基于集成学习的水稻氮素营养及籽粒蛋白含量监测

摘要：

利用高光谱遥感技术在水稻收获前对籽粒品质相关的蛋白质含量进行监测,一方面可以及时调整栽培管理方式,指导合理追肥,另一方面,有助于提前掌握籽粒品质信息,明确市场定位.该研究以广东省典型优质籼稻为研究目标,基于2019年和2020年两年氮肥梯度实验,以水稻分化期和抽穗期冠层尺度高光谱数据、水稻氮素参数,包括叶片氮素含量(LNC)、叶片氮素积累量(LNA)、植株氮素含量(PNC)、植株氮素积累量(PNA)及籽粒蛋白含量数据为基础,利用四种个体机器学习算法partial least square regression(PLSR)、K-nearest neighbor(KNN)、Bayesian ridge regression(BRR)、support vector regression(SVR),三种集成学习算法random forest(RF)、adaboost、bagging,针对水稻不同生育期氮素状况进行监测建模,在此基础上构建基于水稻冠层光谱信息、光谱信息结合水稻农学氮素参数的籽粒蛋白含量的监测模型,并对模型进行精度对比.研究结果表明,在水稻氮素营养监测方面,利用水稻冠层454～950 nm波段信息,采用RF及Adaboost算法,在水稻分化期、抽穗期及全生育期LNC、LNA、PNC及PNA模型R2均达到0.90以上,同时也具有较低的RMSE和MAE.在水稻籽粒蛋白品质监测方面,采用全波段光谱信息进行籽粒蛋白含量监测时,R F具有最高的精确度与稳定性,两生育期的R F模型对籽粒蛋白含量的监测结果R2分别为0.935和0.941,RM S E分别为0.235和0.226,M A E分别为0.189和0.152;两生育期以全波段光谱信息结合长势参数进行籽粒蛋白监测时,Adaboost模型具有最高的精确度和稳定性,其中分化期全波段光谱信息结合PNA作为输入参数,Adaboost模型R2为0.960,RMSE为0.175,MAE为0.150,以抽穗期全波段光谱信息结合PNC作为输入参数,R2为0.963,RMSE为0.170,MAE为0.137.研究结果表明,与PLSR,KNN,BRR和SVR几种个体学习器算法相比,集成算法RF,Adaboost和Bagging具备良好的处理多重共线性的能力,适合用于高光谱数据的分析与处理,在作物氮素营养监测及水稻品质的早期遥感监测方面具有明显优势.

关键词：高光谱遥感、水稻品质、机器学习、集成算法、Adaboost、Random forest

所属期刊栏目：42

分类号：TP79(遥感技术)

资助基金：广东省重点领域研发计划项目;国家自然科学基金

在线出版日期：2022-06-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1956-1964