采用GA-ELM的寒地水稻缺氮量診斷方法
發(fā)布時(shí)間:2021-05-15 04:15
為快速、準(zhǔn)確、無(wú)損實(shí)現(xiàn)寒地水稻缺氮量的診斷。該文基于田間試驗(yàn)系統(tǒng)采集的資料,研究東北粳稻氮素含量的虧損或富余與光譜反射率差值之間的關(guān)系,并建立東北粳稻氮素含量差值的反演模型。該文采用高光譜反演水稻的缺氮量,并為實(shí)施精準(zhǔn)施肥提供參考依據(jù),達(dá)到減肥不減產(chǎn)的目的,采用產(chǎn)量最高的原則來(lái)構(gòu)建標(biāo)準(zhǔn)氮素含量與標(biāo)準(zhǔn)光譜反射率,并在此基礎(chǔ)上,將獲取的水稻葉片氮素含量和葉片光譜反射率分別與標(biāo)準(zhǔn)氮素含量和標(biāo)準(zhǔn)光譜反射率做差,得到氮素含量差值和光譜反射率差值,然后對(duì)光譜反射率差值分別采用離散小波多尺度分解、連續(xù)投影法(successive projections algorithm,SPA)和構(gòu)建植被指數(shù)的方法進(jìn)行降維處理,將處理后的結(jié)果分別作為偏最小二乘(partial least squares regression,PLSR)、極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)和遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)(genetic algorithm-extreme learningmachine,GA-ELM)的建模輸入,構(gòu)建東北粳稻氮素含量差值的反演模型。結(jié)果分析表明:采用離散小波多尺度分解的...
【文章來(lái)源】:農(nóng)業(yè)工程學(xué)報(bào). 2020,36(02)北大核心EICSCD
【文章頁(yè)數(shù)】:10 頁(yè)
【文章目錄】:
0 引言
1 材料與方法
1.1 試驗(yàn)設(shè)計(jì)
1.2 數(shù)據(jù)獲取
1.2.1 水稻葉片缺氮量測(cè)定以及產(chǎn)量測(cè)定
1.2.2 水稻葉片光譜反射率差值測(cè)定
1.3 光譜降維方法
1.3.1 離散小波多尺度分解
1.3.2 構(gòu)建植被指數(shù)
1.3.3 連續(xù)投影法
1.4 反演建模方法
2 結(jié)果與分析
2.1 特征及特征波段的選擇
2.1.1 離散小波多尺度分解選取光譜特征
2.1.2 SPA選取有效特征波段
2.1.3 植被指數(shù)與水稻缺氮量的相關(guān)性
2.2 遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)反演模型
2.3 與其他反演模型的比較
3 討論
4 結(jié)論
【參考文獻(xiàn)】:
期刊論文
[1]基于GA-BP神經(jīng)網(wǎng)絡(luò)高光譜反演模型分析玉米葉片葉綠素含量[J]. 陳春玲,金彥,曹英麗,于豐華,馮帥,周長(zhǎng)獻(xiàn). 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2018(05)
[2]基于高光譜技術(shù)的農(nóng)作物常見病害監(jiān)測(cè)研究[J]. 謝亞平,陳豐農(nóng),張競(jìng)成,周斌,王海江,吳開華. 光譜學(xué)與光譜分析. 2018(07)
[3]基于高光譜的抽穗期寒地水稻葉片氮素預(yù)測(cè)模型[J]. 王樹文,牛羽新,馬昕宇,陳雙龍,阿瑪尼,馮江. 農(nóng)機(jī)化研究. 2019(03)
[4]基于無(wú)人機(jī)遙感影像的冬小麥氮素監(jiān)測(cè)[J]. 劉昌華,王哲,陳志超,周蘭,岳學(xué)智,苗宇新. 農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(06)
[5]基于PROSPECT模型的植物葉片干物質(zhì)估測(cè)建模研究[J]. 王洋,肖文,鄒煥成,陸婧楠,曹英麗,于豐華. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2018(01)
[6]基于高光譜的水稻葉片氮素估測(cè)與反演模型[J]. 張國(guó)圣,許童羽,于豐華,陳春玲,王洋. 浙江農(nóng)業(yè)學(xué)報(bào). 2017(05)
[7]基于連續(xù)統(tǒng)去除法的冬小麥葉片全氮含量估算[J]. 李粉玲,常慶瑞. 農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(07)
[8]基于無(wú)人機(jī)高光譜影像的引黃灌區(qū)水稻葉片全氮含量估測(cè)[J]. 秦占飛,常慶瑞,謝寶妮,申健. 農(nóng)業(yè)工程學(xué)報(bào). 2016(23)
