的定量分析模型，我们结合S-G、MSC和1-D对光谱数据进行预处理。原始平均反射率光谱图和预处理后光谱曲线如图2所示。预处理后，可以清晰地观察到光谱的吸收峰和反射谷更加突出，提高了光谱的灵敏度。图2 原始光谱与预处理后的光谱为了消除无关波段对模型精度的影响，我们使用UVE和SPA算法选择特征波段，如图3所示。图3 特征波段的分布 最后基于选取的特征波段，利用新梢和母叶光谱结合CNN-GRU 、SVM、RF、PLS、CNN、LSTM建立新梢和根系生物量的定量预测模型（图4）。在新梢生物量的预测模型中，新梢光谱+ UVE + CNN-GRU模型的精度最高（RP2=0.90，RMSEP=0.12，RPD=2.43）；在根系生物量的预测模型中，母叶光谱+ SPA+LSTM模型的精度最高（RP2=0.65，RMSEP=0.05，RPD=1.67）。图4 模型的预测值和实际值的散点图。(a)新梢光谱+ UVE + CNN-GRU;(b)母叶光谱+ UVE + CNN-GRU;(c)新梢光谱+ SPA + CNN;(d)母叶光谱+ SPA + LSTM。本研究中高光谱成像技术和多种算法相结合建立的模型具有准确的预测结果，可用于监测茶树扦插苗新梢和分析生物量。这不仅为高效筛选茶叶优良品种提供了新的数据来源和技术手段，而且提高了农业生产效率和资源利用率。作者简介：毛艺霖，青岛农业大学，研究生参考文献：1.Ahmed, S., Griffin, T., Kraner, D., Schaffner, M., Sharma, D., Hazel, M., Leitch, A.,Orians, C., Han, W., Stepp, J., Robbat, A., Matyas, C., Long, C., Xue, D., Houser, R.,Cash, S., 2019. Environmental factors variably impact tea secondary metabolites inthe context of climate change. Front. Plant Sci. 10, 939. https://doi.org/10.3389/fpls.2019.00939.2.Alabi, T.R., Abebe, A.T., Chigeza, G., Fowobaje, K.R., 2022. Estimation of soybean grainyield from multispectral high-resolution UAV data with machine learning models inWest Africa. Remote Sens. Appl. 27, 100782 https://doi.org/10.1016/j.rsase.2022.100782.3.Cao, J., Zhang, Z., 2022. Study on deep learning model for online estimation ofchlorophyll content based on near ground multispectral feature bands. IEEE Access.10, 132183–132192. https://doi.org/10.1109/ACCESS.2022.3230355.论文摘自，欢迎下载浏览：Li He, Mao Yilin, Shi Hongtao, Fan Kai, Sun Litao, Shah Zaman, Shen Jiazhi, Li Xiaojiang, Bi Caihong, Shen Yaozong, Xu Yang, Chen Hao, Ding Zhaotang, Wang Yu. Establishment of Deep Learning Model for the Growth of Tea Cutting Seedlings Based on Hyperspectral Imaging Technique. Scientia Horticulturae, 2024. 331: 113106. https://doi.org/10.1016/j.scienta.2024.113106‍‍‍‍‍‍

‍‍中国地理学会遥感地理专业委员会在2024年5月10-12日在江苏省南京市召开第一届全国遥感地理学大会。双利合谱携便携式多用途高光谱相机等产品重磅亮相论坛相关“第一届全国遥感地理学大会"会议以“面向高质量发展的遥感地理融合创新”为主题。展会地址/Place江苏省南京市，南京大学仙林校区南大国际会议中心 展会时间/Time2024年5月10日-12日部分产品展示便携式多用途高光谱相机机载多模态高光谱成像系统全波段室内高光谱成像系统 显微高光谱成像系统 高光谱拼接影像对接Google地图图像拼接技术是近些年的研究热点，其主要包括图像配准和图像融合两个关键环节。江苏双利合谱科技有限公司针对自身产品的特点，开发了一款针对无人机高光谱影像快速拼接的软件，拼接结果与Google地图高度匹配，实现了与Google地图无缝对接（图1-图6为各地区无人机高光谱与Google地图匹配结果）。图1 新疆12km²图2 上海交大植物园图3 西安植物园图4 成都植物园图5 深圳河流图6 北京小汤山小麦不同尺度目标的高光谱成像系统‍‍

