基于BWO-ELM的水稻氮素无人机高光谱反演研究

doi:10.12398/j.issn.2096-7217.2024.03.002

智能化农业装备学报（中英文） ›› 2024, Vol. 5 ›› Issue (3): 14-21.DOI: 10.12398/j.issn.2096-7217.2024.03.002

基于BWO-ELM的水稻氮素无人机高光谱反演研究

李世隆¹^,²(), 许辰一¹^,², 王楠¹^,², 曹慧妮¹^,², 于丰华¹^,²^,³()

^1.沈阳农业大学信息与电气工程学院，辽宁沈阳，110866
^2.国家数字农业区域创新分中心（东北），辽宁沈阳，110866
^3.辽宁省智慧农业技术重点实验室，辽宁沈阳，110866

收稿日期:2024-05-15 修回日期:2024-07-20 出版日期:2024-08-15 发布日期:2024-08-15
通讯作者: 于丰华
作者简介:李世隆，男，2000年生，山东平度人，硕士研究生；研究方向为精准农业航空。E-mail： lishilong0725@163.com
基金资助:
国家自然科学基金青年项目(32201652);辽宁省自然科学基金面上项目(2023-MSLH-283);辽宁省“兴辽英才计划”项目(XLYC2203005)

Research on rice nitrogen unmanned aerial vehicle hyperspectral inversion based on BWO-ELM

LI Shilong¹^,²(), XU Chenyi¹^,², WANG Nan¹^,², CAO Huini¹^,², YU Fenghua¹^,²^,³()

^1.College of Information and Electrical Engineering，Shenyang Agricultural University，Shenyang 110866，China
^2.National Digital Agriculture Sub-center of Innovation （Northeast Region），Shenyang 110866，China
^3.Key Laboratory of Intelligent Agriculture in Liaoning Province，Shenyang 110866，China

Received:2024-05-15 Revised:2024-07-20 Online:2024-08-15 Published:2024-08-15
Contact: YU Fenghua

摘要/Abstract

摘要：

氮素是水稻生长发育的重要元素之一，精准估测氮素浓度对指导水稻精准施肥、辅助氮高效品种选育是十分重要的。传统田间采样方式难以实时获取水稻氮素浓度，随着信息技术的快速发展，目前通过机器学习方法建立无人机高光谱数据与氮素浓度的关系，是作物氮素营养诊断的主要技术路线之一。研究以连续投影算法筛选的无人机冠层高光谱数据特征波段为输入，实测氮素浓度数据为输出构建反演模型。极限学习机（ELM）与同类型的机器学习方法相比，具有速度快、泛化能力强的优势，但由于其随机生成的连接权重和神经元阈值，导致其训练稳定性存在不足，且容易陷入局部最优解。白鲸优化算法（BWO）是一种以白鲸行为为灵感而设计的求解单模态和多模态优化问题的竞争算法，本研究通过白鲸优化算法对极限学习机的输入层与隐含层之间的连接权重、隐含层初始权重进行优化，构建BWO-ELM水稻氮素浓度无人机高光谱反演模型，实现对水稻氮素浓度的快速估测。研究结果表明：连续投影算法筛选出特征波段10个，分别为673、703、727、823、850、877、895、952、961和985 nm。基于BWO-ELM构建的氮素浓度反演模型训练集R² 与RMSE分别为0.742 5、0.382 6%，测试集R² 与RMSE分别为0.702 8、0.487 7%。预测能力优于基于ELM构建的氮素浓度反演模型。综上所述，基于BWO-ELM的水稻氮素浓度无人机高光谱反演模型可以快速准确获取水稻氮素浓度，为水稻营养监测提供新的方法。

关键词: 白鲸优化算法, 极限学习机, 氮素, 无人机, 高光谱, 水稻

Abstract:

