48卷南 方 农 业 学 报·1524·

0 引言

【研究意义】在水稻栽培管理中，精确施氮施肥

方式可使水稻在生长过程中减少无效分蘖，提高有

效成穗率，优化群体结构，改善田间植株生长状况，

收稿日期：2017-02-27基金项目：国家自然科学基金项目（61562039，61363041，61462038）；江西省教育厅科技项目（GJJ160374）作者简介：*为通讯作者，杨红云（1975-），副教授，主要从事农业信息技术研究工作，E-mail：nc_yhy@163.com。周琼（1995-），研

究方向为机器学习及数据挖掘，E-mail：zhou_qiongqiong@163.com

基于参数优化支持向量机的水稻施氮水平分类研究

周 琼1，2，杨红云2，3*，杨 珺2，3，孙玉婷1，2，杨文姬2，3，石强强1

(1 江西农业大学 计算机与信息工程学院，南昌 330045；2 江西省高等学校农业信息技术重点实验室，南昌 330045；3 江西农业大学 软件学院，南昌 330045）

摘要：【目的】应用参数优化支持向量机对水稻施氮水平进行准确分类预测，为水稻精准施肥和高产管理提供科

学依据。【方法】以水稻品种金优458为试验材料，设4个施氮水平（从高至低折合纯氮用量分别为225、150、75和0 kg/ha），

通过叶绿素测量仪SPAD-502获取水稻第6~9叶序叶片的SPAD值（即叶尖、叶中和叶枕的SPAD值），并分别应用网格

搜索算法和粒子群算法参数优化支持向量机对4个施氮水平下的水稻叶片SPAD值进行训练和预测分类。【结果】对

于第7、8叶序、第7~9叶序及第6~8叶序叶片组合，粒子群算法参数优化支持向量机对水稻施氮水平的分类识别效果

均优于网格搜索算法，其准确率均高于75.000%，对归一化处理后的第7、8叶序叶片组合识别率最高，达88.889%。【结

论】基于粒子群算法参数优化支持向量机适用于水稻施氮水平分类预测，能满足农学研究的需求。

关键词：水稻；施氮水平；参数优化；支持向量机；SPAD值；网格搜索算法；粒子群算法

中图分类号：S511 文献标志码：A 文章编号：2095-1191（2017）08-1524-05

Classification of nitrogen application level for rice based onsupport vector machine optimized by parameters

ZHOU Qiong1，2，YANG Hong-yun2，3*，YANG Jun2，3，SUN Yu-ting1，2，YANG Wen-ji2，3 ，SHI Qiang-qiang1

(1School of Computer and Information Engineering，Jiangxi Agricultural University，Nanchang 330045，China；2KeyLaboratory of Agricultural Information Technology of Colleges and Universities in Jiangxi Province，Nanchang 330045，

China；3College of Software Engineering，Jiangxi Agricultural University，Nanchang 330045，China）

Abstract：【Objective】Support vector machine optimized by parameters was applied to predict classification of nitro-gen application level for rice in order to provide scientific basis for accurate fertilization and high yield management ofrice.【Method】Four nitrogen application levels（from high to low，the amount of pure nitrogen was 225，150，75 and 0kg/ha respectively）were set，and rice cultivar Jinyou 458 was used as experiment material. The SPAD values of the 6th to9th phyllotaxis rice leaves were obtained by chlorophyll meter SPAD-502（SPAD value of leaf top，leaf middle and leaf bot-tom）. The SPAD values of rice leaves under four nitrogen application levels were trained and predicted by using supportvector machine optimized by particle swarm optimization and grid search algorithm.【Result】For the 7th and 8th phyllotaxisleaf combination，the 7th，8th and 9th phyllotaxis leaf combination and the 6th，7th and 8th phyllotaxis leaf combination，therice nitrogen application rate classification detected by support vector machine optimized by particle swarm optimizationwas better than support vector machine optimized by grid search algorithm，its accuracy was 75.000% higher. Moreover，its accuracy on the 7th and 8th phyllotaxis normalized leaf combination was the highest（88.889%）.【Conclusion】Supportvector machine optimized by particle swarm optimization is suitable for predict the classification of rice nitrogen applica-tion levels and meets the needs of agricultural research.

