羅建軍，楊紅云，路 艷，萬(wàn) 穎，孫愛(ài)珍，易文龍

（1．江西農(nóng)業(yè)大學(xué)計(jì)算機(jī)與信息工程學(xué)院，江西 南昌 330045；2．江西農(nóng)業(yè)大學(xué)軟件學(xué)院/江西省高等學(xué)校農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330045）

氮素是植物生長(zhǎng)所必需的元素之一，缺少氮肥的施用會(huì)造成植株葉片面積減小，降低光合作用、葉綠素濃度和生物產(chǎn)量［1］。過(guò)量氮肥的施用不僅會(huì)使大田土壤中的氮素過(guò)多殘留，而且浪費(fèi)了肥料，又污染了環(huán)境［2-3］。運(yùn)用高光譜技術(shù)進(jìn)行作物營(yíng)養(yǎng)診斷，具有快速、便捷、無(wú)損害的優(yōu)點(diǎn)，為實(shí)時(shí)監(jiān)測(cè)作物氮素營(yíng)養(yǎng)提供了新的技術(shù)手段和方法［4］。對(duì)此，多數(shù)研究者采用高光譜技術(shù)對(duì)水稻進(jìn)行氮素營(yíng)養(yǎng)研究表明，水稻冠層和葉片高光譜能夠很好地反映其氮素營(yíng)養(yǎng)狀況。例如唐延林等［5］研究表明，隨著施氮水平的提高，水稻冠層和葉片光譜的差異顯著，其可見(jiàn)光范圍的反射率有所下降，近紅外區(qū)的反射率有所增加。Wang 等［6］發(fā)現(xiàn)水稻冠層高光譜反射率與不同氮含量具有顯著相關(guān)性，可大致區(qū)分嚴(yán)重缺氮、適氮以及過(guò)氮的情況。Chu 等［7］運(yùn)用高光譜技術(shù)，通過(guò)選用波長(zhǎng)770 與752 nm 的反射率比值進(jìn)行水稻葉片氮素積累量的判定，氮素積累量的判定模型效果較為優(yōu)質(zhì)。王樹(shù)文等［8］研究表明，水稻冠層光譜反射率與水稻的氮含量具有密切關(guān)系，采用高光譜技術(shù)能夠很好地進(jìn)行水稻嚴(yán)重缺氮、適氮以及過(guò)氮的定性診斷。Du 等［9］采用基于光譜輻射和32 通道探測(cè)器的高光譜激光雷達(dá)（hl）技術(shù)進(jìn)行特征波長(zhǎng)反射率的選擇，發(fā)現(xiàn)其與水稻不同含氮水平具有很高的相關(guān)性。祝錦霞等［10］、劉江桓［11］、孫棋［12］都研究發(fā)現(xiàn)不同時(shí)期的水稻頂三葉葉片能夠很好地體現(xiàn)水稻植株的氮素含量；同時(shí)，張麗微等［13］研究表明，在水稻的分蘗期，合理適量的追施氮肥能夠提高水稻的產(chǎn)量，改良水稻的品質(zhì)。因此，選用水稻分蘗期頂三葉葉片進(jìn)行水稻氮素營(yíng)養(yǎng)診斷，能夠很好地反映水稻氮素營(yíng)養(yǎng)的缺失，并及時(shí)合理地追加施氮。支持向量機(jī)（SVM）是建立在統(tǒng)計(jì)學(xué)習(xí)理論中結(jié)構(gòu)風(fēng)險(xiǎn)最小化基礎(chǔ)上的監(jiān)督學(xué)習(xí)模型［14］，在解決小樣本、非線(xiàn)性、高維數(shù)等模式識(shí)別問(wèn)題時(shí)，支持向量機(jī)較其他建模方法來(lái)說(shuō)具有更多的優(yōu)點(diǎn)［15］。但支持向量機(jī)的模型性能主要受其誤差懲罰參數(shù)C 和核函數(shù)參數(shù)g 的影響。

