10.3964/j.issn.1000-0593(2023)01-0093-07
基于仿生优化算法的水稻叶绿素含量反演模型
用光谱信息精准、高效地检测水稻叶片叶绿素含量,对诊断和优化水稻叶片氮素营养、开发和优化稻田氮素追肥系统、监测和评价水稻病虫害具有重要的实际意义.针对单纯采用机器学习模型反演水稻叶片叶绿素含量模型精确性和稳定性差的问题,以粳稻吉粳88为研究对象,通过网格试验获得分蘖期等关键生育期的叶片表型高光谱数据和相对叶绿素含量.选取核极限学习机(KELM)为基础建模模型,提出了一种先依据基础KELM建模效果选择预处理方法后,再利用仿生优化算法对所选预处理组合所对应的KELM模型的训练过程进行优化的新思路,以提高模型预测精度.首先,对光谱数据的各类预处理方法展开研究,通过对4类预处理方法进行全排列组合共得到72种预处理组合.利用连续投影算法(SPA)选择特征波段输入KELM模型以筛选较优预处理组合.依据建模效果,预处理组合CWT+MMS,CWT+MSC+SG+SS和CWT+SS所对应KELM的测试集决定系数(R2p)较高,分别为0.850,0.835和0.828.其次,为使KELM模型在保证稳定性和泛化性的前提下性能达到最优,引入哈里斯鹰优化算法(HHO),通过模拟鹰群在捕食时的合作行为和追逐策略,自动最优调节上述三种KELM模型参数,使得HHO-KELM模型R2p分别为0.957,0.867和0.858,模型精度得到有效提升,最高提升10.7%.通过研究,证明了HHO算法优化机器学习模型反演水稻叶片叶绿素含量的可行性,为东北粳稻叶绿素含量的测定和评估提供了有力的参考和借鉴.
哈里斯鹰优化算法、核极限学习机、高光谱、叶绿素含量
43
O433.4(光学)
国家自然科学基金;国家自然科学基金;吉林省科技发展计划项目
2023-02-13(万方平台首次上网日期,不代表论文的发表时间)
共7页
93-99