Key words：rice；nitrogen application level；parameter optimization；support vector machine；SPAD value；gridsearch algorithm；particle swarm algorithm

DOI：10.3969/j.issn.2095-1191.2017.08.31

http://www.nfnyxb.com南方农业学报 Journal of Southern Agriculture 2017，48（8）：1524-1528ISSN 2095-1191；CODEN NNXAAB

8期 ·1525·

同时减轻病虫害的发生率，进而提高水稻终产量（徐

艳玲，2014）。水稻施氮水平分类的研究对水稻精准

施肥和高产管理具有重要意义。【前人研究进展】目

前关于水稻氮肥方面的研究主要集中在水稻含氮量

对其生长的影响和含氮量测量等方面。赵天成等

（2008）应用叶绿素仪对水稻氮肥施用量进行预测；

宁运旺等（2013）应用土壤氮素平衡预测水稻施氮

量；Ding等（2014）对氮肥与水稻穗数和花数之间的

关系进行相关性研究。国内外亦有不少学者应用支

持向量机进行水稻相关研究工作。Kapoor等（2006）

应用支持向量机进行水稻胚芽疾病预测研究；石晶

晶等（2009）应用支持向量机进行稻纵卷叶螟危害水

稻高光谱遥感识别；赵开才（2012）应用支持向量机

进行水稻稻瘟病识别技术研究；Lü等（2014）应用支

持向量机和PROSPECT对水稻叶绿素浓度进行预测

研究。【本研究切入点】目前关于采用参数优化支持

向量机进行水稻施氮水平分类的研究鲜见报道。【拟

解决的关键问题】应用参数优化支持向量机对水稻

不同叶序叶片组合的3个部位（叶尖、叶中和叶枕）

SPAD值进行水稻施氮水平分类预测，并对不同的水

稻叶序叶片组合数据、是否进行归一化处理数据及

两种参数优化（网格搜索算法、粒子群算法）支持向

量机进行比较试验，为研究水稻施氮水平准确、快速

识别分类提供一种新途径。

1 数据来源与研究方法

1. 1 数据来源

水稻栽培试验材料采用江西省推广种植的杂

优品种金优458，试验在江西农业大学农学实验站进

行。设4个施氮水平，即折合纯氮用量分别为225、

150、75和0 kg/ha，每个水平重复3次。除施氮水平不

同外，其余管理措施均按常规栽培管理方式进行。

如图1所示，不同施氮水平下的水稻植株第7叶位叶

片扫描图像，纯氮用量从左至右分别是225、150、75

和0 kg/ha，可看出叶片叶色间的明显差异。本试验

扫 描设备采用 MICROTEK 扫描仪，型号 MRS -

9600TFU2L，分辨率600 ppi。每2 d测量一次水稻植

株叶片的 SPAD值，并建立 SPAD数据库。使用

SPAD-502测量仪对功能稳定期水稻叶片的叶尖、叶

中和叶枕3个部位进行测量，获取对应位置的SPAD

数据（衰亡期的枯黄叶片不予测量）。本试验样本为

水稻植株的第6、7、8和9叶位叶片，数量分别为68、

94、95和94片，共351片叶片。所取叶片的SPAD数据

为移栽后植株生长稳定且记录完整的数据。

1. 2 研究方法

1. 2. 1 非线性支持向量机分类 按照样本在特征

空间中是否为线性，支持向量机主要分为线性支持

向量机分类和非线性支持向量机分类（Liu and Ji-

ang，2008）。核函数（Luo et al.，2008）是非线性支持

向量机分类的理论基础，其中径向基核函数（Radial

basis function，RBF）相比较于其他核函数具有参数

少的优点，具有一定代表性，因此本研究选用RBF核

函数。本研究中非线性支持向量机分类的数据集为：

T={ }( x1,y1 ),…( xi,yi ) （1）

式中，xi∈X，X为三维数据集，即叶片3个不同部

位（叶尖、叶中、叶枕）SPAD值，Yi∈Y，Y为一维数据

集，即水稻施氮水平类别，Y={1，2，3，4}，i = 1，2，

3，…，i。

支持向量机的性能不仅与核函数的选择有极

大关联，同时也与惩罚系数c、核参数g相关。因此如

何合理快速地选择上述两个参数成为影响支持向量

