采用SEPLS_ELM模型估算夏玉米地上部生物量和葉面積指數

陸軍勝，陳紹民，黃文敏，胡田田

采用SEPLS_ELM模型估算夏玉米地上部生物量和葉面積指數

陸軍勝1,2，陳紹民1,2，黃文敏3，胡田田1,2※

（1. 西北農林科技大學旱區農業水土工程教育部重點實驗室，楊凌 712100；2. 西北農林科技大學水利與建筑工程學院，楊凌 712100；3. 陜西省耕地質量與農業環境保護工作站，西安 710000）

利用高光譜數據進行作物生長狀況監測具有無損和高效的特點，是現代精準農業發展的必要手段。該研究以連續3 a（2018—2020年）不同水氮供應下夏玉米營養生長期采集的212份植物樣品（地上部生物量和葉面積指數）和高光譜實測數據為數據源，分別采用偏最小二乘回歸（Partial Least Squares Regression，PLS）、極限學習機（Extreme Learning Machine，ELM）、隨機森林（Random Forest，RF）和基于PLS疊加策略的疊加極限學習機算法（Stacked Ensemble Extreme Learning Machine based on the PLS，SEPLS_ELM）構建了夏玉米營養生長期地上部生物量和葉面積指數估算模型。結果表明：基于PLS和ELM構建的夏玉米地上部生物量和葉面積指數估算模型的精度均較低，前者驗證集2低于0.85、均方根誤差高于550 kg/hm2，后者2低于0.90、均方根誤差高于0.40 cm2/cm2。相比之下，基于RF和SEPLS_ELM構建的夏玉米營養生長期地上部生物量和葉面積指數估算模型均有著較高的估算精度，SEPLS_ELM模型表現尤為突出，其地上部生物量和葉面積指數估算模型驗證集的2分別為0.955和0.969，均方根誤差分別為307.3 kg/hm2和0.24 cm2/cm2，表明疊加集成模型能夠充分利用高光譜數據并提高作物地上部生物量和葉面積指數估算精度。

高光譜；遙感；生物量；隨機森林；葉面積指數；偏最小二乘；極限學習機；疊加集成模型

0 引 言

生物量是作物生長發育過程中光合作用的產物，能夠反映作物長勢和營養狀況，是作物產量形成的重要基礎[1-2]。葉面積指數是表征葉片疏密程度和冠層結構特征的重要植被參數，與作物蒸騰、光能截獲、光合速率、凈初級生產力等密切相關，在氣候變化、凈初級生產力模型、作物生長模型、生態模型以及水、碳循環研究中有著重要作用[3-5]。依據地上部生物量和葉面積指數不但能夠進行作物長勢監測和產量預報，而且能夠進行田間水肥管理[6-8]。因此，快速、準確地獲取地上部生物量和葉面積指數具有重要意義。

傳統的作物地上部生物量和葉面積指數獲取主要通過破壞性的人工測量，其過程繁瑣，耗時費力，難以大面積推廣應用。近年來，遙感技術逐漸應用于作物生理生態參數的提取，這為作物生物量和葉面積指數等參數的快速獲取提供了極大可能。如高林等[9]通過植被指數估算了冬小麥葉面積指數；Zhou等[10]通過構建新植被指數估算了馬鈴薯地上部生物量和葉面積指數；Feng等[11]通過優化的非線性植被指數估算了冬小麥葉面積指數。然而利用單一植被指數進行作物生理生態參數反演時，常常存在不同程度的飽和現象[12]，此外單一植被指數往往包含有限的信息，使得生物量和葉面積指數估算時存在精度不高的問題。為了解決單一植被指數信息量少，估算不準確等問題，崔日鮮等[13]通過構建多個植被指數并利用BP神經網絡和多元線性回歸估算了冬小麥地上部生物量；夏天等[14]通過分析冬小麥冠層光譜反射率與葉面積指數之間的相關性，選擇了敏感光譜波段的反射率作為BP神經網絡的輸入進行冬小麥葉面積指數估算并獲得了較高的估算精度；梁棟等[15]通過將植被指數（歸一化植被指數和比值植被指數）與不同波段反射率數據（藍、綠、紅、近紅外4個波段）作為支持向量機的輸入進行了冬小麥葉面積指數的估算。然而上述將敏感波段的光譜信息或者多個植被指數作為傳統回歸或機器學習方法的輸入變量進行生物量或葉面積指數估算往往會舍棄大量的光譜信息，同時敏感波段的選擇常常需要一定的先驗知識，且數據處理過程較為復雜。