‍‍‍‍背景高粱在发展中国家作为食粮作物, 在田间种植过程中需要喷撒农药以减少病虫害对于产量和品质的影响。当出现严重的病虫害时, 农户们会多次喷洒高浓度的农药溶液, 这导致高粱中存在过量的农药残留。研究表明, 长期食用农药残留超标的食物对人体危害巨大, 会造成癌症、心脏病、神经性疾病等严重后果。因此, 如何无损、快速、准确检测高粱中的农药残留是亟待解决的问题。现阶段农药检测方法包括气相色谱法、气相色谱-串联质谱法、高效液相色谱法等, 这些方法虽然具备较高的检测准确性和精密度, 但存在制样复杂、价格昂贵、检测耗时长、破坏样品和操作难度高的缺点。近些年来, 研究者们已经开始利用光谱技术来检测农药残留, 常用的方法有拉曼光谱检测方法[7]、近红外光谱检测方法和高光谱成像检测方法。其中, 拉曼光谱法和近红外光谱法的检测精度和灵敏度受环境影响较大。高光谱技术相比于传统的光谱技术, 可以同时获得检测样品的图像信息和光谱信息, 可以实现对农药残留的准确检测。本研究建立了基于BP神经网络自适应增强算法的集成学习高粱农药残留分类模型, 相比于单一分类模型, BP-AdaBoost结合BP神经网络和AdaBoost算法的优势, 可以适应不同的数据和问题, 提高模型分类正确率、减少模型过拟合风险。本研究结合高光谱技术与机器学习算法快速检测高粱中残留的农药种类, 可以帮助农产品生产者和食品加工厂快速识别高粱中的农药残留种类。实验设计本研究所使用的高粱品种为红缨子, 是贵州某高粱育种中心常见的品种。农药选择高粱种植过程中常用的农药种类, 分别为苯醚甲环唑、马拉硫磷、氯虫苯甲酰胺、莠去津, 分别表示为B、M、L、Y, 购买于四川宜宾某农药市场。4种农药分别用蒸馏水稀释400、700、700、200倍, 配制实验所需的农药溶液。用4个喷壶农药溶液均匀喷洒在4组高粱样品上, 并设置一组喷洒清水(Q)样品的对照组。每组样品包含2880颗高粱籽粒, 共计14400颗。将高粱样品放置于室内通风处, 自然干燥12 h后利用GaiaField-N17E-HR高光谱成像系统（江苏双利合谱公司）采集高粱样品的高光谱图像。图1高光谱成像系统 采用分水岭算法分割高粱样品籽粒，将每颗高粱籽粒所在区域作为感兴趣区域提取光谱信息。使用孤立森林算法剔除光谱中的异常值，利用SNV、SG和DWT对光谱数据进行预处理，通过CARS、PCA、CatBoost和GBDT筛选特征波长，建立了XGBoost、LGBM、SVM和 BP-Adaboost农药残留分类模型，实现了高粱农药残留种类的快速无损检测。结论为显示不同种类农药残留高粱样品光谱曲线的差异, 计算每类高粱样品的光谱曲线的平均值得到平均光谱曲线, 如图2所示。由图2中可以看出, 在近红外波段范围内, 光谱曲线出现3处较为明显的吸收峰, 分别位于925 nm、1230 nm、1470 nm左右。925 nm位置处的吸收峰与O-H的第一拉伸泛频有关, 1230 nm位置处的吸收峰与C-H的第二拉伸泛频有关, 1470 nm位置处的吸收峰与N-H的第一拉伸泛频有关。在近红外波段范围内, 各类农药残留高粱样品的光谱反射率不同, 但总体变化趋势相似。无农药残留高粱样品的反射率最低, 与不同类型农药残留样品的光谱曲线差异最明显。此外, B与Y的平均光谱反射率非常接近, L的平均光谱反射率最高。在1000~1100 nm范围内, 各类高粱样品的反射率差距最大, 由高到低分别是L、M、Y、B、Q。这些平均光谱的差异为鉴别高粱样品农药残留种类提供了依据。图2 高粱农药残留样品平均光谱曲线高粱农药残留样品的光谱曲线在900 nm和1700 nm处出现了异常波动, 这说明这两个位置处的光谱数据受到的干扰较大, 数据存在严重失真的情况。为消除数据失真对后期建模分类效果的影响, 本研究截去了光谱数据开始处前15个和末尾处后41个波段信息, 保留456个波段用于建模分析。利用SG、DWT、SNV预处理方法对高粱农药残留样品的光谱数据进行预处理。建立预处理光谱数据的SVM农药残留分类模型识别农药残留种类, 识别结果如表1所示。结果显示, 使用SNV预处理的光谱数据建立的分类模型识别效果好, 训练正确率和测试集正确率分别为85.94%和81.58%。这可能是SNV预处理可以同时减少噪声和散射成分对光谱数据的影响。因此, 将SNV预处理后的光谱数据用于后续的研究分析中。原始光谱曲线如图3（a）所示，SNV预处理之后的高粱农药残留样品光谱曲线如图3（b）所示。注: a: 原始光谱曲线; b: SNV预处理后的光谱曲线图3 高粱农药残留样品光谱曲线 表1  光谱数据预处理后的建模效果(%)方法训练集正确率测试集正确率原始光谱(未处理)82.6781.11SG82.7781.43DWT82.5381.46SNV85.9481.58 本研究使用了CatBoost、GBDT、CARS、PCA特征选择方法, CatBoost和GBDT通过设置特征重要性得分阈值(0.2)选择特征波长, PCA通过设置载荷系数阈值(0.1)选择特征波长, CARS选择建立最小交叉验证均方根误差(root mean square error of cross validation, RMSECV)值PLS模型的波长为特征波长, 分别选择了132、147、35、12个特征波长。图4为特征波长的具体位置分布图, 在图4（a）和图4（b）中, 绿色线条代表特征波长的具体位置, 红色线条代表所选择特征波长对应的特征重要性得分, 特征波长大致分布在900、1100、1400、1650 nm范围内。其中, CatBoost提取的最大贡献率波长分布在1600 nm左右, 特征重要性得分为10.23%, GBDT提取的最大贡献率波长分布在1400 nm左右, 特征重要性得分为4.11%。在图4（c）和图4（d）中,红色线条代表特征波长的具体位置。表2为不同特征选择方法筛选的特征波长建立的分类模型结果。