沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110161
利用光谱信息快速、 无损和准确的检测水稻冠层叶片叶绿素含量, 对水稻的长势评估、 精准施肥、 科学管理都具有非常重要的现实意义。 以东北粳稻为研究对象, 以小区试验为基础, 获取关键生长期的水稻冠层高光谱数据。 首先采用标准正态变量校正法(SNV)对光谱数据进行预处理, 针对处理后光谱数据, 以随机蛙跳(RF)算法为基础, 结合相关系数分析法(CC)和续投影算法(SPA), 提出一种融合两种初选波段的改进型随机蛙跳算法(fpb-RF)筛选叶绿素含量的特征波段, 并分别与标准RF, CC 和SPA方法进行对比。 以提取的特征波段作为输入, 结合线性模型和非线性模型各自优势, 提出一种高斯过程回归(GPR)补偿偏最小二乘(PLSR)的叶绿素含量混合预测模型(GPR-P): 利用PLSR法对水稻叶绿素含量初步预测, 得到叶绿素含量的线性趋势, 然后利用具有较好非线性逼近能力的GPR对PLSR模型偏差进行预测, 两者叠加得到最终预测值。 为了验证所提方法优越性, 以不同方法提取的特征波段作为输入, 分别建立PLSR、 最小二乘支持向量机(LSSVM)、 BP神经网络预测模型。 结果表明: 相同预测模型条件下, 改进fpb-RF算法提取特征波段作为输入可较好的降低模型复杂性、 提高模型预测性能, 各模型测试集的决定系数($R^{2}_{p}$)和训练集的决定系数($R^{2}_{c}$)均高于0.704 7。 另外, 在各算法提取特征波段进行建模时, GPR-P模型的$R^{2}_{c}$和$R^{2}_{p}$均高于0.755 3, 其中, 采用fpb-RF方法提取的特征波段作为输入建立的GPR-P模型预测精度最高, $R^{2}_{c}$和$R^{2}_{p}$分别为 0.781 5和0.779 6, RMSEC和RMSEP分别为0.904 1和0.928 3 mg·L-1, 可为东北粳稻叶绿素含量的检测与评估提供有价值的参考和借鉴作用。
水稻 叶绿素含量 光谱分析 特征波段提取 fpb-RF算法 混合预测模型 Rice Chlorophyll content Spectral analysis Feature band selection The fpb-RF algorithm Hybrid prediction model 光谱学与光谱分析
2021, 41(8): 2556
1 燕山大学电气工程学院河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
2 燕山大学信息科学与工程学院河北省特种光纤与光纤传感器重点实验室, 河北 秦皇岛 066004
3 河北先河环保科技股份有限公司, 河北 石家庄 050000
水体中的硝酸盐浓度过高不仅会造成水环境污染而且会对人类身体健康造成很大威胁, 传统的检测硝酸盐的方法检测时间长且操作复杂。 针对水体中硝酸盐氮难以快速在线检测的问题, 基于紫外吸收光谱, 提出了一种混合预测模型结合光谱积分快速定量检测水体中硝酸盐浓度的方法。 混合预测模型为低浓度样本建立的双波长法预测模型与高浓度样本建立的偏最小二乘支持向量机(LS-SVM)预测模型数据融合之后的模型。 按照合适的浓度梯度配备了19组硝酸盐氮标准溶液, 通过实验测得不同浓度硝酸盐氮样本的光谱数据。 首先基于双波长法对所有样本进行回归分析, 按照A=A220-2A275计算不同实验样本的吸光度A, 其中A220和A275是220和275 nm处样本的吸光度, 将吸光度A与样本浓度值进行线性回归, 拟合出样本浓度的预测值。 结果显示当样本浓度较小时, 相关性很好, r为0.997 4, 随着实验样本浓度的上升, 曲线发生严重的非线性漂移, 因此双波长法只适合低浓度样本预测模型的建立。 对于高浓度样本, 光谱重叠严重, 适合建立非线性的预测模型, 支持向量机(SVM)与LS-SVM都适合小样本的非线性数据建模, LS-SVM预测精度稍高, 运算速度稍快。 通过对所有的实验样本进行全波长光谱积分, 比较相邻样本光谱积分的变化率可以筛选出样本的临界浓度值, 4 mg·L-1的硝酸盐样本积分值前后变化率最大, 因此选择4 mg·L-1作为临界浓度值较为合适。 浓度高于4 mg·L-1的实验样本建立LS-SVM预测模型, 通过交叉验证的方法选择出合适的参数, 正则化参数γ=50, 核函数选择高斯核, 核函数宽度σ２=0.36, 训练样本之后进行回归; 其余样本建立双波长法预测模型, 最后进行两种模型的数据融合, 形成从低浓度到高浓度的水体中硝酸盐浓度的检测。 为了验证混合预测模型的预测精度, 另外建立了SVM, LS-SVM, 偏最小二乘(PLS)等模型, 并求出r, 预测值与真实浓度值平均绝对误差(MAE)和均方根误差(RMSE)对模型进行评价。 验证结果表明, 相比于SVM, LS-SVM和PLS等模型, 提出的混合模型回归的相关系数为0.999 86, 分别提高了1.8%, 1.6%和0.45%, 预测值与真实浓度的平均绝对误差为2.55%, 分别降低了6.27%, 4.49%和1.01%, 均方根误差为0.303, 为四种预测模型中最小, SVM与LS-SVM的相对误差相对较高, PLS模型相对误差上下波动比较大, 混合预测模型相对误差最为稳定, 并保持在较低水平, 由此可见混合预测模型的预测效果明显优于其他几种模型。 并与文献［5—7］中的测量方法进行对比, 该混合预测方法可以简单快速的测量水体中硝酸盐氮的浓度, 且不需要试剂, 无二次污染, 与文献[9]中的预测模型相比, 预测精度明显提高。 因此提出的混合模型可正确快速地预测水体中硝酸盐氮的浓度, 可为在线监测水体中硝酸盐浓度提供有效的技术参考。
紫外光谱 混合预测 双波长 数据融合 在线监测 Ultraviolet spectrum Mixed prediction Dual wavelength LS-SVM LS-SVM Data fusion Online monitoring 光谱学与光谱分析
2019, 39(5): 1489
