文献传递:《湖北农业科学》基于改进粒子群优化的多生育期烟草 LAI估测

摘要：为解决烟草叶面积指数（LAI）传统测量效率低、遥感反演特征冗余及模型参数优化易陷入局部最优等问题，构建了适用于不同生育期的烟草LAI估测模型。以烟草团棵期和旺长期为研究对象，基于无人机多光谱影像提取25个遥感变量，并采用竞争自适应重加权采样算法（CARS）、最小角回归算法（LARS）和迭代保留信息变量算法（IRIV）进行特征筛选。结果显示，IRIV算法综合表现较优，可有效降低预测误差；基于优选特征构建随机森林（RF）、XGBoost、BP神经网络和支持向量回归（SVR）模型，其中SVR在基础模型中预测能力最优。进一步引入基于Tent混沌映射改进的粒子群优化算法（TPSO）对SVR模型进行参数寻优，构建TPSO-SVR模型。与PSO-SVR相比，TPSO-SVR模型在团棵期测试集决定系数（R²）提高0.015，达到0.757，均方根误差（RMSE）降低0.006，至0.243；在旺长期测试集R2提高0.021，达到0.872，RMSE降低0.020，至0.253。结果表明，基于IRIV特征筛选与TPSO-SVR模型的分期反演方法可提高烟草关键生育期LAI估测精度，为烟草长势无损监测和田间精准管理提供技术参考。

关键词：烟草；叶面积指数；特征筛选；混沌序列；粒子群算法；Tent映射

CARS算法迭代曲线

如图所示，团棵期曲线整体较为平稳，RMSECV维持在较低水平，在第43次迭代时达到最小值（约0.217），表明该时期特征组合对LAI估测具有较好的稳定性。旺长期曲线波动较大，第29次迭代达到RMSECV最低值（约0.313），后续误差上升，表明该时期变量筛选过程对关键特征较敏感。

LARS算法迭代曲线

如图所示，团棵期第4次迭代达到RMSECV最低点（约0.220），后续曲线保持平稳，表明该时期与LAI相关的有效光谱特征相对集中，少量核心变量即可构建精度较高且鲁棒性较好的预测模型。旺长期曲线在前几次迭代中下降较快，并在第16次迭代左右达到RMSECV最低值，约为0.320，随后整体变化趋于平缓，说明该时期主要特征在迭代前期已基本完成筛选。

IRIV算法迭代曲线

由图中RMSECV变化趋势可知，特征剔除初期各生育期模型误差均呈缓慢下降或平稳趋势，说明特征筛选过程具有较好的降维效果。不同生育期的误差水平与特征维度需求差异显著，团棵期模型在第16次迭代附近达到最小，RMSECV约0.210，表明该阶段LAI相关光谱特征响应较为集中，易于筛选出有效变量；而旺长期误差在第14次迭代降至最低，约0.300。

不同生育期模型比较

表表明，在IRIV特征筛选基础上，采用PSO和TPSO对SVR参数进行优化后，模型在测试集上的预测性能整体提升，其中TPSO-SVR的测试集表现较好。团棵期测试集中，PSO-SVR和TPSO-SVR的R²分别为0.742和0.757，RMSE分别为0.249和0.243，TPSO-SVR测试精度略高于PSO-SVR。结合训练集结果可知，PSO-SVR的训练集R²较高、RMSE较低，但测试集表现弱于TPSO-SVR，表明TPSO优化后的模型泛化能力更强。

团棵期模型拟合情况

旺长期模型拟合情况

旺长期两种优化模型的精度均高于团棵期，其中TPSO-SVR的训练集和测试集R²分别达到0.893和0.872，RMSE分别为0.288和0.253，均优于PSO-SVR，表明TPSO优化后的模型在该时期具有更高的预测精度和稳定性。团棵期和旺长期最优模型拟合结果如图所示。