基于高光谱遥感的湖泊水质富营养化状态评价

为提高湖泊水质富营养化状态评价的精度，提出了一种融合高光谱遥感和萤火虫算法（FA）改进极限学习机（Extreme learning machine,ELM）的湖泊水质富营养化状态评价方法。针对ELM模型性能受其初始输入权值和隐含层偏置参数选择的影响，将萤火虫算法应用于ELM模型参数寻优。结果表明，与PSO-ELM、GA-ELM、DE-ELM和ELM相比，FA-ELM可以有效提高水质富营养化评价的准确率，为湖泊水质富营养化状态评价提供了新的方法。     

基于改进粒子群优化极限学习机的养殖氨态氮含量预测模型

针对养殖水体氨态氮含量预测准确性低的问题,提出了一种基于改进粒子群算法优化极限学习机的水产养殖氨态氮含量预测模型。引入自适应变异算子改进粒子群算法的搜索性能,利用改进粒子群算法优化极限学习机的初始权值和阈值,最后训练极限学习机预测模型求得最优解。将该预测模型应用在小汤山水产品养殖系统进行有效性验证,通过试验发现,与PSO-ELM和普通BP神经网络相比,IPSO-ELM预测氨态氮含量模型有更高的精度和更好的拟合能力。结果表明,基于改进粒子群优化的极限学习机氨态氮含量预测模型简单易懂、预测精度高、易于实现,具有较好的预测性能。     

基于灰度关联-极限学习机的土壤有机质含量高光谱多尺度反演

为了提高干旱区土壤有机质含量的预测精度,以新疆阜康人类不同干扰程度下的土壤有机质含量为研究对象,先利用小波变换对其原始光谱进行1～8层的离散小波分解,然后通过相关性分析确定最大分解层数,并进行5种常规数学变换以筛选敏感波段,最后引入灰色关联分析(GRA)筛选出具有较好预测能力的波段,结合极限学习机算法(ELM)分别建立不同分解层的土壤有机质含量高光谱预测模型。作为对照,同时采用传统相关分析方法选择的敏感波段构建偏最小二乘模型。研究结果表明:(1)小波变换获得的各层重构光谱中,随着分解层数增加,土壤光谱反射率与有机质含量的相关性降低,在L6之后二者相关性变化幅度不大且敏感波段数下降较多,即重构光谱对原始光谱信息的反映能力减弱,因此L6为本研究的最大分解层;(2)通过对比各分解层有机质含量模型,Ⅰ区(轻度干扰区)、Ⅱ区(中度干扰区)、Ⅲ区(重度干扰区)均是L3、L4建模效果最好;(3)无论是哪一个区,灰度关联-极限学习机所建模型均为最优,Ⅰ、Ⅱ、Ⅲ区验证集R~2和RMSE(均方根误差)分别为0.825、0.787、0.729和0.980、1.387、1.982,RPD(相对分析误差)分别达到2.382、2.204、2.139,均优于传统的建模方法,且能对土壤有机质含量进行很好的预测。特别在有机质含量较低的情况下,灰度关联-极限学习机方法优势更加明显,表明该方法适用于干旱区有机质含量的预测。     

基于高光谱与在线序列极限学习机确证大米产地方法

为满足快速无损的大米产地确证需求，采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像（400~1 000 nm）作为研究对象，利用多元散射校正（MSC）处理方法对光谱进行预处理。采用多层感知机（MLP）、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法，分别基于全波段高光谱数据以及经多维尺度分析（MDS）方法降维后的数据建立产地确证模型。结果表明，基于全波段高光谱数据的OS-ELM模型分类性能最好，准确率达到98.3%。经MDS处理后，输入的数据变量减少了96.6%，MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析，OS-ELM训练时间明显优于MLP，在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。     

基于高光谱与在线序列极限学习机确证大米产地方法

为满足快速无损的大米产地确证需求，采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像（400~1 000 nm）作为研究对象，利用多元散射校正（MSC）处理方法对光谱进行预处理。采用多层感知机（MLP）、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法，分别基于全波段高光谱数据以及经多维尺度分析（MDS）方法降维后的数据建立产地确证模型。结果表明，基于全波段高光谱数据的OS-ELM模型分类性能最好，准确率达到98.3%。经MDS处理后，输入的数据变量减少了96.6%，MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析，OS-ELM训练时间明显优于MLP，在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。     

