基于MPA-GA-ELM的无人机高光谱遥感的水稻冠层氮含量反演

基于MPA-GA-ELM的无人机高光谱遥感的水稻冠层氮含量反演

水稻是中国重要的主粮作物之一，其中辽宁、吉林、黑龙江等东北地区种植的水稻是冷地水稻。随着东北地区土地流转的不断深入和冷稻生产的不断扩大，迫切需要利用信息技术对冷稻氮含量进行高通量、无损、准确地检测，辅助水稻营养诊断的准确决策，大规模提升冷稻生产过程的数字化。

沈阳农业大学许童羽教授团队利用搭载有机载高光谱成像系统（GaiaSky-mini，江苏双利合谱公司）的无人机高光谱平台获取了四种氮肥处理下的关键生育期的水稻冠层高光谱影像。其中高光谱波段范围为400-1000 nm，分辨率为3.5 nm，有效波段数为170条。试验地点位于辽宁省海城市耿庄镇沈阳农业大学精准农业航测基地（40°58'45.39 "N,122°43'47.0064 "E），试验品种为 "粳稻653"，该品种在辽宁地区广泛种植，如图1所示。在水稻的返青期、分蘖期、拔节期和抽穗期对水稻叶片的高光谱反射率测量和总氮含量进行了测量。实验地块设计有五个氮肥梯度处理，N0为对照组，即不施基肥。N3是当地标准的氮肥施用水平，为150 kg/hm2；N1和N2为低氮肥施用水平，分别为50 kg/hm2和100 kg/hm2；N4为高氮肥施用水平，为200 kg/hm2；磷肥和钾肥按当地标准施用水平施用。

高光谱遥感系统获取的全波段光谱中含有大量与水稻氮素含量无关的冗余信息，导致反演模型建立过程中模型误差增大。因此，本研究利用海洋捕食者算法（MPA）提取特征波段，并将其作为遗传算法（GA）的输入变量，进行变量筛选优化后，利用的极限学习机（ELM）进行建模以实现对水稻冠层氮素含量估测，具体流程如图2所示。

图2 MPA-GA-ELM流程

利用Savitzky-Golay卷积平滑算法对400 ~ 1000 nm的反射率光谱数据进行平滑处理，并利用MPA提取特征波段用于水稻氮素含量反演。图3为MPA算法的特征波段选择结果，*佳特征波段为570、723、811和987 nm。本研究提取的特征波段主要集中在绿波段、红边位置、近红外波段范围。

图3 MPA特征波长

在两种建模方法建立的水稻氮素含量反演模型中，GA-ELM模型的反演效果优于ELM模型，训练集和验证集的R²均高于0.7357，RMSE均低于0.4878 mg/g，如图4所示。由表1可知，采用传统极限学习机算法的水稻氮素含量反演模型的模型精度弱于采用遗传算法的水稻氮素含量反演模型。主要在于单一的ELM模型，其参数是在建模时设定的，缺乏优化过程，即无法确定给定的参数是否是*优解。而通过多目标函数优化算法，以计算值与真实值之间的误差大小为测量依据，不断迭代优化ELM模型参数，通过设置误差阈值确定ELM模型参数，从而提高了水稻氮含量反演的精度。

图4 水稻氮素含量反演结果

本研究提出了一种基于无人机高光谱平台的水稻冠层氮素反演模型。但是使用的无人机高光谱遥感平台存在一定的采集误差，受无人机平台的限制，地面样本数量仍然相对有限。所建立的氮含量反演模型仅针对实验水稻品种，该反演方法对其他品种氮含量的适用性还有待进一步提高。因此，在未来的研究中，我们将增加实验品种的数量，建立水稻不同生育期氮含量的反演模型，以提高模型的准确性和通用性。

通讯作者简介：

许童羽，博士，沈阳农业大学信息与电气工程学院教授，博士生导师。

主要研究方向：精准农业航空；农业信息化；农业电气化。

参考文献：

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