基于CARS-RUN-ELM算法的水稻叶片氮磷含量协同反演方法

摘要：

同时反演氮、磷元素含量相对于单一元素反演可以更加全面地表达水稻的营养状况,为快速、准确获取水稻叶片氮、磷含量和精准变量施肥提供依据.该研究基于不同氮肥处理的田间小区试验,获取水稻叶片氮、磷含量数据,采用竞争性自适应重加权采样法(Competitive Adapative Reweighted Sampling,CARS)筛选氮素与磷素共同特征波长,以特征波长反射率为输入,以化学方法测得叶片氮、磷元素含量为输出,分别使用反向传播神经网络、极限学习机(Extreme Learning Machine,ELM)、龙格-库塔算法优化极限学习机(RUNge Kutta optimizer-Extreme Learning Machine,RUN-ELM)构建水稻叶片氮、磷含量反演模型并分析.结果表明:采用CARS方法有效去除了高光谱中大量无用、冗余信息,得到5个氮、磷元素共同特征波长,去除具有共线性的特征波长,最后筛选出的特征波长分别是451、488、780、813 nm.使用筛选后的特征波长反射率构建RUN-ELM水稻叶片氮、磷含量反演模型效果最好,氮素训练集的决定系数R2为0.690,均方根误差为0.669 mg/g,磷素训练集的决定系数R2为0.620,均方根误差为0.027 mg/g.通过对比,RUN-ELM在预测能力、模型稳定性上优于反向传播神经网络以及ELM模型.综上研究,基于CARS-RUN-ELM的水稻叶片氮、磷含量反演模型可以快速、准确获取水稻叶片氮、磷含量,可为水稻精准施肥提供参考.

关键词：氮素、磷素、遥感、协同反演、特征提取、高光谱、机器学习、水稻

所属期刊栏目：38

分类号：O657.3;S511(分析化学)

资助基金：辽宁省教育厅重点攻关项目LSNZD202005

在线出版日期：2022-08-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：148-155