本研究采用支持向量機(jī)進(jìn)行水稻氮素營(yíng)養(yǎng)狀況的定性診斷，并分別通過(guò)網(wǎng)格搜索算法、粒子群算法和遺傳算法進(jìn)行參數(shù)優(yōu)化，以尋求支持向量機(jī)的最優(yōu)參數(shù)。通過(guò)采用高光譜技術(shù)，獲取水稻分蘗期頂三葉葉片的可見(jiàn)光到近紅外波段350 ～2 500 nm 的光譜反射率，并采用平滑處理和歸一化處理，消除噪聲和量綱的影響以及主成分分析方法去除數(shù)據(jù)冗余，為水稻氮素營(yíng)養(yǎng)狀況的定性診斷研究提供一種更加有效、準(zhǔn)確的方法，也為進(jìn)一步研究水稻氮素營(yíng)養(yǎng)高光譜診斷的定量分析奠定基礎(chǔ)。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

水稻試驗(yàn)于2018 年在江西省南昌市成新農(nóng)場(chǎng)（116o15’E，28o92’N）進(jìn)行，水稻田土壤pH 值為5.30、有機(jī)質(zhì)19.46 g/kg、全氮1.02 g/kg、全磷0.48 g/kg、全鉀14.22 g/kg、堿解氮112.31 mg/kg，有效磷11.65 mg/kg，速效鉀123.84 mg/kg。

根據(jù)汪壽根等［16］研究表明，“中嘉早17”水稻在中氮肥水平（150 kg/hm2）處理最佳，其水稻產(chǎn)量達(dá)到最高。因此，本試驗(yàn)選用“中嘉早17”水稻作為供試品種，施氮水平設(shè)4 個(gè)處理，分別為:第一類(lèi)0 kg/hm2（不施氮）、第二類(lèi)105 kg/hm2（低氮）、第三類(lèi)150 kg/hm2（中氮）和第四類(lèi)195 kg/hm2（高氮）。氮肥使用尿素（N 46%），按基肥∶分蘗肥∶穗肥5∶2∶3 施用。磷肥使用鈣鎂磷肥（P2O512%），鉀肥使用氯化鉀（K2O 60%），每種施氮處理下磷鉀施肥量相同。人工移栽前1 d 施用基肥，人工移栽后7 d 施用分蘗肥，在葉齡余數(shù)1.5 左右時(shí)施用穗肥［17］。水稻在4 月9 日 播 種，4 月28 日 移 栽。栽 插 密 度 為13.3 cm×26.6 cm，其他管理按照一般的高產(chǎn)栽培管理。

1.2 光譜數(shù)據(jù)獲取

在分蘗期（5 月17 日）進(jìn)行水稻頂三葉葉片采集，4 種施氮各采集60 組，共240 組。分別選用每組葉片樣本的葉尖、葉中和葉枕3 個(gè)部位，使用光譜分析儀進(jìn)行光譜反射率值的測(cè)量，其中3 個(gè)測(cè)量位置點(diǎn)分別位于距葉尖方向的葉片長(zhǎng)度1/4、1/2、3/4 處。以3 個(gè)部位位置點(diǎn)的光譜反射率值的平均值作為每組樣本的光譜反射率值。光譜分析儀采用ASD 野外光譜分析儀FieldSpec 4，如圖1 所示。其測(cè)量波長(zhǎng)范圍為可見(jiàn)光到近紅外波段（350 ～2 500 nm）。反射光譜均值處理在Viewspec Program 軟件中進(jìn)行，且光譜測(cè)量每間隔15 min 進(jìn)行一次標(biāo)準(zhǔn)白板矯正。

圖1 ASD 野外光譜分析儀FieldSpec 4

1.3 水稻葉片光譜數(shù)據(jù)預(yù)處理

1.3.1 平滑處理

由于數(shù)據(jù)中或多或少存在噪聲。因此，采用移動(dòng)平均濾波器將原始數(shù)據(jù)進(jìn)行平滑處理［18］，平均濾波器的窗寬默認(rèn)設(shè)置為5，平滑處理如公式（1）。