已有研究報道極限學習機能夠以非常快的速度和較少的人工干預學習出泛化能力較好的學習器[16]，解決了傳統神經網絡參數選取復雜，容易陷入局部最優的缺點，在非線性擬合方面有著明顯的優勢，近年來廣泛應用于作物生理生態參數反演，然而該算法在處理高維小樣本數據時存在預測精度低、誤差大和預測結果不穩定等問題[16]。基于此已有研究將光譜曲線劃分為若干個子區間，使得每個子區間包含相對較少的波段數降低了高光譜數據維度，然后分別對每個子區間進行獨立建模（子模型），最后依據一定的疊加策略進行子模型疊加集成，提高了模型的預測精度[16-19]。如Shan等[17]分別采用贏者通吃、非負約束最小二乘和偏最小二乘加權策略進行了相關生化參數的估算，得出采用偏最小二乘加權策略進行疊加集成能夠取得較好的預測效果。但是Shan等在光譜區間數和子模型神經元數的選擇上存在一定的盲目性，這可能會使得子模型光譜區間對響應變量的敏感性降低，最終影響疊加集成模型的估算精度。因此，本研究擬以此為切入點，基于驗證集均方根誤差最小的原則選擇適宜的光譜區間數和神經元數量，對不同水氮處理下大田玉米的地上部生物量和葉面積指數進行估算，同時對比具有集成思想的隨機森林算法與本研究構建的基于偏最小二乘疊加策略的極限學習機疊加模型，以期為夏玉米地上部生物量和葉面積指數估算提供參考。

1 材料與方法

1.1 研究區概況

研究區位于陜西省楊凌示范區西北農林科技大學節水灌溉試驗站（108°24′E，34°20′N），海拔506 m，地處關中平原，屬于暖溫帶季風半濕潤氣候區，年平均溫度為12.9 ℃，多年平均降水量560 mm（主要集中在7、8、9月），年平均蒸發量1 000 mm，是中國重要的夏玉米種植區[20]。

1.2 田間試驗及數據獲取

2018—2020年進行了夏玉米不同水氮管理的田間試驗，試驗采用裂區設計，水分處理為主區，施氮量為副區，包括3個水分水平和4個氮肥供應水平，共12個處理（表1），每個處理3次重復。具體的水肥管理細節和田間試驗過程與參考文獻[20]一致。

表1 夏玉米田間試驗水氮處理設計

注：ETc為夏玉米蒸散量。

Note: ETcis evapotranspiration of summer maize.

試驗所用氮肥為尿素（N，46%），磷肥為過磷酸鈣（P2O5，16%），鉀肥為氯化鉀（K2O，62%）。氮肥采用滴灌水肥一體化（滴頭流量為2 L/h，滴頭間距為30 cm）分4次施入，具體施肥比例分別為播種（出苗）20%，苗期30%，拔節期30%，吐絲灌漿期20%。磷肥（P2O5）和鉀肥（K2O）在播種后隨降雨一次性撒施，施肥量分別為90和60 kg/hm2。

分別于2018年7月28日、2019年7月10日、7月26日和2020年7月6日、7月19日和7月27日采集光譜數據。夏玉米冠層光譜反射率采用ASD Field-Spec 3背掛式野外高光譜儀（Analytical Spectral Devices，Inc.，St，Boulder，美國）測定。儀器波段范圍350～1 830 nm，其中，350～1 000 nm光譜分辨率為3 nm，采樣間隔為1.4 nm；1 000～1 830 nm分辨率為10 nm，采樣間隔為2 nm，儀器自動將采樣數據插值為1 nm間隔輸出。光纖長度1.5 m，視場角25°。在晴朗無風的天氣，于11:00—14:00進行測定，測定時保證光纖探頭垂直向下，距冠層頂部約1 m。

每個小區選取能代表該小區長勢的3個樣方進行測定，每個樣方每次采集10條光譜曲線，以平均值作為該樣方的光譜反射率，3 a共采集212組數據。每個樣本測定前進行一次標準白板校正。在測定高光譜的樣方內同步進行破壞性取樣，分別測定夏玉米地上部生物量和葉面積指數。

1.3 光譜數據預處理

由于光譜數據受到環境的干擾（1 350～1 450 nm處存在水分強吸收帶，1 801～1 830 nm處存在較強的邊緣噪聲），所以本研究保留351～1 350 nm和1 451～1 800 nm波段反射率進行研究（共1 350個波段）。為了減少（消除）背景噪聲、基線漂移及雜散光等無用信息對高光譜反射率曲線的影響，本文選用Savitzky-Golay卷積平滑（9點4次）對光譜數據進行預處理。

1.4 樣本集劃分

基于3 a田間試驗共獲取212份有效樣本，首先對地上部生物量和葉面積指數分別從小到大排序，然后選取1/4的樣本作為驗證集，其余3/4的樣本作為建模集。建模集和驗證集的樣本數量及地上部生物量和葉面積指數統計特征如表2所示。