全波长模型测试集分类正确率为81.58%, CatBoost-SVM模型测试集分类正确率为81.87%, GBDT- SVM模型测试集分类正确率为81.30%, CARS-SVM模型测试集分类正确率为76.47%, PCA-SVM模型测试集分类正确率为59.19%。特征波长选择方法效果由高到低分别是CatBoost、GBDT、CARS、PCA, 使用CARS和PCA选择的特征波长所建立模型的分类正确率有所下降, 这可能是在特征波长的选择过程中, 减少冗余信息的同时, 也删除了对建立农药残留分类模型有贡献的光谱数据。研究表明, CatBoost选择的特征波长不仅可以减少模型的训练时间, 还能提高模型的分类正确率, 因此, 使用CatBoost选择的光谱数据用于后续分析。表2  特征方法的建模结果(%)模型特征方法训练集正确率测试集正确率SVMNone85.9481.58CatBoost82.4081.87GBDT82.0481.30CARS77.3476.47PCA60.6859.19 注: a: CatBoost; b: GBDT; c: CARS; d: PCA图4  特征波长分布位置 使用CatBoost算法选择的特征波长为光谱数据, 以实际农药残留种类为标签, 建立光谱数据集, 并使用样品集划分方法将光谱数据集划分为训练集和测试集, 建立了BP-Adaboost、XGBoost、LGBM、SVM模型, 实现高粱中不同类别的农药残留的分类, 建模结果如表3所示。从整体分类结果可以看出, Q的分类正确率最高, 识别效果好, Y的分类正确率最低。最佳的农药残留分类模型为BP-Adaboost, 测试集平均分类正确率为95.17%, B、L、M、Q、Y测试集分类正确率分别为99.80%、85.11%、94.76%、99.80%、96.24%, 错误识别农药残留高粱籽粒颗数分别为1、74、24、1、19。相比于XGBoost、LGBM、SVM模型, BP-Adaboost模型平均正确率分别提升了12.66%、13.47%、13.3%。BP-Adaboost模型之所以取得如此良好的分类结果, 是因为它不仅利用弱分类器组合形成强分类器, 而且还利用BP神经网络来调整输入值与输出值之间的误差。XGBoost与LGBM模型训练集分类正确率为100%, 但测试集分类正确率却较低, 模型出现过拟合现象。本研究针对这个情况使用网格寻优来调整模型的参数, 但分类效果仍然没有提升, 这可能是由于模型的复杂程度过高而导致的模型过拟合。此外, BP-Adaboost模型建模时间为124.79 s, 虽然相比于XGBoost等模型所需较长, 但与全波长建立的BP-Adaboost模型相比(建模时间为3325.34 s), 极大地降低了模型训练的时间。与相比姜荣昌等[13]的研究, 在保证单一农药残留类别识别率高的基础上, 同时又提升了模型平均分类正确率。总体来说, CatBoost特征选择方法结合BP-Adaboost模型可以准确鉴别高粱农药残留种类。本研究利用IF算法剔除了高粱光谱数据集中的异常值, 减少了异常样品对于建模结果的影响; 使用SNV预处理方法对光谱数据进行预处理, 减少了噪声和散射成分对于光谱信息的干扰; 在特征波长选择方面, 使用CatBoost特征选择方法, 通过计算波长的特征重要性选择特征波长, 降低了冗余信息对于分类结果的影响, 加快了模型的训练速度, 特征波长建模效果优于PCA、CARS和GBDT选择的特征波长; 最重要的是使用BP-Adaboost集成学习模型, 结合BPNN与AdaBoost方法, 对多个弱分类器的结果进行集成, 提高了模型的分类正确率, 成功地识别出4组不同农药残留的高粱样品和一组无农药残留的高粱样品, 其中B和Q的分类正确率均为99.80%, 与XGBoost、LGBM、SVM模型相比分别高出了12.66%、13.47%、13.3%, 充分体现出集成学习模型的优势。综上所述, 本研究提出了一种新高粱农药残留识别方法, 融合高光谱成像技术、CatBoost特征选择方法和BP-Adaboost集成学习模型, 成功的实现了高粱农药残留的快速、无损识别, 模型训练集平均分类正确率为95.68%, 模型测试集平均分类正确率为95.17%, 为农产品中的农药残留种类提供了一种高效、准确的分类解决方案。表3  特征波长建模结果模型类别训练集正确率/%训练集平均正确率/%测试集正确率/%测试集平均正确率时间/sBP-AdaboostB 99.55 95.6899.8095.17124.79L 86.1385.11M 95.7494.76Q 99.9599.80Y 96.8696.24XGBoostB100.00100.0096.3982.51 45.49L100.0077.47M100.0073.91Q100.0099.62Y100.0063.07LGBMB100.00 99.5597.4181.70 47.82L 98.6273.68M 99.5976.16Q100.0099.17Y 99.5463.16SVMB 97.84 82.4097.7181.87 47.82L 71.5570.40M 78.1274.58Q 99.4499.61Y 64.4467.00参考文献：张嘉洪,何林,胡新军等. 基于高光谱成像技术的高粱农药残留种类检测研究 [J]. 食品安全质量检测学报, 2023, 14 (20): 209-217. DOI:10.19812/j.cnki.jfsq11-5956/ts.2023.20.016‍‍‍‍

