国产精品视频一区二区三区四,亚洲av美洲av综合av,99国内精品久久久久久久,欧美电影一区二区三区电影

產(chǎn)品推薦:氣相|液相|光譜|質(zhì)譜|電化學|元素分析|水分測定儀|樣品前處理|試驗機|培養(yǎng)箱


化工儀器網(wǎng)>技術(shù)中心>其他文章>正文

歡迎聯(lián)系我

有什么可以幫您? 在線咨詢

基于集成學習方法的煙草葉片氮含量無人機高光譜估測

來源:江蘇雙利合譜科技有限公司   2023年08月10日 10:45  

題目

基于集成學習方法的煙草葉片氮含量無人機高光譜估測

 

應用關(guān)鍵詞

高光譜遙感、葉片含氮量、集成學習、煙草

 

背景

煙草生產(chǎn)是中國西南地區(qū)農(nóng)業(yè)和農(nóng)村經(jīng)濟發(fā)展的關(guān)鍵支柱。為了給煙葉質(zhì)量優(yōu)化提供信息支持,減輕煙農(nóng)的勞動負擔,對快速、準確、實時的葉片氮含量(Leaf nitrogen content, LNC檢測方法有很大需求。無人機機載高光譜遙感Hyperspectral remote sensing, HRS能夠以非破壞性的方式獲取成像光譜數(shù)據(jù),實現(xiàn)煙葉LNC的快速獲取。

一般來說,可以使用經(jīng)驗方法或物理方法建立模型,或者兩者相結(jié)合,以實現(xiàn)目標性狀的反演。為了解決單個反演方法的異質(zhì)性,一些學者提出了作物表型性狀估計的集成學習框架。與試圖從訓練數(shù)據(jù)中學習一個假設的普通機器學習方法不同,集成方法試圖構(gòu)建一組假設并將它們組合起來使用。集成學習的思想是結(jié)合幾種不同的方法來增強輸入的多樣性,以挖掘更多的數(shù)據(jù)特征,從而提高模型的整體性能。

本研究旨在建立一種準確有效的模型,利用無人機機載高光譜圖像估計煙草LNC。研究中測試了幾種基于三種集成學習策略的典型算法,包括隨機森林(RF回歸、自適應增強Adaboost回歸和堆疊回歸。此外,我們選擇了常用的偏最小二乘回歸(PLSR作為基準模型。主要創(chuàng)新點有:(1研究了無人機機載HRS在煙草LNC估算中的潛力;(2評估不同集成學習策略bagging、boostingstacking下模型的性能;(3探索基于堆疊策略提高模型預測精度的可行方法。

 

試驗設計

江蘇大學趙春江教授團隊利用Gaiasky-Mini2-VN高光譜相機(江蘇雙利合譜公司)獲取了研究區(qū)內(nèi)不同氮處理下煙草冠層的高光譜影像,其波段范圍為400 ~ 1000 nm,波段數(shù)為256。各類地物的光譜曲線如圖1所示。在整個田間試驗過程中,每約20天采集一次冠層圖像,從移栽后35天開始,一直持續(xù)到收獲。

影像獲取后,第一步,利用ExG去除背景,并提取平均反射率。第二步,利用連續(xù)投影算法(SPA)進行數(shù)據(jù)降維。第三步,建立LNC估計模型,研究中選擇了常用的PLSR作為基準模型(圖1)。此外,采用集成學習方法來完成上述相同的回歸任務。集成學習框架下有三種建模策略,即baggingboostingstacking。本研究以決定系數(shù)(R2、均方根誤差RMSE和平均絕對百分比誤差MAPE作為評價指標。

1 本研究主要步驟流程圖

 

結(jié)論

本研究對全波段高光譜反射率數(shù)據(jù)進行主成分分析(PCA),提取對LNC變化更敏感的主成分(PC。如圖2所示,選取前80PC進行顯示,當主成分數(shù)為46、7時,累積方差貢獻率(AVCR分別超過99.5%、99.8%99.9%。我們選擇SPA作為二次降維算法。PCA不同,SPA可以通過選擇LNC變化更敏感的變量來降低數(shù)據(jù)維度,最終保留了15個波段(圖3)。

2 7PC貢獻了超過99.9%的信息

3 選擇的15個波段

從圖4可以看出,PLSRR2相對較低,但訓練集與測試集之間的差距較小。由于PLSR結(jié)合了PCAMLR。在這里,我們也給出了MLR的預測結(jié)果,訓練集和測試集之間的差距也很?。▓D4c4d)。結(jié)果表明,訓練良好的MLR模型具有良好的穩(wěn)定性,樣本分布均勻同時也證明了我們的數(shù)據(jù)集劃分是合理的。

4g – 4p顯示了集成學習方法的結(jié)果,包括RF、Adaboost和堆疊模型。RFAdaboost都是基于決策樹回歸(DTR),為了避免過擬合,我們將??????_????????的值設置為5。DTR的預測結(jié)果如圖4e和圖4f所示。對于堆疊模型,我們采用雙層結(jié)構(gòu),MLRDTR模型stacking – 1作為第一層的基估計器,MLR作為第二層的元估計器。結(jié)果表明,stacking - 3模型預測效果好。與DTR模型在測試集上的預測結(jié)果相比,stacking - 1模型得到了顯著增強,但相較于SPA-MLR改進幅度較小。結(jié)果表明,疊加策略可以傳遞基估計器的優(yōu)點。通過組合多個模型來挖掘更有價值的數(shù)據(jù)特征。在圖4m - 4p中也可以看到類似的現(xiàn)象。通過將已經(jīng)訓練好的模型添加到堆疊框架的第一層,可以發(fā)現(xiàn)在最終表現(xiàn)上也有逐漸的改善。當添加RF模型時stacking – 2),測試集上的R2不僅從0.710提高到0.743,而且超過了RF本身的R2,RMSE值也有小幅下降。當Adaboost模型被添加時stacking – 3),與stacking – 2相比,準確度只有輕微的提高。