基于高光谱的不同生育期玉米花青素含量估测

花青素(Anthocyanin)是玉米体内的重要色素,对花青素含量的便捷、无损估测对监测玉米长势具有重要意义。利用关中地区拔节期、大喇叭口期、抽雄期以及乳熟期玉米冠层叶片Anth值及高光谱数据建立多个单因素模型和多因素模型。结果表明,不同生育期玉米叶片原始光谱特征总体一致、局部不同。变换光谱的特征波段与Anth值相关性优于原始光谱,其中一阶导数光谱特征波段最优。连续投影算法(SPA)降维能力较好,筛选出的建模参数在2～27个。最优单因素模型与多元性线性回归模型精度均为抽雄期最优,拔节期和大喇叭口期次之,乳熟期最差。所有模型中,抽雄期基于一阶导数光谱的麻雀搜索算法-极限学习机回归(SSA-ELMR)模型精度最佳,该模型建模与验证R²分别为0.847、0.895,相应nRMSE为6.44%和7.21%。本研究结果表明抽雄期是玉米叶片花青素含量反演的最佳时期,极限学习机能进一步提升传统模型精度。     

土壤水分特征曲线模型参数识别的多邻域粒子群算法

Van Genuchten模型(简称VG模型)是目前运用最为广泛的土壤水分特征曲线模型,提出适宜的优化算法进行模型参数识别也是一个非常重要的研究方向。针对标准的粒子群算法易陷入局部最优的缺点,给出了一种多邻域粒子群算法,可以有效地克服粒子群算法易陷入局部最优的缺点,并利用该算法对VG模型参数进行识别,最后用所求解的参数对不同类型土壤持水性能进行了试验。数值实验结果表明,多邻域粒子群算法能够有效地应用于VG模型的参数识别,与其它算法相比在性能和精度上都有所提高,而且对参数的取值范围也可以较大地放宽。因此,多邻域粒子群算法可以作为VG模型参数识别的一种新方法。     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

基于支持向量机优化粒子群算法的作物生育期ET0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群（particle swarm optimization,PSO）算法引入到ET0预测中,并用支持向量回归机（support vector machine,SVM）优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机（PSO-SVM）算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM 算法进行了对比,其结果表明, PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。     

西平县高标准农田Zn含量高光谱反演研究

为实现高标准农田土壤重金属Zn含量的快速测定,本文以西平县土壤Zn为研究对象,通过采集168个土壤样本进行室内实验,获得土壤高光谱数据（400~2 400 nm）并进行Savitzky-Golay平滑后,利用5种光谱变换,结合连续投影算法识别最佳特征波段,采用偏最小二乘回归方法构建Zn元素最佳反演模型。结果表明：二阶微...     

基于高光谱图像的枸杞叶片叶绿素含量估算模型

为高效无损获得枸杞叶片叶绿素含量,基于无人机搭载高光谱成像仪实拍的宁夏枸杞叶片高光谱图像,结合手持叶绿素仪测定的叶片叶绿素含量,通过对高光谱图像进行特征波段选取并利用光谱微分技术处理,以反射率一阶导数为输入变量,设置不同训练集及数量,选用BP、Elman两种神经网络并分别用遗传算法(GA)、粒子群优化算法(PSO)进行优化,通过预测效果比较确定枸杞叶绿素含量预测的最优模型。结果表明,相比于传统的BP、Elman神经网络,优化后的模型预测结果更好,尤其PSO-Elman模型,预测模型变量为原始反射率与反射率一阶导数的R²分别为0.91408、0.98967。本研究结果可为宁夏枸杞的生产管理提供一定的技术支持。     

粳稻冠层叶绿素含量PSO-ELM高光谱遥感反演估算

目的 叶绿素含量是表征粳稻生长状态的重要指示信息，利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。方法 以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础，利用连续投影算法(SPA)进行有效波段的提取，提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入，利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中，针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C₁、C₂)、速度位置相关系数(m)这5个参数进行了优化。结果 确定了最优参数：p为80，w为0.9~0.3线性递减，C₁和C₂分别为2.80和1.10，m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887，均方根误差分别为1.824和0.783。结论 利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型，前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。     