‍‍背景钛因其优异的性能被广泛应用于航空航天、医药等***领域，由于其用量大，也被誉为仅次于铁、铝的“第三金属”。然而，钛矿的品质直接关系到钛金属的经济价值和开采潜力。作为评估矿石质量的主要指标，矿石品位的确定至关重要。目前，多种基于传感器的品位分析技术在采矿业内外蓬勃发展。尽管上述方法取得了一些进展，但它们许多都是缓慢的，需要繁琐的样品制备程序，并且会使用有毒的、昂贵的化学试剂，无法满足智慧矿山和绿色环保的理念要求。高光谱成像技术（HSI）具有“图谱合一”的优势，可以同时检测目标的光谱和空间域信息，并获得能够充分反映物体内部成分和外部特征的三维数据体。自20世纪70年代以来，Hunt基于高分辨率的光谱反射率特征方面对不同矿物、岩石和有机物的高光谱特性进行了初步探索。近年来，Thangavelu利用高光谱测定了不同铁矿石样品的品位。此外，Samanta基于高光谱的辐射数据，快速确定了铜矿的品位。Manna在铜矿铜品位估算中，开发了一种多层前馈神经网络模型，以建立高光谱反射率特征与铜品位之间的功能联系。以上HSI已被用于通过评估单一矿石成分(如Fe或Cu品位)来识别矿物质，其在多组分中的应用尚不清楚。由此可见，基于高光谱的检测技术在矿业领域仍然是一项年轻的技术，实际应用很少。HSI获得的数据量很丰富，通常一个像素往往包含多个组分的混合信息，这使得多元数据分析变得非常关键。该分析方法能尽可能多的挖掘光谱数据中有价值的信息，直接对不同形态的复杂混合物进行定性和定量分析。目前，化学计量学是被公认为多元数据分析的有力工具，已经在高光谱图像上使用了很多年。本文着重在光谱预处理、降维分析、模型构建等阶段探索了该方法的应用。本研究旨在探讨HSI对钛铁矿中钛、铁、钒、锰、钴、铜、锌、铬、铅等9种主要组分品位测定的应用潜力。在光谱数据处理阶段，分析了不同预处理方法对数据的影响，重点比较了基于投影（t-SNE）和特征选择（iPLS-VCPA-IRIV、iPLS-VIP-IRIV）的降维技术的有效性。为了检验钛铁矿HSI在空间域的潜力，利用颜色矩提取了矿石样本的颜色特征，并与各组分品位间进行Pearson相关性分析。基于光谱和空间数据，采用树突网络（DD）、偏最小二乘（PLSR）、反向传播神经网络（BPNN）和麻雀优化的核极限学习机（SSA-KELM）多元模型建立数据集与各组分品位之间的映射关系，并对其可靠性进行评估，以确定*佳反演模型。最后，采用*优组合算法对平行试样的品位值进行反演验证。实验本研究所用的钛铁矿原料来自中国四川（由攀枝花学院提供）。在这项工作中，所有样品均在实验室球磨机(南大QM-3SP2行星式)中研磨，之后以200目粒径进行筛分。使用Innov-X Delta DS6000手持式XRF装置测定两份原料的钛品位分别约为3.6780%和31.4530%。为了校准模型的开发提供广泛的钛浓度变化范围，用电子分析天平（Sartorius BSA224S）将两份原料以1% (Ti)的梯度制备5份，在球磨机中分别以300转/分钟的速度充分混合30分钟，再次使用XRF测***备的钛铁矿粉末样本的多组分品位。矿石样本制备完成后，通过GaiaField-N17E-HR光谱相机（江苏双利合谱公司）采集矿石样本高光谱图像。提取光谱数据图1b（蓝色线条）为HSI捕获到的原始平均光谱曲线，可以明显看到在整个光谱区域没有特异的波峰波谷。为了找出峰谷突出的区域，分析了光谱波段之间的相关性。对于维度为（x, y, λ）的高光谱数据，转换为（z = x × y, λ），并对z进行相关性分析，结果如a所示。图中显示红色区域的波段在整个波段中占比94.34%，其余颜色区域总共占比5.66%。为了***限度地保留 “纯净数据”，防止其它颜色区域数据的干扰，通过查询颜色栏数据并结合波段得知红色与其余颜色区域的相关性分界点为0.8（波段：483）。随后，将相关性小于0.8的30个波段从数据分析中剔除，从而***了1685.47-1735.34 nm的光谱区域。得到的光谱曲线如图1b（红线）所示。该过程获得的光谱数据（150×483）用于后续的模型建立和分析。图1 光谱曲线分析结论通过XRF检测出了钛铁矿中品位较高的9种金属元素，根据其品位高低对样本进行分组。其中，1%及以上为主要品位（Ti, Fe），0.02-1%为次要品位（V, Mn, Co, Cu），0.02%及以下为微量品位（Zn, Zr, Pb）。钛铁矿中各组分品位的统计分布如表1所示，可以清晰看出，不同组分的品位有明显的差异，这对回归模型的建立至关重要。表1 钛铁矿样品品位测定的统计分析Ilmenite componentsRange (%)Mean (%)SD (%)MajorgradesTi3.3700-31.453016.26008.4938Fe9.0620-32.249019.35046.6826MinorgradesV0.0700-0.36000.19310.0706Mn0.1220-0.60700.34440.1413Co0.0690-0.21750.14910.0422Cu0.0092-0.04500.01990.0071TracegradesZn0.0071-0.02200.01400.0039Zr0.0066-0.01680.01180.0028Pb0.0018-0.02200.00860.0040 钛铁矿样本的光谱反射率值在0.03 - 0.27之间，证实粉状钛铁矿的整体反射率较低，并随品位的增加而降低。图1b显示在NIR区域，该钛铁矿的光谱特征分别在940nm、1020nm和1300~1650nm处出现了波谷。具体地，光谱反射率值在940 nm处达到谷值，随后急剧下降，这主要归因于O-Ti-O的拉伸和变形。该钛铁矿较宽的吸收波段主要位于1300 ~ 1650 nm，Izawa指出这是由八面体配位的亚铁在此附近产生晶体场跃迁分裂而引起的。采用SG、MSC、CR、SD、MSC+SG等5种预处理方法对原始光谱数据进行处理。