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。