基于RELIEF算法和极限学习机的苹果轻微损伤高光谱检测方法

采用高光谱成像技术(400～1 000 nm)对苹果轻微损伤进行快速识别及无损检测。采集苹果正常及不同损伤时间的高光谱图像,选择图像中合适的区域作为感兴趣区域并提取平均光谱反射率及图像熵信息,将采集的样本按2∶1的比例分为训练集和测试集。使用RELIEF算法基于光谱平均反射率及图像熵信息提取了8个特征波段(17、30、35、51、61、66、94和120),分别基于全波段和特征波段进行极限学习机(extreme learning machine, ELM)建模分析,并与支持向量机(support vector machine, SVM)和K-均值聚类算法进行比较。结果表明,基于全波段的ELM模型最终测试集识别率为94.44%,基于特征波段的RELIEF-极限学习机(Re-ELM)模型识别率为96.67%,基于特征波段的Re-SVM及Re-K均值模型的最终测试集识别率分别为92.22%和91.67%,证实了Re-ELM是一种更为有效的苹果损伤分类判别方法。在此基础上,基于图像处理技术和特征波段提出了一种苹果轻微损伤高光谱检测算法,使用该算法针对特征波段进行独立成分分析(independent component analysis, ICA)变换,选取ICA第3成分图像进行自适应阈值分割,从而获得损伤图像。对全部高光谱图像进行检测表明,该算法的最终识别率超过94%,说明该算法能够较为有效地识别苹果损伤区域。     

基于地物光谱和Landsat8遥感影像的土壤铅含量反演研究

随着人类活动的影响,重金属污染逐渐成为土壤和环境研究的重点。采用遥感技术可以克服传统重金属监测过程中的缺点,做到快速、高效地反映重金属空间分布。本文以克拉玛依市某区域为研究区,利用SVC HR-768光谱仪和Landsat8影像对41块土壤样品进行地物光谱和波段反射率的获取,采用相关性分析和偏最小二乘回归的原理,建立地物光谱与Landsat8数据的土壤铅含量反演模型。结果表明,基于一阶微分变换的地物光谱能更好地反映光谱与重金属铅含量的相关性,建立的模型为最优预测模型;通过波段比值和波段差值方式建立的基于Landsat8波段反射率的反演模型精度较好,能粗略预测土壤重金属铅的含量,并且基于Landsat8影像反演的土壤铅含量空间分布符合土壤样点实测值的空间分布,为今后土壤环境监测土壤重金属含量提供数据支撑。     

基于改进型神经网络的植物病虫害预警模型的构建

通过对植物病虫害预警模型的相关原理和方法的研究,并结合粒子群算法对后向传播神经网络进行参数优选,构建了基于粒子群和神经网络混合算法的植物病虫害组合预警模型。模型参数：①PSO参数设定：准粒子群算法模型参数的设定主要是对惯性、收敛（约束）、＂认知＂、＂社会＂进行变化与调节。C_1是粒子跟踪自己历史最优值的权重系数,它表示粒子自身的认识,设置为2。C_2是粒子跟踪群体最优值的权重系数,它表示粒子对整个群体知识的认识,设置为2。ξ,η设置为[0,1]区间内均匀分布的随机数。r是对位置更新的时候,在速度前面加的1个系数,设置为1;②BP神经网络输入层节点的确定：预测模型输入层节点为7个,分别代表7个特征指标,即发病面积、稻瘟病发病率、雨量、雨日数、平均温度、平均湿度、光照;③隐含层节点及隐层数的确定：该研究采用3层BP网络,隐层数为1层。将1980～2000年云南省盈江稻瘟病历史数据作为学习样本输入到预警模型,进行训练。隐节点为7时误差最小（1.046）;④输出层节点的确定：预测模型输出层节点为1个,即稻瘟病病情指数（Y）。稻瘟病发生程度分为5个等级：〈10,为等级1;10.1～20.0,为等级2;20.1～30.0,为等级3;30.1～50.0,为等级4;〉50.0,为等级5。预警模型：在构建预测模型时,包括2个过程,即学习过程和预测过程。在学习过程阶段主要在PSO算法对连接权和阈值优化的基础上,通过对样本数据的学习,找到其内在规律性,从而确定各节点间的连接权和阈值。由于选取影响植物病情发病的因子有7个,因此,第i年的输入层就为1个7维向量x_i,即输入层为7个神经元。隐含层确定为1层,输出层为第i＋1年的植物病理病情指数,故为一维向量y_j,因此,输出层的神经元个数为1。预测过程则是根据学习过程已经确定下来的连接权值和阈值,把需预测样本输入训练好的BP网络,通过网络学习后,输出相应的预测值。如需预测第i年植物病情等级,就把第i-1年决定植物病理发生的相应因素输入到该网络模型。即输出就为第i年植物病情发生程度的预测值。测试结果表明预警模型的构建有效且可行,为构建有效的预警平台应用提供了可行的模型结构。     