表2 夏玉米營養生長期地上部生物量和葉面積指數統計

1.5 研究方法

偏最小二乘回歸（Partial Least Squares Regression，PLS）是一種集多元線性回歸分析、典型相關分析和主成分分析于一體的多元統計數據分析方法[21]。自模型提出以來，因其能夠較好地解決傳統多元回歸難以解決的問題（如自變量之間的多重相關性）而得到廣泛的應用。

極限學習機（Extreme Learning Machine，ELM）是基于單隱含層前饋神經網絡為基礎的一種算法，在學習速率和泛化性能方面具有明顯優勢[22]。ELM的特點是輸入層與隱含層之間的連接權值和隱含層神經元的閾值隨機生成。基于此，應用ELM模型通常需要多次運行，記錄建模和預測結果較好的模型或者計算多次預測的均值[23]。

隨機森林（Random Forest，RF）算法是基于自助法（bootstrap）取樣的一種機器學習算法，它的主要思想是從原始訓練集中抽取個樣本，且每個樣本的樣本容量均與原始訓練集的大小一致[24-25]；然后對每個樣本分別進行決策樹建模，得到個建模結果。最后，以所有決策樹預測結果的均值作為最終預測結果。RF預測準確率高，不容易出現過擬合現象，對噪聲和異常值都具有很好的容忍度。對高光譜遙感等高維度數據訓練和學習效果較佳。

1.6 模型評價

為了驗證模型預測精度和預測能力，本研究選取決定系數（determination coefficient，2）、均方根誤差（Root Mean Square Error，RMSE）和相對分析誤差（Residual Predictive Deviation，RPD）進行模型評價[6]。

2 結果與分析

2.1 不同水氮處理對夏玉米生物量和葉面積指數的影響

不同水氮處理對夏玉米地上部生物量和葉面積指數的影響如表3所示。由表可知，灌水對2018和2019年夏玉米地上部生物量和葉面積指數的影響均達到了極顯著水平，但對2020年夏玉米地上部生物量和葉面積指數的影響均未達到顯著水平。施氮對3 a夏玉米地上部生物量和葉面積指數的影響均達到了極顯著水平（<0.01）。夏玉米地上部生物量和葉面積指數均隨著施氮量的增加而增加。

表3 不同水氮處理對夏玉米地上部生物量和葉面積指數的影響

注：同列不同字母表示處理間差異顯著（<0.05）；*和**分別表示在0.05和0.01水平下顯著，ns代表不顯著。

Note: Different letters in the same column indicate significant difference among treatments (<0.05); * and **indicate significance at 0.05 and 0.01 levels, and ns indicates no significance.

2.2 夏玉米地上部生物量和葉面積指數估算模型

以夏玉米營養生長期地上部生物量和葉面積指數為響應變量（），以光譜反射率作為自變量（），分別采用偏最小二乘回歸（PLS）、極限學習機（ELM）、隨機森林（RF）和疊加極限學習機（SEPLS_ELM）構建了夏玉米營養生長期生物量和葉面積指數的估算模型。

2.2.1 基于PLS估算夏玉米生物量和葉面積指數

在PLS模型構建中，采用10折交叉驗證法確定生物量和葉面積指數估算模型的最優潛在變量數（LVs）。圖 2a和圖2b分別展示了生物量估算模型和葉面積指數估算模型前10個潛在變量解釋的累積方差百分比。為了避免冗余LVs加入導致PLS回歸出現過度擬合，以對變量的解釋累積方差百分比提高5%為標準確定LVs，即增加某一LVs能夠使變量的解釋累積方差百分比提高5%，則加入該LVs[17]。本研究中前3個變量分別解釋了建模集生物量和葉面積指數的87.3%和88.5%，前4個LVs分別解釋了建模集生物量和葉面積指數的88.2%和89.6%，較前3個變量增加均不足5%。因此，本研究中夏玉米生物量和葉面積指數估算模型的LVs均確定為3個（圖2）。

圖3為基于PLS回歸的夏玉米營養生長期地上部生物量和葉面積指數估算模型。由圖可知，基于PLS回歸的夏玉米地上部生物量估算模型建模集和驗證集的2分別為0.873和0.837，RMSE分別為504.9和570.5 kg/hm2，RPD為2.51；葉面積指數估算模型建模集和驗證集的2分別為0.895和0.894，RMSE分別為0.40 和0.41 cm2/cm2，RPD為3.12。基于PLS回歸的夏玉米葉面積指數估算模型的精度高于地上部生物量估算模型。