式中，x為原始光譜數(shù)據(jù)的波長(zhǎng)反射率，y為平滑后數(shù)據(jù)的波長(zhǎng)反射率，n為波長(zhǎng)。

1.3.2 光譜數(shù)據(jù)歸一化處理

處理后的每種特征量綱有所不同，為能夠提高模型運(yùn)行速率和模型準(zhǔn)確率［19］，使用公式（2）對(duì)平滑處理后的所有數(shù)據(jù)進(jìn)行歸一化處理。

式中，xmax和xmin分別為原始光譜數(shù)據(jù)中的最大值與最小值，ymax和ymin分別為歸一化處理后光譜數(shù)據(jù)的最大值與最小值，分別取1 和-1。

1.4 光譜特征降維處理

各波段光譜反射率值間存在一定的相關(guān)性，增加了預(yù)測(cè)難度［20］。主成分分析（PCA）利用降維的思想，在損失很少信息的前提下，將多個(gè)變量轉(zhuǎn)化為少數(shù)幾個(gè)不相關(guān)的綜合變量［14，21］。本研究共獲取了2 151（350 ～2 500 nm）個(gè)波長(zhǎng)變量，為提高算法運(yùn)行效率，降低光譜數(shù)據(jù)的數(shù)據(jù)冗余，通過(guò)采用主成分分析的方法降低光譜數(shù)據(jù)的變量個(gè)數(shù)。統(tǒng)計(jì)學(xué)認(rèn)為，累計(jì)貢獻(xiàn)率達(dá)到80%及以上［10］，就能夠很好地表征出原始數(shù)據(jù)的特性。因此，獲取的變量方差累計(jì)貢獻(xiàn)率越高，就越能反映原始數(shù)據(jù)的特征性。

1.5 不同算法優(yōu)化支持向量機(jī)模型的建立

支持向量機(jī)模型性能的主要影響因素包括誤差懲罰參數(shù)C 和核函數(shù)參數(shù)g 以及核函數(shù)類(lèi)型［22］。本研究采用支持向量機(jī)對(duì)水稻氮素營(yíng)養(yǎng)狀況進(jìn)行定性診斷研究，同時(shí)選用徑向基核函數(shù)［23］，徑向基核（RBF）函數(shù)如公式（3）所示?？紤]到誤差懲罰參數(shù)C 和核函數(shù)參數(shù)g 對(duì)SVM 的性能有著很大影響［24］，且合理選取不僅可以?xún)?yōu)化模型，而且能夠適用于小數(shù)據(jù)樣本集的模型建立。本研究分別選用網(wǎng)格搜索算法、粒子群算法和遺傳算法進(jìn)行支持向量機(jī)模型的最佳參數(shù)選取。其中，網(wǎng)格搜索算法設(shè)定網(wǎng)格搜索的變量C 和g 的初始范圍為［2-8，28］，搜索步距設(shè)為1，采用K-CV 方法對(duì)訓(xùn)練集進(jìn)行測(cè)試，其中K=3［25］。粒子群算法和遺傳算法優(yōu)化支持向量機(jī)模型的變量C 和g 的變化范圍都設(shè)定為［2-8，28］，最大進(jìn)化數(shù)量設(shè)定為200，種群最大數(shù)量設(shè)定為20。

其中δ＞0，為高斯核的帶寬。

2 結(jié)果與分析

2.1 不同施氮水平下的水稻光譜數(shù)據(jù)分析

將4 種施氮水平的240 組（各施氮水平60 組）光譜數(shù)據(jù)求取平均值，各施氮水平下的水稻葉片光譜如圖2 所示，不同施氮水平下的光譜變化趨勢(shì)相同，但在紅外區(qū)780 ～1 300 nm 4種施氮水平的光譜反射率有所不同，以第四類(lèi)（高氮）施氮水平下的光譜反射率最高，第三類(lèi)（中氮）施氮水平其次。在1 400 ～1 850 nm 及1 900 ～2 500 nm 左右都表現(xiàn)出第四類(lèi)（高氮）施氮水平的光譜反射率最低，其次是第三類(lèi)（中氮）施氮水平，第一類(lèi)（不施氮）和第二類(lèi)（低氮）施氮水平反射率值差別不大，二者（第三類(lèi)、第四類(lèi)）光譜反射率都高于第一類(lèi)（不施氮）和第二類(lèi)（低氮）施氮水平。由此表明應(yīng)用水稻葉片光譜進(jìn)行水稻氮素營(yíng)養(yǎng)狀況分類(lèi)識(shí)別具有可行性。

