一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法技术

本发明专利技术公开了一种基于NSGA2‑ELM的粳稻叶片氮素含量反演模型方法，包括获取粳稻叶片高光谱数据，采用光纤光谱仪进行粳稻叶片光谱数据收集；筛选特征波段，分别作为粳稻叶片氮素含量反演模型的输入变量；采集的粳稻叶片氮素含量，作为氮素含量反演模型的输出变量；采用非支配的精英策略遗传算法优化极限学习机即NSGA2‑ELM，建立粳稻叶片氮素含量反演模型。本发明专利技术通过非支配的精英策略遗传算法(NSGA2)较好的全局搜索能力获取与数据样本较好匹配的连接权重和偏向值，从而提高极限学习机的泛化能力和稳定性等。

An inversion model of nitrogen content in Japonica Rice Leaves Based on nsga2-elm

【技术实现步骤摘要】
一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法
本专利技术涉及农作物种植领域，特别涉及一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法。
技术介绍
氮素是农作物生长发育过程中重要的营养成分，实时监测和评估农作物的氮素含量对于农作物田间精准管理和长势预测等均具有十分重要的意义。目前，粳稻的氮素营养诊断方式主要有经验、化学和光谱检测法，其中经验和化学检测法很难满足现代田间精准管理的要求。而光谱检测法主要通过获取水稻生物信息中光谱吸收和反射过程实现对粳稻生长状况信息的精准检测。虽然检测精度略低于化学检测法，但光谱检测法能够达到高效、快速、无损的诊断要求，弥补了传统检测法的不足。目前，采用光谱检测法对果蔬和粮食作物的氮素营养诊断已成为国内外学者研究的主要内容。王树文等研究表明基于主成分分析和相关分析结合多元回归分析模型的差值指数、多变量单波段指数等模型反演效果较好，预测集R2为0.869，RMSE为0.085。刘明博等采用连续投影法(SPA)筛选的有效波段、光谱指数RVI、NDVI以及全光谱波段构建多种水稻叶片氮素含量反演模型。对比发现，基于SPA有效波段构建的模型的估测效果明显优于光谱指数所建，但略差于全光谱波段所建模型。Tian等通过分析各种高光谱植被指数与水稻叶片氮素含量的定量关系，研究得出采用绿色比率指数SR(R553,R537)反演叶片氮素含量具有最佳估测精度。Du等采用高光谱激光雷达(HSL)技术构建两种积分指数NOAC和RII反演水稻叶片全氮含量(LNC)。方美红等采用小波系数构建水稻叶片氮含量反演模型，研究表明该模型有较高估测精度，预测值与估测值的复相关系数高达0.99，显著优于传统光谱指数反演模型。针对粳稻营养元素反演方面多以相关性较好的特征波段和植被指数作为反演模型的输入，构建线性和非线性的反演模型。从线性模型来看，大田试验中所采集的数据均含有一定的其他的干扰因素或噪音，如室外的阳光照射不均，背景干扰以及室内的仪器抖动造成的噪音。这些干扰因素均会导致所构建的线性模型反演效果不佳，无法较为精准地估测出粳稻营养元素含量。从非线性模型来看，如BP等传统的前馈型神经网络以其良好的学习性能在众多领域均得到了大量的应用。但BP等神经网络算法具有收敛速度慢，且易陷入局部最优解等问题，从而制约其发展。而极限学习机(ELM)采用随机获取的方式生成连接权重与偏向值，并且在训练学习过程中无需再进行调整，便可获得全局最优解。但经研究发现，正是ELM的随机生成权重和偏向值的方式，也容易使得其解释能力和泛化能力较弱，因此现有的反演模型均存在一定不足之处。极限学习机模型采用随机生成连接权重与偏向值，并且在训练学习过程中无需再进行调整，这将导致训练得到的模型的泛化能力，解释能力和稳定性较差。未经优化的极限学习机算法，采用随机生成连接权重和隐含层偏向值，从而导致模型鲁棒性和稳定性较差。而传统的BP神经网络算法采用梯度下降算法，从而极易导致训练过程中陷入局部最优解。同时，BP神经网络算法等学习效率低，收敛速度较慢。
技术实现思路
为了解决上述技术问题，本专利技术提供一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法，本专利技术能够实现粳稻叶片氮素含量的高效、快速和精准反演，以期为粳稻氮素营养诊断和田间精准管理提供科学依据和理论支持。本专利技术提供了一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法，包括以下步骤：S1、获取粳稻叶片高光谱数据：采用光纤光谱仪进行粳稻叶片光谱数据收集；S2、筛选特征波段，分别作为粳稻叶片氮素含量反演模型的输入变量；S3、采集的粳稻叶片氮素含量，作为氮素含量反演模型的输出变量；S4、采用非支配的精英策略遗传算法优化极限学习机即NSGA2-ELM，建立粳稻叶片氮素含量反演模型。可优选地，所述NSGA2-ELM优化过程如下：第一步：根据样本数据集确定ELM的网络拓扑结构，将神经元之间的权重和偏向值构成实数向量，用以表示种群M中的个体，同时随机生成实数向量的初始值构成大小为N的第一代父代种群P；第二步：对父代种群进行非支配排序，并采用传统的遗传算法对父代种群进行选择、交叉和变异操作产生大小为N的子代种群P1，将种群P和P1合并为大小为2N的种群B；第三步：对种群B进行非支配排序，获得非支配解的前端Ft，即为非支配面的F1、F2和F3，并计算拥挤度，之后采用精英保留策略筛选最优个体，即由于子代和父代种群个体均包含在种群B中，则采用非支配排序后的F1中的个体为种群B中最佳的，因此现将F1全部个体放入新父代种群P3中；若P3小于N，则继续将F2中的个体加入种群P3中；若P3仍小于N，则对F3进行拥挤度排序，取N-|P3|个种群个体添加至P3，直至P3种群大小为N；然后采用遗传算法对种群P3进行选择、交叉和变异产生新的种群P4；第四步：重复n次上述计算过程，达到设定的最大迭代次数则停止迭代，得到最佳ELM的最佳权重和偏向值，完成优化。可优选地，所述光纤光谱仪为美国海洋光学公司生产的光纤光谱仪HR2000+。可优选地，采用随机青蛙算法与迭代和保留信息变量算法相结合的方式筛选特征波段。可优选地，通过凯氏定氮法测定采集的粳稻叶片氮素含量。本专利技术的有益效果：本专利技术尝试通过采用随机青蛙算法(Random_frog)与迭代和保留信息变量算法(IRIV)相结合的方式筛选特征波段，利用NSGA2优化极限学习机(ELM)建立粳稻叶片氮素含量反演模型，以期为粳稻氮素营养诊断和田间精准管理提供科学依据和理论支持。目前传统的线性模型可能无法充分表达粳稻叶片高光谱与氮素含量之间的数学关系，同时BP神经网络和极限学习机等非线性模型均存在着一定的缺点，从而无法更加准确地反演出光谱信息和氮素含量之间的非线性关系，在一定程度上制约了粳稻叶片氮素含量反演的效果。鉴于此，本专利技术采用非支配的精英策略遗传算法(NSGA2)优化极限学习机，构建NSGA2-ELM粳稻叶片氮素含量反演模型。极限学习机(ELM)采用随机获取的方式生成连接权重与偏向值，并且在训练学习过程中无需再进行调整，便可获得全局最优解。在本专利技术中，针对ELM反演模型的连接权重和偏向值的生成方式进行一定的改进，使其在一定程度上提高粳稻营养元素的反演精度。本专利技术采用非支配的精英策略遗传算法(NSGA2)对极限学习机进行近一步优化，该算法具有较好的全局搜索能力，能够有效地逼近帕累托效率最优解。通过NSGA2算法较好的全局所搜能力取得与数据样本较好匹配的连接权重和隐含层偏向值，从而提高反演模型的反演效果。本专利技术通过非支配的精英策略遗传算法(NSGA2)较好的全局搜索能力获取与数据样本较好匹配的连接权重和偏向值，从而提高极限学习机的泛化能力和稳定性等。附图说明图1为本专利技术的优化流程图；图2为本专利技术实施例中粳稻280组叶片氮素含量的概率密度函数；图3为本专利技术实施例中粳稻训练集与验本文档来自技高网...