2.2.2 基于ELM估算夏玉米生物量和葉面積指數

在ELM模型構建中，本文選用默認的“Sigmoid”為隱含層神經元激活函數，隱含層神經元數量以15為初值，5為步長逐步增加到120，每個模型進行運行100次選擇最優訓練結果。結果表明（圖4）：當神經元數量為35時，夏玉米地上部生物量和葉面積指數估算模型均獲得最高的估算精度。基于ELM構建的夏玉米地上部生物量估算模型建模集和驗證集的2分別為0.879和0.845，RMSE分別為490.4和565.0 kg/hm2，RPD為2.53；葉面積指數估算模型建模集和驗證集的2分別為0.904和0.886，RMSE分別為0.39和0.42 cm2/cm2，RPD為3.00。基于ELM的夏玉米葉面積指數估算模型較地上部生物量估算模型獲得了更高的精度。

2.2.3 基于RF估算夏玉米生物量和葉面積指數

在RF模型構建中，經過參數優選和多次訓練最終確定的夏玉米生物量和葉面積指數估算模型中決策樹個數均為500。如圖5所示夏玉米地上部生物量估算模型建模集和驗證集的2分別為0.958和0.851，RMSE分別為292.1和517.0 kg/hm2，RPD為2.61；葉面積指數估算模型建模集和驗證集的2分別為0.963和0.903，RMSE分別為0.24和0.40 cm2/cm2，RPD為3.18。基于RF的夏玉米葉面積指數估算模型較地上部生物量估算模型獲得了更高的精度。

2.2.4 基于SEPLS_ELM估算夏玉米生物量和葉面積指數

光譜曲線分段數和神經元數量是影響疊加集成模型估算精度的主要參數。為了選擇適宜的光譜曲線分段數和神經元數量，本文依次將光譜曲線均勻劃分為3～50段，每段分別以實測地上部生物量和葉面積指數為響應變量利用ELM進行模型構建，每個光譜分段數ELM神經元個數均以15為初值，5為步長，直至120為止。然后依據偏最小二乘疊加策略進行SEPLS_ELM模型構建。最終依據驗證集RMSE最小原則分別確定夏玉米地上部生物量和葉面積指數估算模型的最佳光譜分段數分別為20和33，最優神經元數分別為110和100（圖6）。

圖7展示了最佳光譜分段數下不同光譜區間子模型建模集RMSE和各子模型在疊加集成（SEPLS_ELM）模型中的權重，由圖7可知，夏玉米地上部生物量估算模型中子模型的RMSE介于136.3～308.5 kg/hm2之間，葉面積指數估算模型的RMSE介于0.15～0.32 cm2/cm2之間。在夏玉米地上部生物量估算模型中，子模型7（753～820 nm波段）的RMSE最小，相應的在SEPLS_ELM模型中權重最大，為0.051 9，子模型6（686～752 nm波段）的權重次之，為0.051 5；在夏玉米葉面積指數估算模型中子模型11（751～791 nm波段）的RMSE最小，相應的在SEPLS_ELM模型中權重最大，為0.031 8，子模型10（711～750 nm波段）的權重次之，為0.031 6，二者均位于紅邊和近紅外波段。此外，在可見光波段夏玉米地上部生物量估算模型子模型3（485～552 nm波段）的權重最高，葉面積指數估算模型中子模型7（591～631 nm波段）和子模型5（511～551 nm波段）的權重較高。圖8展示了最佳光譜分段數和最佳神經元數量下基于SEPLS_ELM的夏玉米地上部生物量估算模型訓練集的2為0.992，驗證集的2為0.955；夏玉米葉面積指數估算模型的2為0.990，驗證集的2為0.969。

圖8展示了最佳光譜分段數和最佳神經元數量下基于SEPLS_ELM的夏玉米地上部生物量和葉面積指數估算模型。夏玉米地上部生物量估算模型建模集和驗證集的2分別為0.992和0.955，RMSE分別為123.1和307.3 kg/hm2；葉面積指數估算模型建模集和驗證集的2分別為0.990和0.969，RMSE分別為0.13和0.24 cm2/cm2，RPD為5.30。

綜上，基于PLS和ELM的夏玉米地上部生物量和葉面積指數估算模型的精度相近且較低。基于RF和SEPLS_ELM的夏玉米地上部生物量和葉面積指數估算模型的精度顯著高于PLS和ELM模型，其建模集的2均在0.95以上，但基于RF的夏玉米地上部生物量和葉面積指數估算模型驗證集的2和RMSE較建模集顯著降低。基于SEPLS_ELM的夏玉米地上部生物量和葉面積指數估算模型驗證集的2均高于0.95，RMSE分別為307.3和0.24 cm2/cm2，RPD分別為4.66和5.30。與PLS和ELM模型相比，基于SEPLS_ELM的夏玉米地上部生物量和葉面積指數估算模型驗證集的2增加均超過8%，RMSE降低均超過40%，RPD增加均超過70%。與RF模型相比，基于SEPLS_ELM的夏玉米地上部生物量和葉面積指數估算模型驗證集的2增加均超過7%，RMSE降低均超過40%，RPD增加均超過66%。