基于DD模型对比原始光谱数据，探索出HSI光谱数据的***预处理方法，结果如表2所示。预测集中，与原始数据相比，MSC+SG方法下的各指标R2P提高了5.88%，RMSEP降低了34.39%，RPD和RPIQ分别提高了28.86%和38.93%。表2 DD模型下不同预处理方法的结果PretreatmentmethodsCalibration setPrediction setR2CRMSECR2PRMSEPRPDRPIQRAW0.91230.53900.91270.55133.38453.5976SG0.90470.59590.90790.57893.29513.1422MSC0.94880.40720.96190.37785.12325.0226CR0.81490.83520.82850.70912.41473.5038SD0.83930.75430.89780.51193.12814.4302MSC+SG0.96230.35010.96870.31375.65236.6036为直观地看到各预处理方法对数据的改变，绘制了HSI采集的钛铁矿样本三维原始光谱如图2a所示，图2b-d所示三维光谱为CR、SD、MSC+SG预处理的结果。SG预处理后的光谱反射率曲线趋势与钛铁矿原始光谱反射率曲线相似。MSC和MSC+SG预处理的光谱变化不大，但有效地***了光谱散射，突出了光谱峰谷区域。相比之下，CR和SD预处理后的光谱变化明显，两种方法的光谱反射率范围差异过大，导致原始数据的一些特征丢失。然而，***MSC+SG预处理图谱显示，光谱特征区域显著增强，反射率数据得以明显集中，有效增强了光谱特征信息。因此，MSC+SG可以作为一种有效的光谱预处理方法来预测钛铁矿多组分的品位信息。图2 HSI采集钛铁矿样品的三维光谱：(a) RAW光谱；(b) CR预处理后的光谱；(c) SD预处理后的光谱；(d) MSC + SG预处理后的光谱。采用t-SNE、iPLS-VCPA-IRIV和iPLS-VIP-IRIV三种不同的降维算法对近红外光谱数据进行不同程度地约简。图3为不同降维算法的数据分布情况。t-SNE改变了原始数据集，经该方法输出的高维（483维）原始光谱数据特征映射到了三维平面之上。特征选择方法iPLS-VCPA-IRIV和iPLS-VIP-IRIV三步混合策略算法提取的波长数分别为28和38，比原始维度相应减少了94.19 %和92.12 %。总的来说，三种降维算法有效地***了原始光谱矩阵中的冗余信息，为减少计算时间和确保精度奠定了基础。图3 不同降维方法下的数据分布：(a) t-SNE；(b) iPLS-VCPA-IRIV；(c) iPLS-VIP-IRIV。表3为钛铁矿样本中各组分的VIF检验分数。在相关程度上，L代表相关度低，H代表相关度高。对于每个变量，VIF得分均不超过2，说明各变量之间的共线性现象不突出，相关程度符合研究要求。因此，可以采用数据预处理，降维等方法对各组分品位数据进行处理，并参与模型预测。表3 钛铁矿样品中各组分的VIF指数ComponentsTiFeVMnCoCuZnZrPbVIF1.38351.45610.02870.29620.16150.02300.03580.06990.0179Correlation (L/H)LLLLLLLLL 提取矿石样本的颜色特征是否可以用于构建品位预测模型，还有待进一步验证。基于钛铁矿多组分品位（平均品位）与颜色特征参数进行Pearson相关性分析（图4）。从图中可以看出，除S颜色通道的特征参数与多组分品位存在弱相关（R 图4 品位和颜色特征参数的皮尔逊相关性分析多元回归模型DD、PLSR和SSA-KELM可能对两个维度中某一特定数据集的表现好，但基于多组分品位模型稳定性的需求，BPNN才是*佳的模型选择。图5为基于BPNN两个效果*好的光谱和图像数据结果，可以看出，两个数据的指标变化差异不大，证实了BPNN模型即使在小样本量下也具有很强的泛化性能和鲁棒性。综合评价表明，BPNN对两组数据集的预测都是成功的，但利用图像数据预测钛铁矿多组分品位的可靠性略低于利用特征选择的光谱数据。图5 基于光谱数据和图像数据的*优模型结果从iPLS-VCPA-IRIV特征选择的拟合光谱数据图（图6）可以看出，在校正集中，钛铁矿多组分品位都均匀准确地分布在理想曲线上。然而，对于预测集来说，明显可以看出来的是，除拟合良好的主要品位（Ti、Fe）和次要品位（V、Mn、Co、Cu）外，微量品位（Zn、Zr、Pb）的拟合似乎并不令人满意。因此，在下一步工作中，可以对少样本量下矿石内部微量品位的变化进行更深入的研究。图6 基于iPLS-VCPA-IRIV光谱数据的BPNN模型拟合效果本研究从光谱和空间维度出发，探讨了HSI与化学计量学相结合预测钛铁矿多组分品位的能力。 参考文献：Yi X, Chen M, Guo W, et al. Multicomponent hyperspectral grade evaluation of ilmenite using spectral-spatial joint features[J]. Analytical Methods, 2023, 15(38): 5050-5062. https://doi.org/10.1039/d3ay01102j‍‍