Nitrogen is one of the important elements for the growth and development of rice， and accurate estimation of nitrogen concentration is crucial for guiding precise fertilization and assisting in the selection of nitrogen efficient varieties in rice. Traditional field sampling methods make it difficult to obtain real-time nitrogen concentration in rice. With the rapid development of information technology， establishing the relationship between unmanned aerial vehicle hyperspectral data and nitrogen concentration through machine learning methods is currently one of the main technical routes for crop nitrogen nutrition diagnosis. This study constructs an inversion model by using the feature bands of unmanned aerial vehicle canopy hyperspectral data selected by the continuous projection algorithm as input and the measured nitrogen concentration data as output. Extreme learning machine （ELM） has the advantages of fast speed and strong generalization ability compared to similar machine learning methods. However， due to its randomly generated connection weights and neuron thresholds， its training stability is insufficient and it is prone to falling into local optima. The beluga whale optimization （BWO） is a competitive algorithm inspired the behavior of beluga whales to solve single modal and multimodal optimization problems. In this study， the BWO-ELM rice nitrogen concentration unmanned aerial vehicle hyperspectral inversion model was constructed to achieve rapid estimation of rice nitrogen concentration by optimizing the connection weight between the input layer and the hidden layer of the ELM， as well as the initial weight of the hidden layer through the BWO. The research results show that the continuous projection algorithm filters out 10 feature bands， which are 673， 703， 727， 823， 850， 877， 895， 952， 961， and 985 nm， respectively. The training set R² and RMSE of the nitrogen concentration inversion model constructed based on BWO-ELM are 0.742 5 and 0.382 6%， respectively， while the testing set R² and RMSE are 0.702 8 and 0.487 7%， respectively. The predictive ability is superior to that of the nitrogen concentration inversion model constructed based on ELM. In summary， the rice nitrogen concentration unmanned aerial vehicle hyperspectral inversion model based on BWO-ELM can quickly and accurately obtain rice nitrogen concentration， providing a new method for rice nutrition monitoring.

Key words: beluga whale optimization, extreme learning machine, nitrogen, unmanned aerial vehicle, hyperspectral, rice

中图分类号:

李世隆, 许辰一, 王楠, 曹慧妮, 于丰华. 基于BWO-ELM的水稻氮素无人机高光谱反演研究[J]. 智能化农业装备学报（中英文）, 2024, 5(3): 14-21.

LI Shilong, XU Chenyi, WANG Nan, CAO Huini, YU Fenghua. Research on rice nitrogen unmanned aerial vehicle hyperspectral inversion based on BWO-ELM[J]. Journal of Intelligent Agricultural Mechanization, 2024, 5(3): 14-21.

图/表 6

图1 试验区域概况

Figure 1 Overview of the experimental area

图2 基于白鲸算法优化的极限学习机

Figure 2 Extreme learning machine optimization based on moby dick algorithm

图3 高光谱信息平滑降噪处理

Figure 3 Smooth noise reduction processing of hyperspectral information

表1 水稻氮素浓度统计结果

Table 1 Statistical results of nitrogen concentration in rice

	样本数量	最大值	最小值	平均值	标准差
训练集	92	4.956	1.659	3.276	0.734
测试集	39	4.817	1.506	3.275	0.788

图4 水稻冠层高光谱反射率特征波段选择结果

Figure 4 Selection results of spectral bands for rice canopy hyperspectral reflectance characteristics

