文献类型：期刊文章

作　　者：杨宝华[1,2] 陈建林[1,3] 陈林海[1,4] 曹卫星[1] 姚霞[1] 朱艳[1]

机构地区：[1]南京农业大学/国家信息农业工程技术中心,南京210095 [2]安徽农业大学信息与计算机学院,合肥230036 [3]上海市农业科学院农业科技信息研究所,上海201403 [4]南京农业大学继续教育学院,南京210095

出　　处：《农业工程学报》

基　　金：国家自然科学基金项目(31201130;31201131);农业部行业专项(201303109);江苏省高校优势学科建设项目(PAPD);安徽农业大学学科培育骨干项目(2014XKPY-62)

年　　份：2015

卷　　号：31

期　　号：22

起止页码：176-182

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CAB、CAS、CSCD、CSCD2015_2016、EI(收录号：20154901641997)、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为提高小麦冠层叶片氮素含量检测精度,在不同生育时期对5种不同氮素水平的小麦试验田进行光谱采集,获取了234个范围为350~2 500 nm的高光谱数据。在比较蒙特卡洛-无信息变量消除(monte carlo-uninformative variable elimination,MC-UVE)、随机青蛙(random frog)、竞争自适应重加权采样(competitive adaptive reweighted sampling,CARS)及移动窗口偏最小二乘法的波段选择等方法的基础上,提出一种竞争性自适应重加权算法与相关系数法相结合的敏感波段选择方法,并从2151个原始波段中选出了30个敏感波段。用筛选后的30个波段数据建立非线性回归模型,得到了径向基神经网络模型校正集均方根误差为0.3699,预测集均方根误差为1.074e-009,校正决定系数为0.9832,预测决定系数为0.9982。试验结果表明:经过竞争自适应重加权采样的相关分析后所建立的径向基神经网络预测模型,无论是预测精度还是建模精度,比误差后向传播(back propagation,BP)神经网络和支持向量回归模型相比都有了显著提高,该方法在小麦氮含量预测过程中具有明显的优势,可在实际生产中应用。

关 键 词：氮 光谱分析 算法  小麦冠层 检测  敏感波段  竞争性自适应重加权算法  高光谱数据

分 类 号：TP79] S512.1]