綜上所述,stacking - 3模型的R2RMSE最高0.745, 4.824 mg/g),Adaboost模型的MAPE最小17.56%)。原因可能是堆疊方法可以從不同的模型中提取更多可用的數(shù)據(jù)特征。由于數(shù)據(jù)噪聲的存在,模型在數(shù)據(jù)特征上往往表現(xiàn)不同。堆疊法可以提取各模型中表現(xiàn)較好的特征,丟棄較差的特征,有效地優(yōu)化預測結(jié)果,提高最終的預測精度。Adaboost模型可以根據(jù)每個基估計器的預測誤差調(diào)整其權(quán)重。錯誤率小的基估計器在最終結(jié)果中占有較大的權(quán)重。因此,Adaboost模型得到最小的MAPE。對于RF,基估計量相互獨立,最終結(jié)果是所有基估計量的簡單平均值,因此RF模型更容易受到異常值的干擾。

4 訓練集和測試集下不同模型性能比較

進一步分析每個基估計器對最終結(jié)果的貢獻。我們首先選擇已經(jīng)訓練好的RFAdaboost模型作為基估計器(圖5a、b)。stacking - 4的綜合性能優(yōu)于RF。將DTRMLR分別加入到stacking - 4模型中,得到stacking - 5stacking - 6模型。結(jié)果如圖5c、f所示。stacking - 5stacking - 6模型之間存在非常小的差異。同時,stacking - 4模型R2 = 0.876stacking - 6模型R2 = 0.779在訓練集上存在顯著差異。

從某種意義上說,DTRRFAdaboost模型基于樹的模型是同質(zhì)的,因為DTR本身是RFbagging & DTR|Adaboostboosting & DTR模型的基估計器。因此,添加DTR不能使模型挖掘更多可用的數(shù)據(jù)特征。這可能就是stacking - 5模型的性能變化不大的原因。對于線性模型MLR,它與基于樹的模型原理是不同的,可以學習到一些新特征。雖然在測試集上的表現(xiàn)略有下降,但在訓練集上取得了進步。模型的整體穩(wěn)定性得到了提高。綜上所述,RFAdaboost幾乎貢獻了所有的堆疊精度,然后MLR有助于提高模型的穩(wěn)定性。

最后,對如何正確配置堆疊模型提出了一些建議。理想情況下,堆疊策略的第一層中的基估計器應該是“準確和異構(gòu)的”。通過這種方式,可以學習更多有價值的數(shù)據(jù)特征。此外,為了避免過擬合,第二層的元估計器通常選擇一個簡單的模型(線性或回歸,該模型使用第一層的輸出作為訓練的輸入。

 

5 進一步分析堆疊策略

 

作者信息

趙春江,博士,江蘇大學農(nóng)業(yè)工程學院教授,博士生導師。

主要研究方向:農(nóng)業(yè)智能系統(tǒng)與精準農(nóng)業(yè)技術(shù)裝備。

參考文獻:

Zhang, M.Z., Chen, T.E., Gu, X.H., Kuai, Y., Wang, C., Chen, D., & Zhao, C.J. (2023). UAV-borne hyperspectral estimation of nitrogen content in tobacco leaves based on ensemble learning methods. Computers and Electronics in Agriculture, 211.

https://doi.org/10.1016/j.compag.2023.108008

免責聲明

  • 凡本網(wǎng)注明“來源:化工儀器網(wǎng)”的所有作品,均為浙江興旺寶明通網(wǎng)絡有限公司-化工儀器網(wǎng)合法擁有版權(quán)或有權(quán)使用的作品,未經(jīng)本網(wǎng)授權(quán)不得轉(zhuǎn)載、摘編或利用其它方式使用上述作品。已經(jīng)本網(wǎng)授權(quán)使用作品的,應在授權(quán)范圍內(nèi)使用,并注明“來源:化工儀器網(wǎng)”。違反上述聲明者,本網(wǎng)將追究其相關(guān)法律責任。
  • 本網(wǎng)轉(zhuǎn)載并注明自其他來源(非化工儀器網(wǎng))的作品,目的在于傳遞更多信息,并不代表本網(wǎng)贊同其觀點和對其真實性負責,不承擔此類作品侵權(quán)行為的直接責任及連帶責任。其他媒體、網(wǎng)站或個人從本網(wǎng)轉(zhuǎn)載時,必須保留本網(wǎng)注明的作品第一來源,并自負版權(quán)等法律責任。
  • 如涉及作品內(nèi)容、版權(quán)等問題,請在作品發(fā)表之日起一周內(nèi)與本網(wǎng)聯(lián)系,否則視為放棄相關(guān)權(quán)利。
企業(yè)未開通此功能
詳詢客服 : 0571-87858618
安福县| 靖江市| 牟定县| 鄂伦春自治旗| 北碚区| 疏勒县| 龙陵县| 喀什市| 英德市| 屏东市| 灵川县| 沛县| 西林县| 伊金霍洛旗| 张家川| 沅陵县| 靖州| 固安县| 江安县| 乌什县| 兴隆县| 岱山县| 青阳县| 崇信县| 宁陕县| 阳高县| 南康市| 沂南县| 洛宁县| 南通市| 玉田县| 柞水县| 望城县| 宿迁市| 海淀区| 新化县| 廊坊市| 罗源县| 梁河县| 安泽县| 许昌市|