图5 水稻氮素浓度反演结果

Figure 5 Inversion results of nitrogen concentration in rice

参考文献 28

1	刘星，邓仕文，陈英龙，等. 水稻氮磷高效吸收与利用的特征及机制研究进展［J］. 江苏农业科学， 2024， 52（5）： 1-11.
	LIU Xing， DENG Shiwen， CHENG Yinglong， et al. Research progress on the characteristics and mechanisms of efficient absorption and utilization of nitrogen and phosphorus in rice ［J］. Jiangsu Agricultural Sciences， 2024， 52（5）： 1-11.
2	李艳大，舒时富，陈立才，等. 基于便携式作物生长监测诊断仪的江西双季稻氮肥调控研究［J］. 农业工程学报， 2019， 35（2）： 100-106.
	LI Yanda， SHU Shifu， CHEN Licai， et al. Regulation of nitrogen fertilizer based on portable apparatus for crop growth monitoring and diagnosis in Jiangxi double cropping rice ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（2）： 100-106.
3	赵春江. 智慧农业的发展现状与未来展望［J］. 华南农业大学学报， 2021， 42（6）： 1-7.
	ZHAO Chunjiang. Current situations and prospects of smart agriculture ［J］. Journal of South China Agricultural University， 2021， 42（6）： 1-7.
4	TAN K， WANG S， SONG Y， et al. Estimating nitrogen status of rice canopy using hyperspectral reflectance combined with BPSO-SVR in cold region ［J］. Chemometrics and Intelligent Laboratory Systems， 2018， 172： 68-79.
5	张杰，徐波，冯海宽，等. 基于集成学习的水稻氮素营养及籽粒蛋白含量监测［J］. 光谱学与光谱分析， 2022， 42（6）： 1956-1964.
	ZHANG Jie， XU Bo， FENG Haikuan， et al. Monitoring nitrogen nutrition and grain protein content of rice based on ensemble learning ［J］. Spectroscopy and Spectral Analysis， 2022， 42（6）： 1956-1964.
6	李金敏，陈秀青，杨琦，等. 基于高光谱的水稻叶片氮含量估计的深度森林模型研究［J］. 作物学报， 2021， 47（7）： 1342-1350.
	LI Jinmin， CHEN Xiuqing， YANG Qi， et al. Deep learning models for estimation of paddy rice leaf nitrogen concentration based on canopy hyperspectral data ［J］. Acta Agronomica Sinica， 2021， 47（7）： 1342-1350.
7	杨红云，周琼，杨珺，等. 基于高光谱的水稻叶片氮素营养诊断研究［J］. 浙江农业学报， 2019， 31（10）： 1575-1582.
	YANG Hongyun， ZHOU Qiong， YANG Jun， et al. Study on nitrogen nutrition diagnosis of rice leaves based on hyperspectrum ［J］. Acta Agriculturae Zhejiangensis， 2019， 31（10）： 1575-1582.
8	王娇娇，宋晓宇，梅新，等. 基于高斯回归分析的水稻氮素敏感波段筛选及含量估算［J］. 光谱学与光谱分析， 2021， 41（6）： 1722-1729.
	WANG Jiaojiao， SONG Xiaoyu， MEI Xin， et al. Sensitive bands selection and nitrogen content monitoring of rice based on Gaussian regression analysis ［J］. Spectroscopy and Spectral Analysis， 2021， 41（6）： 1722-1729.
9	王椿晶，王海瑞. 深度在线小波极限学习在旋转机械故障诊断中的应用［J］. 机械科学与技术， 2023， 42（7）： 1029-1034.
	WANG Chunjing， WANG Hairui. Application of depth online wavelet extreme learning machine in rotating machinery fault diagnosis ［J］. Mechanical Science and Technology for Aerospace Engineering， 2023， 42（7）： 1029-1034.
10	谢国民，刘东阳，刘明. 多策略改进MPA算法与HKELM的变压器故障辨识［J］. 电子测量与仪器学报， 2023， 37（4）： 172-182.
	XIE Guomin， LIU Dongyang， LIU Ming. Transformer fault identification based on multi-strategy improved MPA algorithm and HKELM ［J］. Journal of Electronic Measurement and Instrumentation， 2023， 37（4）： 172-182.
11	Sahoo R N, Gakhar S, Rejith R G, et al. Unmanned aerial vehicle (UAV)–based imaging spectroscopy for predicting wheat leaf nitrogen [J]. Photogrammetric Engineering & Remote Sensing, 2023, 89(2): 107-116.
12	YANG X， BAO N， LI W， et al. Soil nutrient estimation and mapping in farmland based on UAV imaging spectrometry ［J］. Sensors， 2021， 21（11）： 3919.
13	DEHGHANISANIJ H， EMAMI S， REZAVERDINEJAD V， et al. Potential of the hazelnut tree search–ELM hybrid approach in estimating yield and water productivity ［J］. Applied Water Science， 2023， 13（2）： 61.