为多方位展现高光谱遥感领域的科研成果和前沿信息，江苏双利合谱科技有限公司特别策划了“高光谱课堂”线上专题讲座，我们将定期邀请高光谱遥感相关学科领域专家学者开展前沿讲座，分享高光谱知识和前沿应用，为您在高光谱成像技术向更宽领域的拓展提供参考。11月28日上午10:00—11:00，无锡谱视界科技有限公司—王宇斐副总经理邀您一起探讨”基于光谱技术的“天、空、地“一体化污染溯源“。直播期间更有丰富好礼相送，欢迎届时参加！报告内容针对“污染溯源”这一“痛点”问题，通过新型的光谱技术及“天空地”的一体化融合，带来了更加高效、成本更低的监测产品以及解决方案。以视频+案例的方式，由“像元级马赛克镀膜技术”向产品、案例引申，结合案例向观众汇报：新型的光谱技术及“天空地”的一体化融合所带来的价值。讲师介绍王宇斐，无锡谱视界科技有限公司副总经理。负责谱视界科技的市场及销售工作，参与多个基于光谱技术的”天、空、地“一体化的水环境监测以及污染溯源项目。参与方式1、通过扫描下方二维码，参与本场直播。PC端入口：https://wbxxv.h5.xeknow.com/sl/2mY212、关注“双利合谱”视频号，参与本次直播。直播福利凡在线观看直播的观众，均可以参加“直播互动”活动!名额多多，奖励丰厚，欢迎大家踊跃报名。

为多方位展现高光谱遥感领域的科研成果和前沿信息，江苏双利合谱科技有限公司特别策划了“高光谱课堂”线上专题讲座，我们将定期邀请高光谱遥感相关学科领域专家学者开展前沿讲座，分享高光谱知识和前沿应用，为您在高光谱成像技术向更宽领域的拓展提供参考。欢迎预约直播课，目前培训与演示均为免费提供，详情请关注“双利合谱”微信公众号。高光谱课堂报告题目 ：成像非接触式生理参数检测方法及应用直播时间 ：2023年9月21日 上午10:00—11:00本期嘉宾 ：孔令琴 北京理工大学 副教授观看地址1.通过扫描下方二维码，参与本场直播。2.关注“双利合谱”视频号，参与本次直播。直播福利：凡观看直播的观众，均可以参加“直播互动”活动，直播不停，红包不停，欢迎大家踊跃报名！ 欢迎添加“双利合谱”小程序，随时浏览双利合谱新动态，了解产品详情、产品应用。

为多方位展现高光谱遥感领域的科研成果和前沿信息，江苏双利合谱科技有限公司特别策划了“高光谱课堂”线上专题讲座，我们将定期邀请高光谱遥感相关学科领域专家学者开展前沿讲座，分享高光谱知识和前沿应用，为您在高光谱成像技术向更宽领域的拓展提供参考。欢迎预约直播课，目前培训与演示均为免费提供，详情请关注“双利合谱”官方微信公众号。高光谱课堂报告题目 /Theme机载高光谱成像仪在甘肃马铃薯、苹果园农情监测方面的应用直播时间 /Time2023年8月29日 上午10:30—11:30本期嘉宾 /Distinguished guest冯全 甘肃农业大学 教授观看地址1.通过扫描下方二维码2.关注“双利合谱”视频号直播福利凡观看直播的观众，均可以参加“直播互动抽奖”活动，直播不停，红包不停，欢迎大家踊跃报名！  

鉴于高光谱图像的精确性以及对不同地物极强的识别能力，高光谱被广泛应用到地质、环境监测、农林资源调查、海洋研究等方面，成为科学研究中必不可少的工具和手段。据相关研究机构的数据显示，2021年全球高光谱成像系统市场154亿美元，预计到2026年该市场将增至358亿美元，复合年增长率为18.4%。同时，高光谱技术也逐渐在工业、生物医学、文博考古、刑侦、艺术品鉴定等行业大显身手，为各学科、各领域带来了新的机遇。为了解高光谱仪器技术和应用的最新发展态势，仪器信息网邀请江苏双利合谱科技有限公司销售总监邓新强参与“异军突起的高光谱技术”主题约稿活动，进行投稿分享，向大家介绍高光谱的最新进展情况。江苏双利合谱科技有限公司销售总监 邓新强仪器信息网：您如何评价目前全球及我国高光谱技术和应用的发展现状？相较国外，我国高光谱发展历程有什么不同？邓新强：高光谱或者说光谱成像从上世纪80年代开始在航天及遥感领域开始应用，2000年左右商品化的高光谱设备开始出现，主要是光栅分光(specim\headwall)和液晶可调(CRI)两种技术路线，应用领域也从以遥感、食品检测、军事为主拓展到农林生态遥感监测、工业分行、文保、生医等多个领域。2015年左右更多低成本的光谱成像技术开始出现，包括光场成像技术、mems技术、量子点、超表面结构、芯片镀膜技术等，在工业（塑料、垃圾及水果分选等）、精准农业、水环境、食品检测、美容医疗等多个领域已有成熟的方案和产品进行应用。近几年，人工智能的快速发展给光谱成像技术的开发应用提供了很大的发展空间。在我国，2008年以前，仅有涉及遥感领域等的几家单位从事高光谱的应用研究工作。2008年开始，国内从事高光谱研究工作的团队越来越多，从以研究探索为主逐渐在多个应用方向均有成果落地。2010年左右，在硬件技术方面，国内有几家研究单位开发了以光栅分光和LCTF分光技术的高光谱设备，主要用于配套军工、航天项目。近几年，我国在新型低成本光谱成像技术方面发展较快，mems技术、量子点、超表面结构等新型光谱成像技术均有开展，且商业化、产品化的发展速度较快，从这几年资本对光谱成像技术的投资热度可见一斑。仪器信息网：从技术的角度而言，您认为当前高光谱技术发展是否成熟？还有哪些新的技术亟待发展？邓新强：目前，传统的光栅分光技术比较成熟，但是成本较高，需要在成本上进行优化，降低设备采购门槛；有几种新型的光谱成像技术，在成本方面，具有产业化应用的前景，如片上镀膜技术、mems技术、量子点、超表面结构等，但技术方面，在成本降低的同时，不可避免的会出现数据质量低、光谱与空间分辨率低、光谱准确度低等问题，需要进一步通过压缩感知技术、人工智能等数据处理手段提高数据的准确性。每种技术都有自己的优缺点，我认为最重要的是找到技术与应用的结合点、成本与解决应用问题的平衡点，来实现技术落地。仪器信息网：从应用的角度而言，目前成熟的应用领域有哪些？相关标准建设情况怎么样？您认为最具前景的应用体现在哪些方面？