农业机械学报

作者：于丰华，曹慧妮，金忠煜，王楠，李世隆，孙道明，许童羽

单位：沈阳农业大学;国家数字农业区域创新分中心（东北）,沈阳农业大学;国家数字农业区域创新分中心（东北）,沈阳农业大学;国家数字农业区域创新分中心（东北）,沈阳农业大学;国家数字农业区域创新分中心（东北）,沈阳农业大学;国家数字农业区域创新分中心（东北）,沈阳农业大学;国家数字农业区域创新分中心（东北）,沈阳农业大学;国家数字农业区域创新分中心（东北）,

关键词：水稻冠层;氮素;高光谱;多目标鲸鱼优化算法;极限学习机

基金：辽宁省教育厅平台项目（JYTPT2024002）、国家自然科学基金青年项目（32201652）和辽宁省自然科学基金面上项目（2023-MSLH-283）

以水稻为研究对象，获取波长400~1000nm范围内的水稻冠层高光谱反射率。采用Savitzky-Golay卷积平滑方法对高光谱数据进行预处理，并通过连续投影算法（Successive projections algorithm, SPA）选择特征波长。在此基础上，提出了一种基于多目标鲸鱼优化算法（Non-dominated Sorting whale optimization algorithm, NSWOA）优化的极限学习机（Extreme learning machine, ELM）模型，用于反演水稻冠层氮素含量。利用误差反向传播神经网络（Back propagation neural network, BPNN）和ELM模型，与NSWOA优化后的ELM模型进行对比。结果表明，SPA算法筛选出的特征波长为400、440、487、542、589、660、675、739、766、808、878、912、949nm。使用筛选后的特征波长反射率构建NSWOA-ELM水稻冠层氮素含量反演模型效果最好，训练集R2为0.8593，RMSE为0.2002mg/g；验证集R2为0.8543，RMSE为0.2069mg/g。与BP神经网络和ELM模型相比，NSWOA-ELM在预测能力和模型稳定性方面具有显著优势。综上，基于NSWOA-ELM的水稻冠层氮素含量反演模型能够为水稻生长状况的描述及精准施肥提供可靠支持。

来源：2025年第7期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第7期