机分类在实际应用效果和范围的关键（丁勇等，

2010）。本研究涉及到两种支持向量机c、g参数优化

算法，即网格搜索算法和粒子群算法。

1. 2. 2 网格搜索算法优化支持向量机c、g参数 本

研究两次调用网格搜索算法（王兴玲和李占斌，

2005），即分别进行c、g粗略范围选定及精确c、g参数

的确定，进而获取最优c、g参数。

1. 2. 3 粒子群算法优化支持向量机c、g参数 本研

究粒子群算法（代鑫波等，2012）中设置最大进化代

数为500，种群最大数量为60，采用实数编码。

1. 3 数据归一化处理

在机器学习中，对数据进行相关分析操作前需

进行数据归一化处理，即将原始数据规整至某一区

图 1 不同施氮水平下水稻植株第7叶位叶片扫描图像Fig.1 Scanning image of rice leaf at the 7th phyllotaxis under

different nitrogen application levels

周琼等：基于参数优化支持向量机的水稻施氮水平分类研究

48卷南 方 农 业 学 报·1526·

间。本研究采用mapminmax函数对SPAD数据集中

的训练样本与测试样本统一进行归一化。mapmin-

max函数所采用的映射如下所示：

y=( xmax - xmin )·( xmax - xmin )

( xmax - xmin ) +ymin （2）

式中，xmin和xmax为原始SPAD数据集X的最小值

和最大值，ymin和ymax为映射的范围参数。本研究中

ymin=0，ymax=1。

2 结果与分析

2. 1 样本数据预处理

数据进行归一化处理后，为获取最佳分类预测

结果，对数据未归一化及数据归一化进行对比，如表1

所示，对于78组合（第7、8叶序叶片组合），应用粒子

群算法参数优化支持向量机进行施氮水平分类预

测，其归一化处理后的数据预测准确率达88.889%，

而未归一化处理后的数据预测准确率为83.333%。

可看出，数据归一化处理有助于水稻施氮水平分类

准确率的提升。

2. 2 网格搜索算法优化支持向量机

利用网格搜索算法缩小支持向量机中c、g参数

范围以及精确c、g参数确定。对归一化的第7、8叶序

叶片数据应用网格搜索算法参数优化支持向量机进

行分类预测，其结果如图2所示，纵坐标为施氮水平

分类标签，横坐标测试样本顺序编号。由图2可知，

第一类水稻样本识别效果不佳，其中，有两个样本识

别为第二类和第三类水稻；第二类与第四类水稻样

本识别效果较好，准确率达100.000%；第三类水稻样

本识别准确率最低，其中一个样本识别正确，两个样

本被识别为第二类水稻，一个样本被识别为第一类

水稻。可见，该方法下第四类（氮素过量）的水稻易

于区分，第一类（缺氮）水稻与第二类水稻、第二类水

稻与第三类水稻易产生混淆，不易识别区分。

2. 3 粒子群算法优化支持向量机

利用粒子群算法选择支持向量机最优c、g参

数。应用粒子群算法参数优化支持向量机对归一化

的78组合数据进行分类预测，其结果如图3所示。由

图3可知，第一类、第二类与第四类水稻样本识别效

果较好，准确率达100.000%；第三类水稻样本识别准

确率最低，其中两个样本识别正确，一个样本识别为

第一类水稻，一个样本识别为第二类水稻。可见利

用该方法，第一类（缺氮）与第四类（氮素过量）的水

稻特征明显，易于识别，而第三类水稻极易与第一类

和第二类水稻产生混淆，不易区分。

叶片组合Leafcombination

78组合 78 combination

粒子群算法（%）Particle swarm optimization未归一化

Non-normalization83.333

归一［0，1］Normalization

88.889

表 1 基于粒子群算法参数优化支持向量机对78组合数据的预测分类结果图Table 1 Prediction classification results of 78 combinationbased on support vector machine optimized by particle swarmoptimization parameters