基于高光谱图像的西兰花表面多种农药残留检测

针对西兰花农药残留问题,提出一种基于高光谱图像技术的西兰花农药残留定性检测新方法。首先,采集4组(共180颗)分别喷洒了清水和吡虫啉、阿维菌素、丙森锌3种农药的西兰花的高光谱(383.70～1 032.70 nm)图像,根据其图像信息提取感兴趣区域的平均反射光谱值,并采用分段多元散射校正对原始光谱数据进行预处理。为了提高模型效率,减少高光谱数据冗余,分别使用主成分分析和连续投影算法选择特征光谱。最后,使用马氏距离、最小二乘支持向量机、人工神经网络和极限学习机4种分类算法建立基于全波段和特征波段信息的农药残留检测模型。结果表明:基于连续投影算法的极限学习机模型的识别效果最好,训练集和测试集的正确率分别为98.33%和96.67%。说明利用高光谱图像技术鉴别西兰花表面农药残留种类是可行的,为西兰花表面的农药残留无损检测提供了一种新的方法。     

连续投影与SSA-ELM结合的玉米氮平衡指数高光谱估测

玉米氮平衡指数的快速、无损估测，对监测植株长势和指导田间氮肥施用具有重要现实意义。通过田间试验观测各生育期(拔节期、抽雄期、乳熟期、完熟期)玉米叶片氮平衡指数和对应光谱反射率，应用特征波段和植被指数，构建不同类型的玉米氮平衡指数高光谱反演模型。结果表明：不同氮平衡指数下的叶片高光谱反射特征基本一致，在可见光波段反射率较低、近红外波段反射率较高，不同生育期氮平衡指数与光谱反射率的相关性在抽雄期最高，乳熟期、完熟期次之、拔节期最低；连续投影算法具有良好的降维效果，筛选出的各生育期建模光谱参数为8～20个；各生育期多因素模型均优于单因素模型，抽雄期各类模型效果最佳，其中基于麻雀搜索算法优化的极限学习机回归模型是最优模型，其建模R²与验证R²均为0.93,相对预测偏差分别为2.57、2.31,表明该模型对氮平衡指数具有极好的预测能力。     

粒子群算法及其应用研究

粒子群优化算法(PSO)源于对鸟群捕食系统的模拟,是近年来被广为关注和研究的一种智能优化算法。PSO算法属于进化算法的一种,比遗传算法(GA)更简单易实现,且没有交叉和变异操作,需要设定的参数也不多,收敛速度快。目前已广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法等领域。目前PSO的研究主要集中在算法本身和算法的应用研究两个方面。     

基于PSO-OSVM的江苏省耕地变化预测

以江苏省1996-2009年耕地变化为例,利用粒子群算法(PSO)的全局搜索能力优化标准支持向量机(SVM),并结合增量式最小二乘支持向量机(LSSVR)和逆学习算法的特征,构建粒子群算法-在线学习SVM(PSO-OSVM)耕地变化预测模型,采用该模型对江苏省耕地变化进行预测,以期为土地资源可持续发展提供重要参考依据.结果表明,PSO可以有效收敛SVM内部参数γ和σ达到全局最优解;PSO-OSVM模型的内外精度和总精度均高于GM(1,1)、BP神经网络模型,且优于PSO-SVM模型.说明PSO-OSVM是一种有效的耕地变化预测模型.     

基于高光谱数据的土壤含盐量BP神经网络模型研究

运用Hyperion数据,以黑龙江省大庆市某一实验区为例,进行了对土壤含盐量的定量研究,将BP神经网络模型(Back Propagation Network)应用到高光谱数据对研究地区土壤含盐量的反演中。通过对隐含层的传递函数、输出层的传递函数、训练算法的优化组合以及最适合隐层节点数量,得到最优的BP神经网络模型,实现了土壤含盐量的反演。对高光谱数据反演土壤含盐量采用BP神经网络具有一定的指导意义。