无人机高光谱条件下多预处理与特征筛选组合的玉米冠层氮含量反演模型优化研究OA

该研究以玉米为研究对象,针对寒地种植条件下氮素含量监测精度不足的问题,通过对多种预处理方式进行比较后,采用小波变换(DWT)与标准正态变量变换(SNV)联合预处理方法,系统比较了竞争性自适应重加权算法(CARS)、无信息变量消除算法(UVE)、连续投影算法(SPA)、遗传算法(GA)和遗传-连续投影算法(GA-SPA)等特征筛选算法,并结合偏最小二乘回归(PLSR)、支持向量回归(SVR)、核极限学习机(KELM)、深度极限学习机(DELM)、极端梯度提升(XGBoost)、一维卷积神经网络(1D-CNN)等多种回归模型,对玉米氮含量的高光谱反演性能进行了综合评估。结果表明,全波段建模虽在训练集上表现出较高拟合度,但测试集预测精度较低,存在明显过拟合现象;引入特征筛选后,模型性能显著提升,其中GA-SPA算法在特征提取与冗余抑制方面表现最佳。以GA-SPA筛选特征并结合DELM模型的预测效果最优,测试集R^(2)达0.8111,RMSE为0.4930,显著优于其他组合;同时,GA-SPA在PLSR、KELM和SVR模型中亦保持了较高的预测稳定性。研究结果表明,基于DWT+SNV预处理与GA-SPA特征优化的DELM建模框架能够有效提升玉米氮含量反演的精度与泛化能力,为寒地玉米的养分监测和精准施肥提供了可靠的技术支撑。