基于MPA-GA-ELM的無人機高光譜遙感的水稻冠層氮含量反演

基于MPA-GA-ELM的無人機高光譜遙感的水稻冠層氮含量反演

水稻是中國重要的主糧作物之一，其中遼寧、吉林、黑龍江等東北地區種植的水稻是冷地水稻。隨著東北地區土地流轉的不斷深入和冷稻生產的不斷擴大，迫切需要利用信息技術對冷稻氮含量進行高通量、無損、準確地檢測，輔助水稻營養診斷的準確決策，大規模提升冷稻生產過程的數字化。

沈陽農業大學許童羽教授團隊利用搭載有機載高光譜成像系統（GaiaSky-mini，江蘇雙利合譜公司）的無人機高光譜平臺獲取了四種氮肥處理下的關鍵生育期的水稻冠層高光譜影像。其中高光譜波段范圍為400-1000 nm，分辨率為3.5 nm，有效波段數為170條。試驗地點位于遼寧省海城市耿莊鎮沈陽農業大學精準農業航測基地（40°58'45.39 "N,122°43'47.0064 "E），試驗品種為 "粳稻653"，該品種在遼寧地區廣泛種植，如圖1所示。在水稻的返青期、分蘗期、拔節期和抽穗期對水稻葉片的高光譜反射率測量和總氮含量進行了測量。實驗地塊設計有五個氮肥梯度處理，N0為對照組，即不施基肥。N3是當地標準的氮肥施用水平，為150 kg/hm2；N1和N2為低氮肥施用水平，分別為50 kg/hm2和100 kg/hm2；N4為高氮肥施用水平，為200 kg/hm2；磷肥和鉀肥按當地標準施用水平施用。

高光譜遙感系統獲取的全波段光譜中含有大量與水稻氮素含量無關的冗余信息，導致反演模型建立過程中模型誤差增大。因此，本研究利用海洋捕食者算法（MPA）提取特征波段，并將其作為遺傳算法（GA）的輸入變量，進行變量篩選優化后，利用的極限學習機（ELM）進行建模以實現對水稻冠層氮素含量估測，具體流程如圖2所示。

圖2 MPA-GA-ELM流程

利用Savitzky-Golay卷積平滑算法對400 ~ 1000 nm的反射率光譜數據進行平滑處理，并利用MPA提取特征波段用于水稻氮素含量反演。圖3為MPA算法的特征波段選擇結果，*佳特征波段為570、723、811和987 nm。本研究提取的特征波段主要集中在綠波段、紅邊位置、近紅外波段范圍。

圖3 MPA特征波長

在兩種建模方法建立的水稻氮素含量反演模型中，GA-ELM模型的反演效果優于ELM模型，訓練集和驗證集的R²均高于0.7357，RMSE均低于0.4878 mg/g，如圖4所示。由表1可知，采用傳統極限學習機算法的水稻氮素含量反演模型的模型精度弱于采用遺傳算法的水稻氮素含量反演模型。主要在于單一的ELM模型，其參數是在建模時設定的，缺乏優化過程，即無法確定給定的參數是否是*優解。而通過多目標函數優化算法，以計算值與真實值之間的誤差大小為測量依據，不斷迭代優化ELM模型參數，通過設置誤差閾值確定ELM模型參數，從而提高了水稻氮含量反演的精度。

圖4 水稻氮素含量反演結果

本研究提出了一種基于無人機高光譜平臺的水稻冠層氮素反演模型。但是使用的無人機高光譜遙感平臺存在一定的采集誤差，受無人機平臺的限制，地面樣本數量仍然相對有限。所建立的氮含量反演模型僅針對實驗水稻品種，該反演方法對其他品種氮含量的適用性還有待進一步提高。因此，在未來的研究中，我們將增加實驗品種的數量，建立水稻不同生育期氮含量的反演模型，以提高模型的準確性和通用性。

通訊作者簡介：

許童羽，博士，沈陽農業大學信息與電氣工程學院教授，博士生導師。

主要研究方向：精準農業航空；農業信息化；農業電氣化。

參考文獻：

Yu, F.H., Guo, Z.H., & Xu, T.Y. (2021). Inversion modeling of rice canopy nitrogen content based on MPA-GA-ELM UAV hyperspectral remote sensing. International Journal of Precision Agricultural Aviation, 1, 30-35. DOI:10.33440/j.ijpaa.20210402.173