典型文献
采用RNCA-PSO-ELM的水稻叶绿素光谱特征分析与反演
文献摘要：
为探索有效的水稻叶绿素光谱特征选择方法与含量反演建模,解决东北粳稻叶绿素含量无人机遥感监测等问题,该研究利用沈阳农业大学卡力玛水稻实验站2018—2020年无人机(Unmanned Aerial Vehicle,UAV)水稻冠层高光谱数据及地面样本数据,设计了基于正则近邻成分分析的光谱特征选择方法,优化了其损失函数与正则化参数,获得水稻叶绿素不同含量的特征波段,并以此为输入,构建粒子群优化极限学习机叶绿素含量反演模型.结果表明:正则近邻成分分析算法具有较好的特征选择能力,其损失函数为均方误差损失函数、正则化参数值为0.306时,特征选择效果最佳,初选出权重非零的16个特征波段;进一步以叶绿素极限学习机反演精度为判据,优选出权重最高的6个特征波段:710、716、508、798、532和708 nm;应用粒子群优化算法优化了极限学习机模型的输入权值和阈值偏差,粒子群算法正交试验种群规模(POP)、惯性权重(IW)、学习因子(C1,C2)和速度位置相关系数(MC)的优选结果分别为50、1.5、1.3、3.5和0.6;基于正则近邻成分分析-粒子群优化极限学习机叶绿素含量反演结果的RMSE和R2分别为9.549 mg/L、0.891.研究结果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机高光谱波段实现作物长势参数快速估测提供参考.
文献关键词：
无人机;高光谱;水稻;叶绿素含量;正则近邻成分分析
中图分类号：
作者姓名：
江凯伦;安吉庆;赵雨薇;罗俊盈;曹英丽
作者机构：
沈阳农业大学信息与电气工程学院,沈阳 110866;辽宁省农业信息化工程技术中心,沈阳 110866
文献出处：
引用格式：
[1]江凯伦;安吉庆;赵雨薇;罗俊盈;曹英丽-.采用RNCA-PSO-ELM的水稻叶绿素光谱特征分析与反演)[J].农业工程学报,2022(08):178-186
A类：
RNCA,正则近邻成分分析
B类：
PSO,ELM,水稻,稻叶,光谱特征,特征选择,选择方法,东北粳稻,叶绿素含量,无人机遥感监测,研究利用,沈阳,农业大学,实验站,Unmanned,Aerial,Vehicle,UAV,冠层,层高,高光谱数据,损失函数,正则化参数,特征波段,粒子群优化极限学习机,反演模型,均方误差,参数值,初选,反演精度,判据,粒子群优化算法,算法优化,极限学习机模型,权值,粒子群算法,种群规模,POP,惯性权重,IW,学习因子,C1,C2,MC,RMSE,无人机平台,作物监测,无人机高光谱,高光谱波段,作物长势,长势参数,估测
AB值：
0.303762
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
