基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究

摘要：

为了便于经济合理的生菜施肥，研究一种生菜叶片氮素水平智能鉴别方法。在温室大棚内无土栽培不同氮素水平的生菜样本，在特定生育期，采集各类氮素水平生菜样本，利用FieldSpec R○3型光谱仪采集生菜叶片高光谱数据。由于原始高光谱数据存在噪声且冗余性强，利用标准归一化（SNV）对原始高光谱数据进行降噪处理，再利用主成分分析方法（PCA）对高光谱数据进行特征提取。分别利用K最近邻（KNN）和支持向量机（SVM ）对降维后的光谱数据进行分类研究，由于自适应提升法（Adaboost）能提升弱分类器分类性能，将其分别引入到KNN和SVM 两种分类器中，提出了Adaboost-KNN和Adaboost-SVM 两种集成分类算法。分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。结果表明，KNN ，SVM ，Ada-boost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68％，87.34％，100％和100％，其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好，且Adaboost-SVM分类算法的稳定性最好。因此， Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法，并且也为其他作物营养元素无损检测提供了一种新的方法。

关键词：高光谱、生菜叶片氮素水平、KNN、SVM、Adaboost

分类号：TP73(遥感技术)

资助基金：国家自然科学基金项目31101082，61075036;江苏高校优势学科建设工程项目PAPD苏政办发2011[6号]

在线出版日期：2013-12-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：3372-3376