基于高光谱的油麦菜叶片水分CARS-ABC-SVR预测模型

• Published in: 农业工程学报 Vol. 33; no. 5; pp. 178 - 184
• Main Author: 孙俊 丛孙丽 毛罕平 武小红 张晓东 汪沛
• Format: Journal Article
• Language: Chinese
• Published: 江苏大学电气信息工程学院,镇江,212013%江苏大学现代农业装备与技术教育部重点实验室,镇江,212013 2017
• Subjects: 人工蜂群算法; 模型; 水分; 油麦菜; 竞争性自适应加权算法; 算法; 高光谱; artificial bee colony algorithm; algorithms; models; 油麦菜; 模型; 竞争性自适应加权算法; hyperspectral; competitive adaptive reweighted sampling algorithm; moisture; 高光谱; 算法; leaf-used lettuce; 人工蜂群算法; 水分
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2017.05.026

为了实现油麦菜生长期间更合理的灌水管理,研究一种基于高光谱技术的精确、快速、有效检测油麦菜叶片水分的新方法。以5种不同水分胁迫水平的油麦菜为研究对象,通过高光谱成像系统获取高光谱图像并利用干燥法测量叶片含水率。采用多项式平滑（Savitzky-Golay,SG）结合标准变量变换（standard normalized variable,SNV）对高光谱数据去噪平滑。利用竞争性自适应加权算法（competitive adaptive reweighted sampling,CARS）进行特征波长选择,并与逐步回归分析（stepwise regression,SR）及连续投影算法（successive projections algorithm,SPA）进行比较,利用支持向量回归机（support vector regression,SVR）分别建立油麦菜叶片全光谱数据、3种特征光谱数据与干基含水率的关系模型。结果表明,基于竞争性自适应加权算法波长选择的支持向量回归模型（CARS-SVR）效果最佳,但预测精度尚不够理想,故引入人工蜂群算法（artificial bee colony,ABC）优化模型的参数惩罚因子和核参数。最终,经人工蜂群算法优化后的模型（CARS-ABC-SVR）的预测集决定系数R2和均方根误差RMSE分别为0.9214和2.95%。因此,利用高光谱技术结合CARS-ABC-SVR模型预测油麦菜叶片水分含量是可行的。