圖2 不同施氮水平下的水稻葉片光譜對(duì)比

2.2 光譜數(shù)據(jù)平滑處理分析

將240 組光譜原始數(shù)據(jù)進(jìn)行平滑處理，平滑處理前后效果如圖3、4 所示。由圖3 可知，不同施氮水平的水稻葉片光譜反射曲線(xiàn)呈相同趨勢(shì)。在綠光區(qū)的550 nm 處，水稻葉片反射率出現(xiàn)波峰，在紅光區(qū)的680 nm 及短波紅外區(qū)的1 450和1 900 nm 處水稻葉片出現(xiàn)強(qiáng)烈吸收，形成波谷。該光譜反射現(xiàn)象與張亞彪等［26］的研究結(jié)果一致。由圖4 可知，經(jīng)過(guò)平滑處理后的光譜反射曲線(xiàn)有效地消除了譜線(xiàn)平移、高頻隨機(jī)噪聲和光散射等因素的影響。

圖3 240 組樣本原始光譜

圖4 平滑處理后的水稻光譜

2.3 水稻葉片光譜數(shù)據(jù)特征降維分析

本研究采用主成分分析將平滑處理和歸一化處理后的光譜數(shù)據(jù)進(jìn)行降維處理，由于光譜數(shù)據(jù)波長(zhǎng)變量較多，本研究?jī)H列出前30 個(gè)主成分的方差貢獻(xiàn)率，如圖5 所示。前3 個(gè)主成分相對(duì)較高，其中PC1 為62.310 2%、PC2 為26.326 2%和PC3 為6.418 46%，如圖5 所示。雖然前3 個(gè)主成分方差貢獻(xiàn)率較高，但從圖中可以看出，各類(lèi)樣本點(diǎn)重疊嚴(yán)重，仍難以對(duì)4 類(lèi)樣本進(jìn)行區(qū)分，因此前3 個(gè)主成分并不能完全表征出原始數(shù)據(jù)的特征性。為能實(shí)現(xiàn)良好的水稻氮素營(yíng)養(yǎng)狀況識(shí)別實(shí)驗(yàn)效果，本研究選取前22 個(gè)主成分作為模型輸入數(shù)據(jù)，前22 個(gè)主成分累積貢獻(xiàn)度高達(dá)99.995 1%。

圖5 前30 個(gè)主成分的方差貢獻(xiàn)率

2.4 基于參數(shù)優(yōu)化支持向量機(jī)的水稻氮素營(yíng)養(yǎng)狀況分類(lèi)識(shí)別模型分析

為探尋快速、便捷、無(wú)損的水稻氮素營(yíng)養(yǎng)狀況定性診斷方法，將240 組樣本數(shù)據(jù)隨機(jī)分成兩組，分別為建模訓(xùn)練集和建模測(cè)試集。其中160 組樣本作為建模訓(xùn)練集樣本（每種施氮水平各40 組），80 組樣本作為建模測(cè)試集（每種施氮水平各20組）。本研究選用支持向量機(jī)模型（SVM 模型）進(jìn)行水稻氮素營(yíng)養(yǎng)狀況分類(lèi)識(shí)別模型的建立，并以主成分分析降維后的22 維主成分作為模型的輸入數(shù)據(jù)。分別選用SVM 的默認(rèn)參數(shù)［27］和網(wǎng)格搜索算法、粒子群算法、遺傳算法選取的最佳參數(shù)進(jìn)行SVM 建模。其中，默認(rèn)參數(shù)下的SVM 模型選擇誤差懲罰參數(shù)C 為1.000 0，核函數(shù)參數(shù)g 為10.000 0。4 類(lèi)施氮水平（施氮由低到高）數(shù)據(jù)的模型輸出參數(shù)y 分別由1、2、3、4 代表。不同尋優(yōu)方法選取最優(yōu)參數(shù)的結(jié)果如表1 所示。由表可以看出，通過(guò)3 種參數(shù)優(yōu)化的SVM 模型要優(yōu)于默認(rèn)參數(shù)下的整體識(shí)別效果，且基于遺傳算法的SVM 模型與另外兩種方法相比，尋優(yōu)效果最佳，其誤差懲罰參數(shù)C 為2.261 4，核函數(shù)參數(shù)g 為7.568 3。

