农业机械学报

作者：刘潭，王雯琦，李子默，齐缘，郭忠辉，许童羽

单位：沈阳农业大学,沈阳农业大学,沈阳农业大学,沈阳农业大学,沈阳农业大学,沈阳农业大学,

关键词：水稻;氮素含量;高光谱;耦合离散小波和一阶微分变换;人工蜂鸟优化;极限学习机

基金：辽宁省教育厅面上项目(LJKMZ20221035、LJKZ0683)、辽宁省科技厅面上项目(2023-MS-212)、国家自然科学基金项目(32001415)和辽宁省自然基金指导计划项目(2019-ZD-0720)

为提供一种利用光谱数据对水稻氮素含量加以快速、无损、准确预测的方法，本文以东北水稻为研究对象，采集水稻3个生育期的高光谱数据，结合室内化学实验，为了提高氮素预测精度和模型可解释性，建立水稻氮素含量反演模型。将获取的高光谱数据和相对应的水稻叶片氮素含量，首先通过低通滤波方法对光谱数据进行预处理，针对处理后光谱数据，采用耦合离散小波和一阶微分变换（DWT-DE变换）对光谱数据进行降维，并分别与主成分分析（PCA）、离散小波多尺度分解方法进行对比。以降维后的结果作为输入，实测叶片氮素含量为输出，分别建立极限学习机（ELM）、粒子群优化支持向量机（PSO-SVM）和人工蜂鸟算法优化的极限学习机（AHA-ELM）反演模型，对水稻叶片氮素含量进行预测和验证。结果表明，采用耦合离散小波和一阶微分变换结果建立的AHA-ELM模型预测精度最高，预测效果优于ELM和PSO-SVM模型，训练集决定系数R2为0.8064，RMSE为0.3251mg/g，验证集R2为0.7915，RMSE为0.3620mg/g。鉴于此，本文提出的经DWT-DE变换建立的AHA-ELM模型在快速检测水稻氮素含量中有显著优势，可为水稻精准变量施肥提供参考。

来源：2024年第12期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第12期