78组合表示第7、8叶序叶片组合78 combination represented combination of leaves at the 7th and 8th

phyllotaxis

图 2 归一化的78组合数据应用网格搜索算法参数优化支持向量机分类结果图

Fig.2 Classification result graph of normalized 78 combination

data based on support vector machine optimized by

grid search algorithm parameters

图 3 归一化的78组合数据应用粒子群算法参数优化支持向量机分类结果图

Fig. 3 Classification result graph of normalized 78 combina-

tion data based on support vector machine optimized

by particle swarm optimization parameters

类别标签

Cat

egor

yla

bel

测试集样本 Test set sample

实际测试集分类 Actual test set category预测测试集分类 Predicted test set category

测试集样本 Test set sample

实际测试集分类 Actual test set category预测测试集分类 Predicted test set category

类别标签

Cat

egor

yla

bel

8期 ·1527·

2. 4 参数优化支持向量机预测分类结果对比

基于不同的水稻叶片组合数据，是否进行归一

化处理数据，应用网格搜索算法和粒子群算法参数

优化支持向量机进行水稻施氮水平分类预测对比结

果如表2所示。从表2可看出，水稻施氮水平分类整

体识别准确率排序为78组合>789组合>678组合>89

组合。除89组合外，基于粒子群算法参数优化支持

向量机对其余3组合数据分别进行施氮水平分类预

测，准确率均高于75.000%，其中，对归一化处理后的

78组合数据识别率最高，达88.889%，对89组合数据

分类效果不佳，均低于40.000%。基于网格搜索算法

参数优化支持向量机对78组合和789组合数据识别

准确率均高于60.000%；对未归一化处理的678组合

数据识别准确率达83.333%，对归一化处理的678组

合数据识别效果较差，准确率为38.889%；对89组合

数据识别不佳，均低于45.00%。关于78组合，应用网

格搜索算法和粒子群算法参数优化支持向量机对其

未归一化处理的数据进行预测分类的准确率一致，

均为83.333%，基于网格搜索算法参数优化支持向量

机对其归一化处理的数据进行预测分类的准确率最

低，为72.222%；基于粒子群算法参数优化支持向量

机对归一化预处理的数据进行预测分类的准确率最

高，达88.889%。

叶片组合Leaf combination

678组合 678 combination789组合 789 combination78组合 78 combination89组合 89 combination

网格搜索算法（%）Grid search algorithm未归一化 Non-normalization

83.33377.77883.33338.889

归一［0，1］Normalization38.88961.11172.22244.444

粒子群算法（%）Particle swarm optimization未归一化 Non-normalization

83.33383.33383.33338.889

归一［0，1］Normalization83.33377.77888.88927.778

678组合、789组合、78组合和89组合分别表示第6~8叶序、第7~9叶序、第7、8叶序和第8、9叶序叶片组合678 combination，789 combination，78 combination and 89 combination represented combination of leaves at the 6th，7th and 8th phyllotaxis，7th，8th and9th phyllotaxis，7th and 8th phyllotaxis，and 8th and 9th phyllotaxis respectively

