采用GA-ELM的寒地水稻缺氮量诊断方法

被引：18

作者：

许童羽 ^{[1
,2
]}

郭忠辉 ^{[1
]}

于丰华 ^{[1
,2
]}

徐博 ^{[1
]}

冯帅 ^{[1
]}

机构：

[1] 沈阳农业大学信息与电气工程学院

[2] 辽宁省农业信息化工程技术中心

来源：

农业工程学报 | 2020年 / 36卷 / 02期

基金：

国家重点研发计划;

关键词：

光谱分析; 模型; 高光谱; 离散小波多尺度分解; 遗传优化算法; 极限学习机;

D O I：

暂无

中图分类号：

S511 [稻];

学科分类号：

0901 ;

摘要：

为快速、准确、无损实现寒地水稻缺氮量的诊断。该文基于田间试验系统采集的资料,研究东北粳稻氮素含量的亏损或富余与光谱反射率差值之间的关系,并建立东北粳稻氮素含量差值的反演模型。该文采用高光谱反演水稻的缺氮量,并为实施精准施肥提供参考依据,达到减肥不减产的目的,采用产量最高的原则来构建标准氮素含量与标准光谱反射率,并在此基础上,将获取的水稻叶片氮素含量和叶片光谱反射率分别与标准氮素含量和标准光谱反射率做差,得到氮素含量差值和光谱反射率差值,然后对光谱反射率差值分别采用离散小波多尺度分解、连续投影法(successive projections algorithm,SPA)和构建植被指数的方法进行降维处理,将处理后的结果分别作为偏最小二乘(partial least squares regression,PLSR)、极限学习机(extreme learning machine,ELM)和遗传算法优化极限学习机(genetic algorithm-extreme learningmachine,GA-ELM)的建模输入,构建东北粳稻氮素含量差值的反演模型。结果分析表明:采用离散小波多尺度分解的结果建立的GA-ELM反演模型预测效果最好,训练集与验证集的R2均在0.706 2以上,均方根误差(root mean square error,RMSE)均低于0.51mg/g以下,在预测能力、稳定性和泛化性上比PLSR和ELM的预测模型有明显提高。

引用

页码：209 / 218

页数：10