3 討 論

高光譜遙感數據已經廣泛應用于作物生理生態及生化參數的反演，然而前人研究主要通過選取敏感波段或者構建敏感植被指數進行目標參數反演[6,14]，這在一定程度會損失部分波段的光譜信息，進而降低模型的預測能力。因此本研究以高光譜全波段反射率作為模型的輸入，分別基于PLS和3種機器學習方法進行了夏玉米營養生長期地上部生物量和葉面積指數的估算。結果表明基于PLS和ELM方法的夏玉米地上部生物量和葉面積指數估算模型的精度遠低于RF和疊加極限學習機SEPLS_ELM方法。這是因為RF和SEPLS_ELM模型均是具有集成思想的機器學習方法，這種集成提高了模型的預測能力，增強了模型的抗噪能力[26-27]。此外，本研究中直接利用全波段高光譜反射率數據作為模型輸入，極大簡化了高光譜數據的處理流程。基于SEPLS_ELM的夏玉米生物量和葉面積指數估算模型的精度高于RF建模方法，一方面原因可能是因為SEPLS_ELM集PLS和ELM算法的優勢于一體，既包含了所有波段的光譜信息并具有較強的抗噪和泛化能力；另一方面是RF的子模型為CART決策樹，對于連續數據的分割較為粗糙，對本研究的數據集的適用性稍差，而SEPLS_ELM子模型ELM能夠更好地模擬出數據之間的非線性關系，因此SEPLS_ELM模型的表現好于RF模型。在SEPLS_ELM模型構建中，隱含層神經元數量和光譜曲線的分段數是決定算法性能的關鍵參數，本研究中限于計算機硬件的性能在有限的范圍內進行了優選，獲得的最佳分段數和神經元數量可能為局部最優，也缺乏一定的理論基礎。因此在未來的研究中應該加強光譜分段數與神經元數量選擇的研究。此外，本研究結果還表明不論使用何種建模方法，夏玉米葉面積指數估算模型的精度均高于地上部生物量估算模型，這與侯學會等[28-29]研究結果一致。原因可能是因為葉面積指數較生物量而言更為直觀，是作物重要的形態參數。

本研究還發現綠峰、紅谷及紅邊波段的子模型在SEPLS_ELM疊加模型中的權重較高（圖7），這說明這些波段對地上部生物量和葉面積指數的響應較為敏感。這與前人研究結果紅邊參數[30]及部分植被指數（MTVI1[31]，Carte3[32]和NDCI[33]）的敏感波段一致。但是本研究的估算精度（地上部生物量和葉面積指數估算模型驗證集2均高于0.95，RMSE分別低于307.3 kg/hm2和0.24 cm2/cm2）高于前人研究（玉米葉片生物量估算模型2為0.67[34]；葉面積指數估算模型2為0.89，RMSE為0.46 cm2/cm2[31]），其原因是前人研究選擇了較為敏感的波段進行建模，舍棄了一些次敏感波段，因此將光譜曲線劃分為多個波段區間的降維方式沒有損失光譜信息，提高了模型的估算精度。

4 結 論

本文基于實測高光譜數據，分別采用偏最小二乘回歸（Partial Least Squares Regression，PLS），極限學習機（Extreme Learning Machine，ELM）、隨機森林（Random Forest，RF）和基于PLS疊加策略的極限學習機集成模型（Stacked Ensemble Extreme Learning Machine based on the PLS，SEPLS_ELM）估算了夏玉米營養生長期地上部生物量和葉面積指數。結果表明：

1）PLS和ELM模型估算夏玉米營養生長期地上部生物量和葉面積指數的精度相近且較低。

2）基于RF和SEPLS_ELM的夏玉米地上部生物量和葉面積指數估算模型的精度顯著高于PLS和ELM模型，其建模集的2均在0.95以上，但基于RF的夏玉米地上部生物量和葉面積指數估算模型驗證集的2較建模集顯著降低，分別為0.851和0.903。

3）基于SEPLS_ELM的夏玉米地上部生物量和葉面積指數估算模型驗證集的2均高于0.95，RMSE分別為307.3 kg/hm2和0.24 cm2/cm2，RPD分別為4.66和5.30。

[1] 吳芳，李映雪，張緣園，等. 基于機器學習算法的冬小麥不同生育時期生物量高光譜估算[J]. 麥類作物學報，2019，39(2)：217-224.