14	ATALI G， PEHLIVAN İ， GÜREVIN B， et al. Chaos in metaheuristic based artificial intelligence algorithms： A short review ［J］. Turkish Journal of Electrical Engineering and Computer Sciences， 2021， 29（3）： 1354-1367.
15	Xie L， Zhao Y， Wang C， et al. A study on the simultaneous determination of nitrogen content and ¹⁵N isotope abundance in plants using peak height intensities at m/z 28 and 29 ［J］. Talanta， 2024， 275： 126078.
16	王鹏，郭永刚，关法春，等. 作物水分高光谱遥感监测研究进展［J］. 农业与技术， 2024， 44（1）： 38-44.
17	SOARES S F C， GOMES A A， ARAUJO M C U， et al. The successive projections algorithm ［J］. TrAC Trends in Analytical Chemistry， 2013， 42： 84-98.
18	HUANG G B， ZHU Q Y， SIEW C K. Extreme learning machine： theory and applications ［J］. Neurocomputing， 2006， 70（1-3）： 489-501.
19	张然，柴志勇，张婷，等. 基于机器学习模型的洪水预报研究进展［J］. 水利水电技术（中英文）， 2023， 54： 89-101.
	ZHANG Ran， CHAI Zhiyong， ZHANG Ting， et al. Research progress of flood forecasting based on machine learning models ［J］. Water Resources and Hydropower Engineering， 2023， 54： 89-101.
20	郑晓雨，樊重俊. 基于全局搜索策略WOA优化ELM的RUL预测性维护［J］. 智能计算机与应用， 2024， 14（2）： 144-149.
	ZHENG Xiaoyu， FAN Chongjun. Predictive maintenance of RUL based on global search strategy WOA optimized ELM ［J］. Intelligent Computer and Applications， 2024， 14（2）： 144-149.
21	赵征，王金，周孜钰，等. 基于ISSA-ELM的垃圾发电厂焚烧过程建模方法研究［J］. 动力工程学报， 2023， 43（12）： 1649-1656.
	ZHAO Zheng， WANG Jin， ZHOU Ziyu， et al. Research on modelling method of the incineration process in waste-to-energy power plant based on ISSA-ELM ［J］. Journal of Chinese Society of Power Engineering， 2023， 43： 1649-1656.
22	ZHONG C， LI G， MENG Z. Beluga whale optimization： A novel nature-inspired metaheuristic algorithm ［J］. Knowledge-Based Systems， 2022， 251： 109215.
23	YANG P. Exploring the interrelated effects of soil background， canopy structure and sun-observer geometry on canopy photochemical reflectance index ［J］. Remote Sensing of Environment， 2022， 279： 113133.
24	王世瑞，沈芳，李仁虎，等. 无人机高光谱影像水面耀光去除及信息重构方法研究［J］. 华东师范大学学报（自然科学版）， 2024（1）： 36-49.
	WANG Shirui， SHEN Fang， LI Renhu， et al. Research on water surface glint removal and information reconstruction methods for unmanned aerial vehicle hyperspectral images ［J］. Journal of East China Normal University（Natural Science）， 2024（1）： 36-49.
25	于丰华，赵丹，郭忠辉，等. 水稻分蘖期无人机高光谱影像混合像元特征分析与分解［J］. 光谱学与光谱分析， 2022， 42（3）： 947-953.
	YU Fenghua， ZHAO Dan， GUO Zhonghui， et al. Characteristic analysis and decomposition of mixed pixels from UAV hyperspectral images in rice tillering stage ［J］. Spectroscopy and Spectral Analysis， 2022， 42（3）： 947-953.
26	张伏，张方圆，崔夏华，等. 高光谱成像结合PSO-SVM的银杏果种类鉴别［J］. 光谱学与光谱分析， 2024， 44（3）： 859-864.
	ZHANG Fu， ZHANG Fangyuan， CUI Xiahua， et al. Identification of ginkgo fruit species by hyperspectral image combined with PSO-SVM ［J］. Spectroscopy and Spectral Analysis， 2024， 44（3）： 859-864.
27	樊泳灼，李新国. 湖滨绿洲棕漠土有机碳含量高光谱估算［J］. 江苏农业学报， 2023， 39（6）： 1341-1348.
	FAN Yongzhuo， LI Xinguo. Hyperspectral prediction of organic carbon content of brown desert soil in the lakeside oasis ［J］. Jiangsu Journal of Agricultural Sciences， 2023， 39（6）： 1341-1348.
28	聂鹏程, 钱程, 覃锐苗, 等. 天空地一体化信息感知与融合技术发展现状与趋势[J]. 智能化农业装备学报(中英文), 2023, 4(2): 1-11.
	NIE Pengcheng， QIAN Cheng， QIN Ruimiao， et al. Development status and trends of space-air-ground integrated information sensing and fusion technology [J]. Journal of Intelligent Agricultural Mechanization, 2023, 4(2): 1-11.