邓新强：高光谱的应用领域非常多，在我所接触过的一些应用来看，除了军事应用外，我认为在工业分选（如塑料、垃圾、食品、矿物等），水环境，精准农业、林业、食品、美容、医学、microLED筛选等领域均有成功的应用案例，也有很好的应用前景。在标准方面，目前，高光谱的标准相对比较少，我们正在参与制定的高光谱检定行标已立项公示，水质监测、肉质品监测用光谱法的行业标准以及国家标准也已开始实施。仪器信息网：贵公司什么时候进入高光谱领域？为什么会选择这一赛道？邓新强：我们公司从2006年开始涉足高光谱产品，2014年，北京卓立汉光仪器有限公司成立四川双利合谱科技有限公司，并于2021年改名为江苏双利合谱科技有限公司，双利合谱已专注高光谱17年之久。高光谱成像技术最初是光电行业的集成产品方案，双利合谱的母公司北京卓立汉光仪器有限公司专注光电发展20余年，在高光谱成像技术还未在国内广泛应用的情况下，卓立汉光已经发现了高光谱成像的“图谱合一”特点，在很多已有的科研应用上能够满足其快速、无损、非接触式测试分析要求，经过多年的技术积累和科研行业应用推广，客户广泛分布在农林遥感监测、食品快速检测、生态环境监测、军事检测、刑侦物检、文保考古等应用领域。仪器信息网：当前，贵公司在高光谱仪器产品线方面是如何布局的？主推的产品有那几款？邓新强：研发产品的定位，初期以研究领域为主，先后推出了以实验室研究为主的GaiaSorter系列高光谱分选仪产品、适用于现场检测需要的便携式GaiaField高光谱成像仪、适用于无人机应用的GaiaSky无人机高光谱成像仪等。近几年，根据行业应用需求，升级推出了内置分析处理系统及分析模型的GaiaField Pro便携式高光谱成像系统，以及GaiaSky-Mini3无人机高光谱成像系统。针对材料及生命科学领域我们推出了GaiaMicro显微高光谱成像系统及GaiaFluo荧光高光谱成像系统。双利合谱GaiaSorter高光谱成像测试系统GaiaField Pro-V10便携式高光谱成像仪GaiaSky-Mini3-VN机载高光谱成像系统GaiaMircro显微高光谱成像系统GaiaFluo荧光高光谱成像系统仪器信息网：目前中国高光谱相关仪器品牌的竞争情况怎么样？贵单位的优势体现在哪些方面?邓新强：目前国内有非常多新兴公司涉足高光谱领域，主要分为以下几个类型：1.纯国外品牌代理；2.集成开发高光谱系统；3.具备核心器件自研能力开发高光谱系统；4.具备核心器件自研能力，且具备应用开发算法能力。这些公司都在服务中国高光谱市场发展，竞争也越发的激烈。江苏双利合谱科技有限公司经过十余年高光谱行业的积累，已有数百位科研行业应用客户，公开发表数百篇高光谱应用文献，具有完备的市场推广、专业售前服务、丰富的解决方案、前沿性的研发团队、精益求精的生产供应、覆盖全国的现场售后服务团队。仪器信息网：您对中国高光谱市场规模和增长有什么样的预期？理由是什么？邓新强：未来，国内的高光谱市场可达百亿级规模，在2~3年内，大概会保持20%左右的速率增长，主要应用在科研行业和部分行业推广试运行探索阶段，一旦某个行业高光谱应用成熟并大量推广，整个高光谱市场规模将呈现指数增长。中国经过了10余年高光谱科研前沿应用探索，已发表有大量的专业应用文献，为高光谱的行业应用打下了牢固的基础，高光谱科研应用专家也正在积极寻求高光谱在应用行业的落地，比如：水环境监测、农林行业监测、肉类食品加工等。同时，致力于高光谱行业落地推广的许多公司，其中不乏已经掌握了高光谱核心硬件技术、应用算法等，如“无锡谱视界科技有限公司”，解决高光谱在行业应用遇到的成本、数据解析、方案集成等难题。因此，未来高光谱市场前景广阔。仪器信息网：基于此，贵公司未来高光谱方面的发展规划？邓新强：未来江苏双利合谱科技有限公司发展主要分为两个方向：一是在科研应用领域，加深高光谱高校科研行业应用推广，积累更多、更前沿的高光谱行业应用方案；二是江苏双利合谱科技有限公司和长春长光辰谱科技有限公司联合成立无锡谱视界科技有限公司，谱视界具备高光谱核心器件自研能力，积累了多种高光谱行业应用解析模型，将持续推动高光谱在行业应用中落地。

为多方位展现高光谱遥感领域的科研成果和前沿信息，江苏双利合谱科技有限公司特别策划了“高光谱课堂”线上专题讲座，我们将定期邀请高光谱遥感相关学科领域专家学者开展前沿讲座，分享高光谱知识和前沿应用，为您在高光谱成像技术向更宽领域的拓展提供参考。欢迎预约直播课，目前培训与演示均为免费提供，详情请关注“双利合谱”微信公众号。报告题目：叶片生理生化参量成像高光谱估测初探报告时间：2022年11月17日 上午10:00—11:30报告嘉宾：周凯，农学博士，南京林业大学讲师，硕士生导师讲师简介：周凯，农学博士，南京林业大学讲师，硕士生导师。主要从事银杏苗木氮素营养光谱监测诊断等森林精准培育信息化研究方向。近年来，在ISPRS Journal of Photogrammetry and Remote Sensing、Resources, Conservation and Recycling等期刊发表第一作者文章。担任Computers and Electronics in Agriculture、European Journal of Agronomy、Frontiers in Plant Science等SCI期刊审稿人，国际植物表型组织（IPPN）森林表型工作组成员，林草遥感应用国家创新联盟成员。现主持国家自然科学基金1项，参与国家重点研发计划课题、江苏省重点研发计划项目各1项。报告摘要：叶片生理生化参数的精准测量对农作物及林木长势及健康状况的评估具有重要的意义。报告主要介绍高光谱技术在叶片生理生化参量估测当中的应用，并列举了典型农作物（水稻）和林木（银杏）的应用实例。针对水稻研究，基于近地高光谱影像实现了水稻冠层影像中器官及背景组分的分类识别，并探究了阴影效应与空间尺度效应对叶片生理生化参量估测的影响。针对银杏研究，在叶片尺度上，基于单叶双向反射率数据，创建了对银杏叶黄酮含量敏感且可抑制叶片表层镜面反射影响的光谱指数；在单木尺度上，耦合主被动精细遥感及PROSAIL辐射传输模型，实现了银杏人工林冠层的色素三维分布估测。讲座相关产品无人机载高光谱成像仪GaiaSky-MINI3-VNGaiaField (Pro)便携式光谱成像系统