Wu Fang, Li Yingxue, Zhang Yuanyuan, et al. Hyperspectral estimation of biomass of winter wheat at different growth stages based on machine learning algorithms[J]. Journal of Triticeae Crops, 2019, 39(2): 217-224. (in Chinese with English abstract)

[2] 張領先，陳運強，李云霞，等. 可見光光譜的冬小麥苗期地上生物量估算[J]. 光譜學與光譜分析，2019，39(8)：2501-2506.

Zhang Lingxian, Chen Yunqiang, Li Yunxia, et al. Estimating above ground biomass of winter wheat at early growth stages based on visual spectral[J]. Spectroscopy and Spectral Analysis, 2019, 39(8): 2501-2506. (in Chinese with English abstract)

[3] Chen J M, Cihlar J. Retrieving leaf area index of boreal conifer forests using Landsat TM images[J]. Remote sensing of environment, 1996, 55(2): 153-162.

[4] 江海英，賈坤，趙祥，等. 山地葉面積指數反演理論、方法與研究進展[J]. 遙感學報，2020，24(12)：1433-1449.

Jiang Haiying, Jia Kun, Zhao Xiang, et al. Review on the theory, method, and research progress of leaf area index estimation in mountainous areas[J]. Journal of Remote Sensing, 2020, 24(12): 1433-1449. (in Chinese with English abstract)

[5] Sellers P J, Dickinson R E, Randall D A, et al. Modeling the exchanges of energy, water, and carbon between continents and the atmosphere[J]. Science, 1997, 275(5299): 502-509.

[6] 李嵐濤，李靜，明金，等. 冬油菜葉面積指數高光譜監測最佳波寬與有效波段研究[J]. 農業機械學報，2018，49(2)：156-165.

Li Lantao, Li Jing, Ming Jin, et al. Selection optimization of hyperspectral bandwidth and effective wavelength for predicting leaf area index in winter oilseed rape[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(2): 156-165. (in Chinese with English abstract)

[7] 謝巧云，黃文江，梁棟，等. 最小二乘支持向量機方法對冬小麥葉面積指數反演的普適性研究[J]. 光譜學與光譜分析，2014，34(2)：489-493.

Xie Qiaoyun, Huang Wenjiang, Liang Dong, et al. Research on universality of least squares support vector machine method for estimation leaf area index of winter wheat[J]. Spectroscopy and Spectral Analysis, 2014, 34(2): 489-493. (in Chinese with English abstract)

[8] Zhang J J, Cheng T, Guo W, et al. Leaf area index estimation model for UAV image hyperspectral data based on wavelength variable selection and machine learning methods[J]. Plant Methods, 2021, 17(1): 14. DOI:10.1186/ s13007-021-00750-5

[9] 高林，楊貴軍，于海洋，等. 基于無人機高光譜遙感的冬小麥葉面積指數反演[J]. 農業工程學報，2016，32(22)：113-120.

Gao Lin, Yang Guijun, Yu Haiyang, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remoter sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 113-120. (in Chinese with English abstract)

[10] Zhou Z J, Jabloun M, Plauborg F, et al. Using ground-based spectral reflectance sensors and photography to estimate shoot N concentration and dry matter of potato[J]. Computers and Electronics in Agriculture, 2018, 144: 154-163.

[11] Feng W, Wu Y P, He L, et al. An optimized non-linear vegetation index for estimating leaf area index in winter wheat[J]. Precision Agriculture, 2019, 20(6): 1157-1176.

[12] 李鑫川，徐新剛，鮑艷松，等. 基于分段方式選擇敏感植被指數的冬小麥葉面積指數遙感反演[J]. 中國農業科學，2012，45(17)：3486-3496.

Li Xinchuan, Xu Xingang, Bao Yansong, et al. Retrieving LAI of winter wheat based on sensitive vegetation index by the segmentation method[J]. Scientia Agricultura Sinica, 2012, 45(17): 3486-3496. (in Chinese with English abstract)

[13] 崔日鮮，劉亞東，付金東. 基于可見光光譜和BP人工神經網絡的冬小麥生物量估算研究[J]. 光譜學與光譜分析，2015，9(35)：2596-2601.

Cui Rixian, Liu Yadong, Fu Jindong. Estimation of winter wheat biomass using visible spectral and BP based artificial neural networks[J]. Spectroscopy and Spectral Analysis, 2015, 9(35): 2596-2601. (in Chinese with English abstract)

[14] 夏天，吳文斌，周清波，等. 冬小麥葉面積指數高光譜遙感反演方法對比[J]. 農業工程學報，2013，29(3)：139-147.

Xia Tian, Wu Wenbin, Zhou Qingbo, et al. Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(3): 139-147. (in Chinese with English abstract)

[15] 梁棟，管青松，黃文江，等. 基于支持向量機回歸的冬小麥葉面積指數遙感反演[J]. 農業工程學報，2013，29(7)：117-123.