[1]	杨明来, 秦莉, 贾鹏, 梁雪梅, 于合龙, 卞婷, 马强, 王辉, 李成龙, Sicheng TIAN, 王英. 新型激光光源在水稻育苗中的应用进展[J]. 智能化农业装备学报（中英文）, 2024, 5(3): 22-32.
[2]	路梦源, 王天一, 陈新昌, 张宇卓, 宫泽奇, 张星山. 基于ROS和PX4的无人机编队协同飞行模型的仿真研究[J]. 智能化农业装备学报（中英文）, 2023, 4(3): 32-41.
[3]	聂鹏程, 钱程, 覃锐苗, 邓水光, 孙崇德, 何勇. 天空地一体化信息感知与融合技术发展现状与趋势[J]. 智能化农业装备学报（中英文）, 2023, 4(2): 1-11.
[4]	李亦白, 曹光乔. 基于模拟退火算法的飞防队调度模型研究[J]. 智能化农业装备学报（中英文）, 2022, 3(2): 1-9.
[5]	李斐露, 杨兰, 李玉, 李鉴方, 雷良育. 植保无人机应用绩效及其对策研究——以杭州市萧山区为例植保无人机应用绩效及其对策研究[J]. 智能化农业装备学报（中英文）, 2021, 2(2): 64-70.
[6]	陈满, 金诚谦, 杨腾祥, 张光跃, 倪有亮. 水稻收割机作业质量在线监测系统研制与试验^*[J]. 智能化农业装备学报（中英文）, 2020, 1(2): 26-33.
[7]	任志尚, 张光耀, 杜娟, 印祥, 金诚谦, 马成业. 高光谱成像技术无损测定马铃薯面条硬度^*[J]. 智能化农业装备学报（中英文）, 2020, 1(1): 44-48.
[8]	游兆延, 高学梅, 徐弘博, 吴惠昌, 颜建春, 曹明珠. 基于MAV智能无人机绿肥撒播装置设计与试验[J]. 智能化农业装备学报（中英文）, 2020, 1(1): 60-67.

基于BWO-ELM的水稻氮素无人机高光谱反演研究

Research on rice nitrogen unmanned aerial vehicle hyperspectral inversion based on BWO-ELM

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 28

相关文章 8

编辑推荐

Metrics

本文评价