为多方位展现高光谱遥感领域的科研成果和前沿信息，江苏双利合谱科技有限公司特别策划了“高光谱课堂”线上专题讲座，我们将定期邀请高光谱遥感相关学科领域专家学者开展前沿讲座，分享高光谱知识和前沿应用，为您在高光谱成像技术向更宽领域的拓展提供参考。欢迎预约直播课，目前培训与演示均为免费提供，详情请关注“双利合谱”微信公众号。第二期高光谱课堂报告题目：基于深度域适应的遥感图像分类方法研究报告时间：2022年9月20日 上午10:00—11:00报告嘉宾：李照奎 博士，沈阳航空航天大学教授，博士生导师 关注“双利合谱”视频号，开播后，在视频号页面即可收看。 直播福利凡观看直播的观众，均可以参加“直播互动”活动，奖品丰富，欢迎大家踊跃报名！满满干货，敬请期待！About Dualix江苏双利合谱科技有限公司是一家集光学、精密机械、电子、计算机技术于一体的高新技术企业，主要的产品包括 Gaiasky 机载高光谱成像系统、Gaiafield 地面野外高光谱成像系统、GaiaSorter 室内暗箱系列高光谱以及 GaiaMicro 显微高光谱等 4 大系列产品。

为多方位展现高光谱遥感领域的科研成果和前沿信息，江苏双利合谱科技有限公司特别策划了“高光谱微课堂”专题讲座，我们将定期邀请高光谱遥感相关学科领域专家学者开展前沿讲座，分享高光谱知识和前沿应用，为您在高光谱成像技术向更宽领域的拓展提供参考。欢迎预约直播课，目前培训与演示均为免费提供，详情请关注“双利合谱”微信公众号。高光谱微课堂第1期 报告题目：光谱技术在茶叶检测方面的应用报告时间2022年8月19日 上午10:00—11:00报告摘要从光谱检测原理、茶叶检测现状、茶叶分类和掺假检测、总结4个部分展开介绍。重点阐述铁观音分类和掺假检测。嘉宾介绍康志亮，四川农业大学教授，硕士生导师，主要从事农产品品质检测、信号与信息处理、自动控制等方向的研究。农业工程学会农电专委会委员、四川省电子信息教指委委员。发表SCI/EI等收入论文30多篇，授权**60多项，获批转件著作权10多件。获得四川省教学成果二等奖等多项奖励。直播地址【双利合谱直播间】【视频号】直播福利：凡观看直播的观众，均可以参加“直播互动”活动，奖品丰富，欢迎大家踊跃报名！About Dualix江苏双利合谱科技有限公司是一家集光学、精密机械、电子、计算机技术于一体的高新技术企业，主要的产品包括 Gaiasky 机载高光谱成像系统、Gaiafield 地面野外高光谱成像系统、GaiaSorter 室内暗箱系列高光谱以及 GaiaMicro 显微高光谱等 4 大系列产品。如您对高光谱遥感在农业、水体、自然资源等多领域的应用感兴趣，请关注双利合谱公众微信号！

1、采购信息申购单号：CB106132022000086申购主题：机载高光谱成像仪设备购置采购单位：西南交通大学采购申报项目编号：WSJJ-2022-0142、中标信息采购项：多角度成像光谱仪品牌：双利合谱成交供应商：江苏双利合谱科技有限公司型号：GaiaSky-mini3-VN成交总价：319800.00元3、技术参数：1) 光谱范围：400-1000nm2) 光谱分辨率（FWHM）：5nm3) 光谱采样分辨率：1.34nm4) 数值孔径：F/1.75) 探测器：科研级CMOS6) 数据输出位数：12bit7) 光谱通道数：224（2X）,448（1X）8) 空间通道数：10249) 连接方式：Gige 10) 横向视场角（FOV）：23°@23mm镜头11) 成像方式：内置扫描、外置推扫两用12) 单幅成像速度：4s/cube 13) 辅助摄像头：500W像素14) 功率：45W15）相机总重量：1.2kg 16）内置NCU：I5，8G，240G SSD4、厂商介绍:江苏双利合谱科技有限公司是一家集光学、精密机械、电子、计算机技术于一体的高新技术企业，聚焦机械推扫式高光谱测量技术，为广大客户提供门类齐全的高光谱系统解决方案。主要的产品包括：Gaiasky机载高光谱成像系统、Gaiafield地面野外高光谱成像系统、GaiaSorter室内暗箱系列高光谱以及GaiaMicro显微高光谱等4大系列产品。公司的相关产品，在国内高光谱应用市场，已经成功服务于农业遥感、工业分选、刑侦物证鉴定、环境保护、地质勘探、考古研究等。

双利合谱新品GaiaSky-mini3线上发布会日期：2021年12月16日（周四）PM：15:00本次双利合谱新品发布会，将通过线上直播方式，首次展示GaiaSky-mini3-VN机载高光谱成像系统的新功能与前沿应用。更多惊喜请锁定双利合谱直播间~~GaiaSky mini3-VN无人机载高光谱成像系统完美适配大疆M300 RTK。采用自有专利的内置扫描系统和基于大疆Payload SDK开发的专用三轴增稳云台系统，成功克服了无人机系统搭载高光谱相机时，由于无人机系统的自身震动，以及飞行过程中由于飞机偏航、俯仰和翻滚所造成的成像质量扭曲变形的问题。在获取研究对象的影像的同时获得每个像元的光谱分布，定量分析地球表面生物物理化学过程和参数，为无人机载高光谱成像技术在目标识别、伪装与反伪装军事领域，地面物体与水体遥测、现代精细农业等生态环境监测等领域的广泛应用奠定了基础。