【技术保护点】
1.一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法，其特征在于，包括以下步骤：/nS1、获取粳稻叶片高光谱数据：采用光纤光谱仪进行粳稻叶片光谱数据收集；/nS2、筛选特征波段，分别作为粳稻叶片氮素含量反演模型的输入变量；/nS3、采集的粳稻叶片氮素含量，作为氮素含量反演模型的输出变量；/nS4、采用非支配的精英策略遗传算法优化极限学习机即NSGA2-ELM，建立粳稻叶片氮素含量反演模型。/n

【技术特征摘要】
1.一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法，其特征在于，包括以下步骤：
S1、获取粳稻叶片高光谱数据：采用光纤光谱仪进行粳稻叶片光谱数据收集；
S2、筛选特征波段，分别作为粳稻叶片氮素含量反演模型的输入变量；
S3、采集的粳稻叶片氮素含量，作为氮素含量反演模型的输出变量；
S4、采用非支配的精英策略遗传算法优化极限学习机即NSGA2-ELM，建立粳稻叶片氮素含量反演模型。


2.根据权利要求1所述的一种基于NSGA2-ELM的粳稻叶片氮素含量反演模型方法，其特征在于，所述NSGA2-ELM优化过程如下：
第一步：根据样本数据集确定ELM的网络拓扑结构，将神经元之间的权重和偏向值构成实数向量，用以表示种群M中的个体，同时随机生成实数向量的初始值构成大小为N的第一代父代种群P；
第二步：对父代种群进行非支配排序，并采用传统的遗传算法对父代种群进行选择、交叉和变异操作产生大小为N的子代种群P1，将种群P和P1合并为大小为2N的种群B；
第三步：对种群B进行非支配排序，获得非支配解的前端Ft，即为非支配面的F1、F2和F3，并计算拥挤度，之后采用精英保留...

【专利技术属性】
技术研发人员：许童羽，冯帅，赵冬雪，周云成，于丰华，
申请(专利权)人：沈阳农业大学，
类型：发明
国别省市：辽宁;21