圖6 PC1、PC2 及PC3 得分散點(diǎn)分布

采用默認(rèn)參數(shù)及3 種尋優(yōu)方法進(jìn)行支持向量機(jī)的水稻氮素營(yíng)養(yǎng)分類(lèi)識(shí)別模型建立，建模測(cè)試集各施氮水平識(shí)別效果如表2 所示。從整體來(lái)看，默認(rèn)參數(shù)下的SVM 模型測(cè)試集平均識(shí)別效果最差，僅為87.500%，3 種尋優(yōu)方法的SVM 模型測(cè)試集實(shí)驗(yàn)效果較默認(rèn)參數(shù)下的SVM 模型要好，均達(dá)到95.000%及以上，其中以基于遺傳算法優(yōu)化SVM模型（GA-SVM）實(shí)驗(yàn)效果最佳，高達(dá)98.750%，較基于網(wǎng)格搜索算法優(yōu)化SVM 模型（Grid-SVM）和基于粒子群算法優(yōu)化SVM（POS-SVM）分別高出3.75%和2.50%。從各施氮水平識(shí)別效果來(lái)看，默認(rèn)參數(shù)下的SVM 模型在第二類(lèi)（低氮）施氮水平上識(shí)別陷入局部最小，第二類(lèi)（低氮）識(shí)別準(zhǔn)確率僅為65.00%，其他3 類(lèi)（第一類(lèi)、第三類(lèi)、第四類(lèi)）施氮水平均達(dá)到95.000%，默認(rèn)參數(shù)下的SVM 模型各施氮水平識(shí)別分類(lèi)結(jié)果如圖7 所示。其他3 種參數(shù)優(yōu)化的SVM 模型對(duì)第三類(lèi)（中氮）、第四類(lèi)（高氮）施氮水平都能夠很好地識(shí)別，達(dá)到100.000%，對(duì)第二類(lèi)（低氮）施氮水平的識(shí)別都達(dá)到了95.000%。只有在第一類(lèi)（不施氮）施氮水平上，識(shí)別效果產(chǎn)生了一定的差別。基于遺傳算法的SVM 模型較其他兩種優(yōu)化算法優(yōu)化的SVM 模型，僅第二類(lèi)（低氮）施氮水平下的第40 組樣本被誤判為第三類(lèi)（中氮）施氮水平；基于網(wǎng)格算法優(yōu)化的SVM 模型中，第一類(lèi)（不施氮）施氮水平下的第12、13 和14 組樣本被誤判為第二類(lèi)（低氮）施氮水平，第二類(lèi)（低氮）施氮水平下的第40 組樣本被誤判為第三類(lèi)（中氮）施氮水平；基于粒子群算法優(yōu)化的SVM 模型中，第一類(lèi)（不施氮）施氮水平下的第12 和14 組樣本被誤判為N1 施氮水平，第二類(lèi)（低氮）施氮水平下的第40 組樣本被誤判為第三類(lèi)（中氮）施氮水平；而基于遺傳算法優(yōu)化的SVM 模型僅將第二類(lèi)（低氮）施氮水平下的第40 組樣本被誤判為第三類(lèi)（中氮）施氮水平。3 種優(yōu)化算法優(yōu)化SVM 模型的各施氮水平識(shí)別分類(lèi)結(jié)果如圖8、9、10 所示。

