一种用于跨年份和跨品种叶片高光谱水稻产量估算的堆叠融合特征选择框架
《Agriculture》:A Stacking-Fusion Feature Selection Framework for Cross-Year and Cross-Cultivar Leaf Hyperspectral Rice Yield Estimation
【字体:
大
中
小
】
时间:2026年08月28日
来源:Agriculture 4.5
编辑推荐:
摘要
单一标准特征选择方法在基于高光谱数据估算作物产量时存在方法偏差和泛化能力有限的问题。本研究提出了一种基于堆叠融合特征选择框架(STACKING_FUSION),该框架结合了岭回归元学习器(Ridge-Regress
摘要
单一标准特征选择方法在基于高光谱数据估算作物产量时存在方法偏差和泛化能力有限的问题。本研究提出了一种基于堆叠融合特征选择框架(STACKING_FUSION),该框架结合了岭回归元学习器(Ridge-Regression Meta-Learner),将堆叠泛化的概念应用于特征评估过程。该框架综合了皮尔逊相关系数(Pearson Correlation Coefficient, PCC)、灰色关联分析(Grey Relational Analysis, GRA)和变量重要性投影(Variable Importance in Projection, VIP),并利用外部验证数据集(out-of-fold data)进行优化。
R 平方 R' data-semantic-prefix ' 基数 ?? 2 2 作为元监督信号,用于自适应加权。在2024至2025年间,我们在吉林省公主岭地区对Jijing 830和Jijing 855两个水稻品种进行了田间实验,分别在分蘖期、拔节期、开花期和灌浆期,在受控的室内条件下采集了叶片的高光谱反射率数据(400–2400纳米波段)。研究是在叶片尺度上进行的,而非依靠无人机或卫星遥感仪的冠层尺度。与原始光谱和一阶导数光谱相比,二阶导数光谱在大多数阶段表现更优,而结合了STACKING_FUSION和XGBoost的模型取得了最高的准确率(
= 0.948,均方根误差(RMSE)= 0.018千克/平方米(
),性能与偏差的比值(RPD)= 4.399)。通过对保留的测试子集应用SHapley Additive Explanations (SHAP)和Local Interpretable Model-agnostic Explanations (LIME)方法进行分析,发现开花期指标是模型中的主要预测因子,并揭示了开花期与分蘖期之间的交叉作用。尽管使用的是2024年开发数据集确定的配置,2025年的分析表明该框架可作为一种固定的特征工程和算法配置重新使用,而不仅仅是一个直接可移植的预测模型:在严格的一次性应用场景下,该框架仍保持了较高的预测值与实测值相关性(皮尔逊相关系数
r约为0.91–0.93),但存在持续的负偏差以及额外的尺度误差和残差误差;而在目标域校准子集(2025年样本的70%)上进行重新校准后,跨年份和跨品种的平均性能与偏差比值(RPD)超过了3.0。这些结果表明,可重用的部分是固定的特征工程和算法设置,而非拟合得到的系数本身。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号