Liang Dong, Guan Qingsong, Huang Wenjiang, et al. Remote sensing inversion of leaf area index based on support vector machine regression in winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(7): 117-123. (in Chinese with English abstract)

[16] 崔金鐸. 基于近紅外光譜的堆疊極限學習機算法及其應用研究[D]. 沈陽：東北大學，2015.

Cui Jinduo. A Stacked Extreme Learning Machine Algorithm Based on NIR Spectroscopy and Its Application[D]. Shenyang: Northeastern University, 2015. (in Chinese with English abstract)

[17] Shan P, Zhao Y H, Wang Q Y, et al. Stacked ensemble extreme learning machine coupled with Partial Least Squares-based weighting strategy for nonlinear multivariate calibration[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2019, 215: 97-111.

[18] Zhou H, Huang G B, Lin Z, et al. Stacked extreme learning machines[J]. IEEE Trans Cybern, 2015, 45(9): 2013-2025.

[19] Ni W D, Brown S D, Man R L. Stacked partial least squares regression analysis for spectral calibration and prediction[J]. Journal of Chemometrics, 2009, 23(10): 505-517.

[20] 陸軍勝，耿晨鳴，崔曉路，等. 基于葉面積指數的夏玉米葉片臨界氮濃度稀釋曲線研究[J]. 農業機械學報，2021，52(4)：319-326.

Lu Junsheng, Geng Chenming, Cui Xiaolu, et al. Determination of summer maize leaf critical nitrogen dilution curve based on leaf area index[J]. Transactions of The Chinese Society for Agricultural Machinery, 2021, 52(4): 319-326. (in Chinese with English abstract)

[21] Kamruzzaman M, ElMasry G, Sun D W, et al. Prediction of some quality attributes of lamb meat using near-infrared hyperspectral imaging and multivariate analysis[J]. Analytica Chimica Acta, 2012, 714: 57-67.

[22] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1/2/3): 489-501.

[23] Guo L, Fu P, Shi T Z, et al. Mapping field-scale soil organic carbon with unmanned aircraft system-acquired time series multispectral images[J]. Soil and Tillage Research, 2020, 196: 104477.

[24] Wang Y W, Song Q Q, Du Y J, et al. A random forest model to predict heatstroke occurrence for heatwave in China[J]. Science of the Total Environment, 2019, 650: 3048-3053.

[25] 周志華. 《機器學習》[M]. 北京：清華大學出版社，2016.

[26] 岳繼博，楊貴軍，馮海寬. 基于隨機森林算法的冬小麥生物量遙感估算模型對比[J]. 農業工程學報，2016，32(18)：175-182.

Yue Jibo, Yang Guijun, Feng Haikuan. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(18): 175-182. (in Chinese with English abstract)

[27] 陳紹民. 水肥一體化水氮用量對蘋果園氮素利用的影響及其供應決策[D]. 楊凌：西北農林科技大學，2021.

Chen Shaomin. Effects of the Water and Nitrogen Application Amount under Fertigation on Nitrogen Utilization and Its Supply Decision in Apple Orchard[D]. Yangling: Northwest A&F University, 2021. (in Chinese with English abstract)

[28] 侯學會，牛錚，黃妮，等. 小麥生物量和真實葉面積指數的高光譜遙感估算模型[J]. 國土資源遙感，2012，199(4)：30-35.

Hou Xuehui, Niu Zheng, Huang Ni, et al. The hyperspectral remote sensing estimation models of total biomass and true LAI of wheat[J]. Remote Sending for Land & Resources, 2012, 199(4): 30-35. (in Chinese with English abstract)

[29] 紀景純，劉建立，牛玉潔，等. 基于全波段高光譜的冬小麥生長參數估算方法比較[J]. 作物雜志，2020(6)：180-188.

Ji Jingchun, Liu Jianli, Niu Yujie, et al. Comparison of estimation methods for growth parameters of winter wheat based on full-band hyperspectral data[J]. Crops, 2020(6): 180-188. (in Chinese with English abstract)

[30] 郭彬彬. 小麥氮素營養的高光譜監測及施氮模型構建[D]. 鄭州：河南農業大學，2019.

Guo Binbin. Remote Monitoring Nitrogen Status and Constraction of Nitrogen Application Model in Wheat[D]. Zhengzhou: Henan Agricultural University, 2019. (in Chinese with English abstract)

[31] Haboudane D, Miller J R, Pattey E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment, 2004, 90(3): 337-352.

[32] Carter G A. Ratios of leaf reflectance in narrow wavebands as indicators of plant stress[J]. International Journal of Remote Sensing, 1994, 15(3): 697-703.

