前言:
今天朋友们对“遗传算法nsga”都比较重视,我们都需要学习一些“遗传算法nsga”的相关资讯。那么小编在网摘上收集了一些对于“遗传算法nsga””的相关内容,希望各位老铁们能喜欢,你们快快来了解一下吧!快速、大面积获取水稻缺氮状况对实现水稻精准施肥具有重要意义。而现有的研究大都集中于利用无人机遥感对水稻进行氮营养诊断,对水稻缺氮程度的定量描述研究较少,同时很少探究临界氮浓度对水稻光谱变化的影响。
因此,本研究基于无人机高光谱遥感获取冠层光谱数据、通过田间采样获取水稻氮素含量,研究水稻临界氮浓度曲线构建方法,在此基础上确定水稻缺氮量;以临界氮浓度状态下光谱为标准光谱,分别对光谱反射率数据进行比值与差值变换,并通过连续投影法SPA(successive projections algorithm)对光谱数据进行特征提取,最后以二者提取的特征波段为输入变量,缺氮量为输出变量,分别构建基于多元线性回归MLR(Multivarate Linear Regression)、长短期记忆网络LSTM(Long Short-Term Memory)、极限学习机ELM(Extreme Learning Machine, ELM)与第三代非支配遗传算法优化极限学习机NSGA-III-ELM(The Non-dominated Sorting Genetic Algorithm III Extreme Learning Machine)三种算法的水稻缺氮量反演模型。
结果分析表明:1)缺氮量数据与原始光谱的相关性较差,但差值变化与比值变换均能提升其与缺氮量的相关性;2)基于比值光谱与NSGA-III-ELM算法的反演结果最佳,训练集与验证集的R2分别为0.852、0.810,RMSE为0.291、0.308;从光谱数据层面看,比值光谱的反演精度明显优于原始光谱与差值光谱;从算法层面看,基于LSTM算法的模型反演结果过拟合现象严重,反演效果较差;而基于NSGA-III-ELM算法的反演精度明显优于MLR算法与ELM算法的反演精度。
因此,基于比值光谱与NSGA-III-ELM算法的反演模型可以对水稻缺氮量进行有效反演,为基于水稻氮营养状况的精准追肥提供了重要的技术支持。
研究以“Combining the critical nitrogen concentration and machine learning algorithms to estimate nitrogen deficiency in rice from UAV hyperspectral data”为题在JIA优先在线发表。
论文链接:
引用本文 >>>YU Feng-hua, BAI Ju-chi, JIN Zhong-yu, GUO Zhong-hui, YANG Jia-xin, CHEN Chun-ling. 2022. Combining the critical nitrogen concentration and machine learning algorithms to estimate nitrogen deficiency in rice from UAV hyperspectral data. Journal of Integrative Agriculture, Doi:10.1016/j.jia.2022.12.007.
Journal of Integrative Agriculture (《农业科学学报》(英文), JIA) 由中华人民共和国农业农村部主管,中国农业科学院与中国农学会主办,中国农业科学院农业信息研究所承办。综合性英文学术期刊,月刊。创刊于2002年,现任主编为中国工程院院士、中国农业科学院副院长王汉中。JIA主要栏目有作物科学、园艺、植物保护、动物科学、动物医学、农业生态环境、食品科学、农业经济与管理等。刊稿类型有综述、研究论文、简报以及评述等。全部论文在Elsevier-ScienceDirect (SD) 平台OA出版。最新SCI影响因子4.384,位于SCI-JCR农业综合学科Q1区。2022中科院分区农林科学Q1区。2016年以来先后获得中国科协等部委 “提升计划”“登峰计划”“卓越计划”项目支持。
标签: #遗传算法nsga