摘 要: | 水稻叶片氮含量的估测对实现田间施肥高效、水稻高产的目标具有重要意义。提出了一种基于粒子群深度森林的水稻叶片氮素估测方法(Particle Swarm Optimization-Deep Forest, PSODF),通过粒子群优化算法筛选深度森林模型(Deep Forest,DF)参数中最优的级联层估计器数量和估计器中的树数,从而提高深度森林模型在水稻氮素数据集上的回归精度。为验证PSO-DF的有效性,研究采用无人机搭载高光谱图像采集器获取宁夏粳稻高光谱图像,并对同期水稻叶片进行取样、测量、分析,并提取与水稻叶片氮含量相关系数最高的3个特征波段,将其作为光谱特征与水稻氮含量数据进行反演,对PSO-DF、原模型DF以及其他6种常见机器学习算法构建的水稻氮含量估测模型进行了对比。结果表明:PSO-DF算法构建的模型效果优于其他模型,其R2和RMSE指标均明显优于其他模型。
|