表1 不同參數(shù)尋優(yōu)方法選取的最優(yōu)參數(shù)及實(shí)驗(yàn)效果

表2 不同施氮水平下的預(yù)測(cè)集識(shí)別效果對(duì)比 （%）

圖7 默認(rèn)參數(shù)支持向量機(jī)模型的預(yù)測(cè)集識(shí)別分類(lèi)結(jié)果

圖8 基于網(wǎng)格搜索算法優(yōu)化支持向量機(jī)模型的預(yù)測(cè)集識(shí)別分類(lèi)結(jié)果

圖9 基于粒子群算法優(yōu)化支持向量機(jī)模型的預(yù)測(cè)集識(shí)別分類(lèi)結(jié)果

圖10 基于遺傳算法優(yōu)化支持向量機(jī)模型的預(yù)測(cè)集識(shí)別分類(lèi)結(jié)果

3 討論

水稻冠層葉片光譜特征能夠?yàn)榭焖?、便捷、無(wú)損地診斷氮素營(yíng)養(yǎng)提供有利依據(jù)［28］。同時(shí)，建立水稻氮素營(yíng)養(yǎng)的光譜診斷模型，可以快速診斷水稻氮素狀況，對(duì)指導(dǎo)有效施肥、合理施氮具有重要的現(xiàn)實(shí)意義［29］。因此，本研究通過(guò)光譜特征，利用機(jī)器學(xué)習(xí)方法建模進(jìn)行水稻施氮水平分類(lèi)識(shí)別，通過(guò)本研究的結(jié)果能夠?yàn)檫M(jìn)一步的水稻氮素營(yíng)養(yǎng)診斷定量分析提供支持，且本研究方法可以為作物氮素營(yíng)養(yǎng)診斷識(shí)別研究提供一定的參考價(jià)值。而且，通過(guò)參考高產(chǎn)施肥方案，可指導(dǎo)農(nóng)戶(hù)科學(xué)合理施肥［30］。

前人研究中，顧清等［31］提取了水稻葉片光譜和形狀特征，采用支持向量機(jī)方法進(jìn)行水稻氮素營(yíng)養(yǎng)狀況分類(lèi)識(shí)別建模，其模型對(duì)于過(guò)氮水平樣本難以識(shí)別；周瓊等［23］采用遺傳算法優(yōu)化支持向量機(jī)方法進(jìn)行水稻氮素營(yíng)養(yǎng)狀況分類(lèi)識(shí)別中，能夠很好地區(qū)分缺氮和過(guò)氮水平樣本，但非低氮且非高氮的兩類(lèi)施氮水平樣本卻不易區(qū)分。楊紅云等［32］采用高光譜技術(shù)和支持向量機(jī)方法建立了水稻氮素營(yíng)養(yǎng)狀況分類(lèi)識(shí)別模型，其模型解決了水稻各類(lèi)施氮水平樣本難以識(shí)別的問(wèn)題，且測(cè)試集平均識(shí)別準(zhǔn)確率達(dá)97.5%。本研究同樣采用高光譜技術(shù)和支持向量機(jī)方法建立水稻氮素營(yíng)養(yǎng)狀況分類(lèi)識(shí)別模型，同時(shí)考慮到支持向量機(jī)懲罰參數(shù)C 和核函數(shù)參數(shù)g 的選擇問(wèn)題，并分別采用網(wǎng)格搜索算法、粒子群算法和遺傳算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化選擇。本研究的結(jié)果表明，建立的該模型不僅能夠解決各施氮水平樣本難以識(shí)別的問(wèn)題，而且基于遺傳算法優(yōu)化支持向量機(jī)所建立的水稻氮素營(yíng)養(yǎng)分類(lèi)識(shí)別模型較楊紅云等［32］的效果更佳，預(yù)測(cè)集平均識(shí)別準(zhǔn)確率達(dá)98.750%，高出1.250%，僅第二類(lèi)（低氮）的第40 組樣本被誤判為第三類(lèi)（中氮）。

