基于支持向量机和ReliefF算法的玉米品种抗倒伏预测.pdfVIP

第 37 卷 第 20 期 农 业 工 程 学 报 Vol.37 No.20 226 2021 年 10 月 Transactions of the Chinese Society of Agricultural Engineering Oct. 2021 基于支持向量机和 ReliefF 算法的玉米品种抗倒伏预测 ※ 张天亮，张东兴，崔 涛，杨 丽 ，丁友强，解春季，杜兆辉，钟翔君 （1. 中国农业大学工学院，北京 100083 ；2. 农业部土壤-机器-植物系统技术重点实验室，北京 100083 ） 摘 要：针对目前玉米品种抗倒伏鉴定方法费时、费力，玉米抗倒伏品种选育周期长的问题，该研究采用高光谱成像技 术结合统计学习方法在玉米营养生长期开展品种抗倒伏预测。于 2018 年和 2019 年开展田间试验采集不同抗倒伏的 8 个 玉米品种的高光谱成像数据，基于区域识别方法提取感兴趣区域（Region of Interest ，ROI ）的光谱曲线，分析抗倒样本 Relevant Features ）和主成分分析（Principal 和不抗倒样本的数据特性；然后分别采用过滤式特征选择算法 ReliefF （ Component Analysis，PCA ）结合 ReliefF 算法的方式，挖掘抗倒品种和不抗倒品种的光谱分类特征；最后使用交叉验证 的方式，对 ReliefF 方法选择的原始光谱数据特征数量和 PCAReliefF 方法选择的主成分特征数量进行优化，分别建立 ReliefF-SVM 和 PCAReliefF-SVM 支持向量机（Support Vector Machines，SVM）分类模型，并对SVM 模型的惩罚参数和 核参数进行优化，以获得更好的模型预测效果。结果表明：经过特征优化，2018 年试验和 2019 年试验分别选择了 40 和 50 个特征参与建模，且使用 PCAReliefF 方法选择的主成分特征与使用 ReliefF 方法选择的原始光谱数据特征相比，几乎 不含有冗余特征；通过对支持向量机模型的惩罚参数和核参数进行优化，2018 年试验 ReliefF-SVM 和 PCAReliefF-SVM 模型对预测集样本的抗倒伏分类预测正确率分别为 84.17%和 85.00%，2019 年试验模型分类预测正确率分别为 84.17%和 85.83%。可见，采用高光谱成像数据和统计学习方法可以实现对玉米品种抗倒伏的早期预测，使用 PCAReliefF-SVM 模 型比 ReliefF-SVM 分类模型综合性能更优，试验可为玉米抗倒伏品种的高效筛选提供方法和借鉴。 关键词：主成分分析；品种；支持向量机；玉米；抗倒；ReliefF doi ：10.11975/j.issn.1002-6819.2021.20.026 中图分类号：S126 文献标志码：A 文章编号：1002-6819(2021)-20-0226-08 张天亮，张东兴，崔涛，等. 基于支持向量机和 ReliefF 算法的玉米品种抗倒伏预测[J]. 农业工程学报，2021，37(20)： 226-233. doi ：10.11975/j.issn.1002-6819.2021.20.026 Zhang Tianliang, Zhang Dongxing, Cui Tao, et al. Lodging resistance prediction of maize varieties based on support vector machine and ReliefF algorithm[J]. Transactions of the Chinese Society