采用RNCA-PSO-ELM的水稻叶绿素光谱特征分析与反演.pdfVIP

第 38 卷 第 8 期 农 业 工 程 学 报 Vol.38 No.8 178 2022 年 4 月 Transactions of the Chinese Society of Agricultural Engineering Apr. 2022 采用 RNCA-PSO-ELM 的水稻叶绿素光谱特征分析与反演 1 1 1 1 1,2※ 江凯伦 ，安吉庆 ，赵雨薇 ，罗俊盈 ，曹英丽 （1. 沈阳农业大学信息与电气工程学院，沈阳 110866 ；2. 辽宁省农业信息化工程技术中心，沈阳 110866 ） 摘 要：为探索有效的水稻叶绿素光谱特征选择方法与含量反演建模，解决东北粳稻叶绿素含量无人机遥感监测等问题， 该研究利用沈阳农业大学卡力玛水稻实验站 2018—2020 年无人机（Unmanned Aerial Vehicle，UAV ）水稻冠层高光谱数 据及地面样本数据，设计了基于正则近邻成分分析的光谱特征选择方法，优化了其损失函数与正则化参数，获得水稻叶绿 素不同含量的特征波段，并以此为输入，构建粒子群优化极限学习机叶绿素含量反演模型。结果表明：正则近邻成分分析 算法具有较好的特征选择能力，其损失函数为均方误差损失函数、正则化参数值为 0.306 时，特征选择效果最佳，初选出权 重非零的 16 个特征波段；进一步以叶绿素极限学习机反演精度为判据，优选出权重最高的 6 个特征波段：710、716、508、 798、532 和 708 nm；应用粒子群优化算法优化了极限学习机模型的输入权值和阈值偏差，粒子群算法正交试验种群规模 （POP ）、惯性权重（IW ）、学习因子（C1，C2 ）和速度位置相关系数（MC ）的优选结果分别为50、1.5、1.3、3.5 和 0.6； 基于正则近邻成分分析-粒子群优化极限学习机叶绿素含量反演结果的 RMSE 和R2 分别为 9.549 mg/L、0.891 。研究结果可 为基于无人机平台的高通量作物监测提供理论依据，并为筛选无人机高光谱波段实现作物长势参数快速估测提供参考。 关键词：无人机；高光谱；水稻；叶绿素含量；正则近邻成分分析 doi ：10.11975/j.issn.1002-6819.2022.08.021 中图分类号：S127；S511；S252.2 文献标志码：A 文章编号：1002-6819(2022)-08-0178-09 江凯伦，安吉庆，赵雨薇，等. 采用 RNCA-PSO-ELM 的水稻叶绿素光谱特征分析与反演[J]. 农业工程学报，2022，38(8)： 178-186. doi ：10.11975/j.issn.1002-6819.2022.08.021 Jiang Kailun, An Jiqing, Zhao Yuwei, et al. Analysis and inversion of rice chlorophyll spectral characteristics using RNCA-PSO-ELM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(8): 178-186. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.08.021 现降维，可大幅度减小模型规模、提升模型精度和效率。 0 引 言 