[33] Marshak A, Knyazikhin Y, Davis A B, et al. Cloud-vegetation interaction: Use of normalized difference cloud index for estimation of cloud optical thickness[J]. Geophysical Research Letters, 2000, 27(12): 1695-1698.

[34] 解飛. 基于高光譜數據的玉米生長信息估算模型研究[D]. 楊凌：西北農林科技大學，2016.

Xie Fei. Study on Estimate Model of Corn Grow Information Based on Hyperspectral Data[D]. Yangling: Northwest A&F University, 2016. (in Chinese with English abstract)

Estimation of aboveground biomass and leaf area index of summer maize using SEPLS_ELM model

Lu Junsheng1,2, Chen Shaomin1,2, Huang Wenmin3, Hu Tiantian1,2※

(1.,,712100,; 2.,,712100,; 3.,710000,)

Hyperspectral remote sensing has widely been used to estimate crop physiological, ecological, and biochemical parameters in recent years. However, most previous studies focused mainly on the selection of sensitive bands or the construction of vegetation index (the combination of sensitive bands) for crop parameter inversion. Particularly, the spectral information of some bands can be lost, and then to reduce the prediction ability of the estimation model. The purpose of this study is to estimate the aboveground biomass and leaf area index of summer maize using all spectral information (spectral bands). Therefore, a three-year (2018-2020) field experiment was also conducted under different water and nitrogen management in the Guanzhong Plain of China. Accordingly, 212 plant samples (aboveground biomass and leaf area index) were collected during the vegetative growth period of summer maize. Prior to plant sample collection, the hyperspectral reflectance data of the summer maize canopy was measured using an ASD FieldSpec 3 portable spectroradiometer. Correspondingly, the estimation model was constructed using Partial Least Squares Regression (PLS), Extreme Learning Machine (ELM), Random Forest (RF), and Stacked Ensemble Extreme Learning Machine (SEPLS_ELM, using the PLS stacked ensemble strategy). The results showed that the estimation accuracy (four estimation models) of the leaf area index of summer maize was higher than that of aboveground biomass. The estimation models of PLS and ELM presented a relatively low accuracy for the aboveground biomass and leaf area index of summer maize, where the determination coefficient (2) for the validation set of the aboveground biomass estimation model was lower than 0.85, and the Root Mean Square Error (RMSE) was higher than 550 kg/hm-2, whereas, the2for the validation set of leaf area index estimation model was lower than 0.90, and the RMSE was higher than 0.40 cm2/cm2. The estimation model of aboveground biomass and leaf area index of summer maize using RF and SEPLS_ELM presented a higher estimation accuracy, particularly that the performance of the SEPLS_ELM model was outstanding. The2values for the validation set of aboveground biomass and leaf area index estimation model using the SEPLS_ELM model were 0.955 and 0.969, while the RMSE were 307.3 kg/hm2and 0.24 cm2/cm2, and the Residual Predictive Deviation (RPD) were 4.66 and 5.30, respectively. Compared with PLS and ELM, the estimation accuracy of the SEPLS_ELM model was significantly improved (the2increased by more than 8%, RMSE decreased by more than 40%, and RPD increased by more than 70%, respectively) in aboveground biomass and leaf area index estimation. Compared with the RF, the2of the SEPLS_ELM estimation model increased by more than 7%, RMSE decreased by more than 40%, and RPD increased by more than 66% in the aboveground biomass and leaf area index estimation of summer maize, respectively. Consequently, the present study demonstrated that the SEPLS_ELM model was highly reliable to predict the aboveground biomass and leaf area index of summer maize. The findings can provide a strong reference for the estimation of crop aboveground biomass and leaf area index using hyperspectral remote sensing.

hyperspectrum; remote sensing; biomass; random forest; leaf area index; partial least squares regression; extreme learning machine; stacked ensemble model

陸軍勝，陳紹民，黃文敏，等. 采用SEPLS_ELM模型估算夏玉米地上部生物量和葉面積指數[J]. 農業工程學報，2021，37(18)：128-135.doi：10.11975/j.issn.1002-6819.2021.18.015 http://www.tcsae.org

Lu Junsheng, Chen Shaomin, Huang Wenmin, et al. Estimation of aboveground biomass and leaf area index of summer maize using SEPLS_ELM model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 128-135. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.18.015 http://www.tcsae.org

2021-06-01

2021-08-29

公益性行業（農業）科研專項（201503124）

陸軍勝，博士，研究方向為農業水土資源高效利用。Email：junshengup@163.com

胡田田，教授，研究方向為農業水土資源高效利用。Email：hutiant@nwsuaf.edu.cn

10.11975/j.issn.1002-6819.2021.18.015

S365；S127

A

1002-6819(2021)-18-0128-08