獲取的原始光譜數(shù)據(jù)中必然存在數(shù)據(jù)噪聲，各波長(zhǎng)原始光譜反射率間必然存在相關(guān)性。因此，有必要對(duì)原始光譜數(shù)據(jù)進(jìn)行有效的預(yù)處理。本研究中通過(guò)采用平滑處理和歸一化處理消除噪聲和量綱的影響，以及采用主成分分析方法對(duì)光譜數(shù)據(jù)進(jìn)行降維，以減少各波長(zhǎng)光譜反射率間的相關(guān)性。通過(guò)模型的氮素營(yíng)養(yǎng)診斷識(shí)別準(zhǔn)確率來(lái)看，雖通過(guò)本研究方法能夠達(dá)到較為理想的效果，但在未來(lái)的研究中，需要引入更多的消除噪聲和降維的方法，以實(shí)現(xiàn)更具通用性和實(shí)用性的水稻氮素營(yíng)養(yǎng)診斷模型。降維處理可嘗試使用連續(xù)投影算法（SPA）［6，33］、因子分析［34］等方法，去噪處理可嘗試使用多元散射校正（MSC）［35-36］、變量標(biāo)準(zhǔn)化校正（SNV）以及基線(xiàn)校正的方法［18］。

本研究采用高光譜技術(shù)和支持向量機(jī)方法進(jìn)行水稻氮素營(yíng)養(yǎng)狀況分類(lèi)識(shí)別，屬于水稻氮素營(yíng)養(yǎng)診斷的初步性研究，改善之處尚多。研究中僅以2018 年的“中嘉早17”作為供試樣本，所建立的水稻氮素營(yíng)養(yǎng)分類(lèi)識(shí)別模型在其他年限和水稻品種中的應(yīng)用性還需要進(jìn)一步研究。本研究?jī)H獲取水稻分蘗期頂三葉葉片的4 個(gè)施氮水平葉片高光譜數(shù)據(jù)，樣本數(shù)目相對(duì)較少，僅有240 組。為能夠使得水稻氮素營(yíng)養(yǎng)分類(lèi)識(shí)別模型更具有通用性與實(shí)用性以及提高樣本的容錯(cuò)率，在未來(lái)的研究中，將獲取更多年份、水稻品種及葉位等的高光譜數(shù)據(jù)進(jìn)行研究，并且提高模型建立的樣本總量，以及增加水稻氮素營(yíng)養(yǎng)診斷的施氮水平數(shù)目，為進(jìn)一步積極探索水稻氮素營(yíng)養(yǎng)診斷的定量分析奠定理論基礎(chǔ)，也為科學(xué)施肥，提高氮肥利用率，保證作物高產(chǎn)穩(wěn)產(chǎn)提供理論依據(jù)。

4 結(jié)論

本文選用水稻分蘗期頂三葉葉片原始光譜數(shù)據(jù)，采用平滑處理去除光譜數(shù)據(jù)噪聲、歸一化處理消除光譜數(shù)據(jù)的量綱影響，同時(shí)采用主成分分析的方法減少各波長(zhǎng)光譜反射率間的相關(guān)性。最后，分別采用網(wǎng)格搜索算法、粒子群算法和遺傳算法優(yōu)化的支持向量機(jī)進(jìn)行水稻氮素營(yíng)養(yǎng)診斷模型的建立。研究結(jié)果表明，通過(guò)采用3 種優(yōu)化算法優(yōu)化的SVM模型進(jìn)行水稻氮素營(yíng)養(yǎng)高光譜診斷具有一定可行性，都優(yōu)于默認(rèn)參數(shù)下的SVM 模型。其中，應(yīng)用遺傳算法優(yōu)化的SVM 模型進(jìn)行水稻氮素營(yíng)養(yǎng)診斷最佳，各施氮水平測(cè)試集識(shí)別準(zhǔn)確率分別為100%、95%、100%和100%，其預(yù)測(cè)集平均識(shí)別準(zhǔn)確率達(dá)98.750%，僅第二類(lèi)（低氮）的第40 組樣本被誤判為第三類(lèi)（中氮）。說(shuō)明利用高光譜技術(shù)進(jìn)行水稻氮素營(yíng)養(yǎng)水平的診斷具有一定的可行性。因此，基于遺傳算法優(yōu)化參數(shù)的支持向量機(jī)模型應(yīng)用于水稻氮素營(yíng)養(yǎng)的缺失識(shí)別具有一定優(yōu)勢(shì)。為實(shí)時(shí)、快速、準(zhǔn)確地實(shí)現(xiàn)水稻氮素營(yíng)養(yǎng)診斷研究提供了一種新思路和方法，以指導(dǎo)合理施氮，提高水稻的產(chǎn)量。