[9]基于高光譜的寒地水稻葉片氮素含量預(yù)測(cè)[J]. 王樹文,趙越,王麗鳳,王潤(rùn)濤,宋玉柱,張長(zhǎng)利,蘇中濱. 農(nóng)業(yè)工程學(xué)報(bào). 2016(20)
[10]中國(guó)南方雙季稻氮營(yíng)養(yǎng)指數(shù)及產(chǎn)量估算模型研究[J]. 賀志遠(yuǎn),朱艷,李艷大,劉小軍,曹強(qiáng),曹衛(wèi)星,湯亮. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào). 2017(01)
博士論文
[1]關(guān)中地區(qū)冬小麥葉片氮素高光譜數(shù)據(jù)與衛(wèi)星影像定量估算研究[D]. 李粉玲.西北農(nóng)林科技大學(xué) 2016
本文編號(hào):3186929
【文章來(lái)源】:農(nóng)業(yè)工程學(xué)報(bào). 2020,36(02)北大核心EICSCD
【文章頁(yè)數(shù)】:10 頁(yè)
【文章目錄】:
0 引言
1 材料與方法
1.1 試驗(yàn)設(shè)計(jì)
1.2 數(shù)據(jù)獲取
1.2.1 水稻葉片缺氮量測(cè)定以及產(chǎn)量測(cè)定
1.2.2 水稻葉片光譜反射率差值測(cè)定
1.3 光譜降維方法
1.3.1 離散小波多尺度分解
1.3.2 構(gòu)建植被指數(shù)
1.3.3 連續(xù)投影法
1.4 反演建模方法
2 結(jié)果與分析
2.1 特征及特征波段的選擇
2.1.1 離散小波多尺度分解選取光譜特征
2.1.2 SPA選取有效特征波段
2.1.3 植被指數(shù)與水稻缺氮量的相關(guān)性
2.2 遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)反演模型
2.3 與其他反演模型的比較
3 討論
4 結(jié)論
【參考文獻(xiàn)】:
期刊論文
[1]基于GA-BP神經(jīng)網(wǎng)絡(luò)高光譜反演模型分析玉米葉片葉綠素含量[J]. 陳春玲,金彥,曹英麗,于豐華,馮帥,周長(zhǎng)獻(xiàn). 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2018(05)
[2]基于高光譜技術(shù)的農(nóng)作物常見病害監(jiān)測(cè)研究[J]. 謝亞平,陳豐農(nóng),張競(jìng)成,周斌,王海江,吳開華. 光譜學(xué)與光譜分析. 2018(07)
[3]基于高光譜的抽穗期寒地水稻葉片氮素預(yù)測(cè)模型[J]. 王樹文,牛羽新,馬昕宇,陳雙龍,阿瑪尼,馮江. 農(nóng)機(jī)化研究. 2019(03)
[4]基于無(wú)人機(jī)遙感影像的冬小麥氮素監(jiān)測(cè)[J]. 劉昌華,王哲,陳志超,周蘭,岳學(xué)智,苗宇新. 農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(06)
[5]基于PROSPECT模型的植物葉片干物質(zhì)估測(cè)建模研究[J]. 王洋,肖文,鄒煥成,陸婧楠,曹英麗,于豐華. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2018(01)
[6]基于高光譜的水稻葉片氮素估測(cè)與反演模型[J]. 張國(guó)圣,許童羽,于豐華,陳春玲,王洋. 浙江農(nóng)業(yè)學(xué)報(bào). 2017(05)
[7]基于連續(xù)統(tǒng)去除法的冬小麥葉片全氮含量估算[J]. 李粉玲,常慶瑞. 農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(07)
[8]基于無(wú)人機(jī)高光譜影像的引黃灌區(qū)水稻葉片全氮含量估測(cè)[J]. 秦占飛,常慶瑞,謝寶妮,申健. 農(nóng)業(yè)工程學(xué)報(bào). 2016(23)
[9]基于高光譜的寒地水稻葉片氮素含量預(yù)測(cè)[J]. 王樹文,趙越,王麗鳳,王潤(rùn)濤,宋玉柱,張長(zhǎng)利,蘇中濱. 農(nóng)業(yè)工程學(xué)報(bào). 2016(20)
[10]中國(guó)南方雙季稻氮營(yíng)養(yǎng)指數(shù)及產(chǎn)量估算模型研究[J]. 賀志遠(yuǎn),朱艷,李艷大,劉小軍,曹強(qiáng),曹衛(wèi)星,湯亮. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào). 2017(01)
博士論文
[1]關(guān)中地區(qū)冬小麥葉片氮素高光譜數(shù)據(jù)與衛(wèi)星影像定量估算研究[D]. 李粉玲.西北農(nóng)林科技大學(xué) 2016
本文編號(hào):3186929
本文鏈接:http://sikaile.net/nykjlw/nzwlw/3186929.html
最近更新
教材專著