3 讨论

氮肥在水稻品质与产量中起着一定作用，对水

稻生长的影响仅次于水（黄丽芬等，2012）。同时已

有研究表明水稻叶片SPAD值与叶片氮含量存在相

关性（姜继萍，2012）。本研究选用水稻叶片的叶尖、

叶中和叶枕的SPAD值作为水稻特征指标，在一定程

度上能充分反映该水稻的生理现状，用其进行水稻

施氮水平分类预测是可行研究。

支持向量机用于分类识别已有相关研究报道，

在作物领域应用广泛（王渊，2008；尹小君等，

2014）。石媛媛（2010）采用图像处理和粗糙集的方

法对水稻3种氮营养模式（缺氮、正常和过量）叶片进

行识别，其中氮营养正常与过量难以识别；顾清等

（2012）采用支持向量机对叶尖黄化区域面积比例、

叶尖G值及叶片面积数据进行水稻氮素营养诊断，

其中第四类（氮素过量）效果不佳。本研究中，对于

78组合数据，基于粒子群算法参数寻优的支持向量

机能有效识别第四类（氮素过量）水稻叶片，而第三

类水稻叶片易误识别为第一类与第二类水稻叶片。

考虑原因是第三类施氮水平与第二类施氮水平较接

近，不易于区分识别，其次大田试验中水稻位置对水

稻生长状况有一定影响，采集的样本生长状况有所

偏差，采用统一的水稻栽培土壤，土壤自身的肥力水

平没有测量，仅分割为部分，施不同氮肥进行管理，

土壤肥力不均造成的数据误差不可避免。本研究结

果表明，粒子群算法参数寻优的支持向量机分类进

行水稻施氮水平分类效果较好，与孙俊等（2010）应

用遗传算法参数优化支持向量机进行水稻氮素预测

同为可行。

在以后研究中，应对水稻植株器官的其他参

数，如叶长、叶宽、株高、叶面积指数等参数与施氮水

平之间做相关性分析，并采用机器学习其他方法对

施氮水平进行分类研究，寻找分类准确率更高的算

法，为农学研究和高产栽培管理提供可靠依据。

4 结论

基于粒子群算法参数优化支持向量机可用于水

稻施氮水平分类预测，能满足农学研究的需要，也为

研究农作物的施氮水平分类研究提供一种新方法。

参考文献：代鑫波，崔勇，周德祥，陈湘华. 2012. 基于主成分与粒子群

算法的LS-SVM短期负荷预测［J］. 电测与仪表，49（6）：5 - 9.［Dai X B，Cui Y，Zhou D X，Chen X H. 2012.LS-SVM short -term load forecasting based on principalcomponent analysis and improved particle swarm optimi-zation［J］. Electrical Measurement & Instrumentation，49（6）：5-9.］

表 2 两种参数优化支持向量机预测结果对比Table 2 Comparison of predictive results from support vector machine optimized by two parameters

周琼等：基于参数优化支持向量机的水稻施氮水平分类研究

48卷南 方 农 业 学 报·1528·

丁勇，秦晓明，何寒晖. 2010.支持向量机的参数优化及其文本分类中的应用［J］.计算机仿真，27（11）：187 - 190.［Ding Y，Qin X M，He H H. 2010. Parameter optimizingof Support Vector Machine and application in text classi-fication［J］. Computer Simulation，27（11）：187-190.］

顾清，邓劲松，陆超，石媛媛，王珂，沈掌泉. 2012. 基于光谱和形状特征的水稻扫描叶片氮素营养诊断［J］. 农业机械学报，43（8）：170-174.［Gu Q，Deng J S，Lu C，Shi Y Y，Wang K，Shen Z Q. 2012. Diagnosis of ricenitrogen nutrition based on spectral and shape characteris-tics of scanning leaves［J］. Transactions of the Chinese So-ciety for Agricultural Machinery，43（8）：170-174.］

黄丽芬，董芙蓉，霍中洋，全晓艳，魏海燕，戴其根，许钶，张洪程. 2012. 氮素水平对不同氮效率基因型水稻的物质生产与分配的影响［J］. 核农学报，26（9）：1290-1297.［Huang L F，Dong F R，Huo Z Y ，Quan X Y，Wei H Y，Dai Q G，Xu K，Zhang H C. 2012. Effectsof nitrogen on dry matter accumulation and distributionin rice genotype with different nitrogen use efficiencies［J］.Journal of Nuclear Agricultural Sciences，26（9）：1290 -1297.］

姜继萍. 2012. 水稻冠层叶片SPAD数值变化特征及其在氮素营养诊断中的应用［D］. 杭州：浙江大学 .［Jiang J P.2012. Dynamic characteristics of SPAD values of differentpositions leaves in the canopy of rice and its applicationfor nitrogen nutrition diagnosis in rice production［D］.Hangzhou：Zhejiang University.］

宁运旺，朱德进，谢金学，汪吉东，许仙菊，张辉，张永春.2013. 应用土壤氮素平衡预测水稻氮肥施用量的方法及其实证［C］//中国农业生态环境保护协会. 第五届全国农业环境科学学术研讨会论文集：323-333.［Ning Y W，Zhu D J，Xie J X，Wang J D，Xu X J，Zhang H，ZhangY C. 2013. Predicting nitrogen application rates of riceby soil nitrogen banlance：Methods and demonstration［C］//China Association of Agricultural Ecological En-vironment Protection. Proceedings of the Fifth Session ofthe National Agricultural Academic Conference on En-vironmental Science：323-333.］

石晶晶，刘占宇，张莉丽，周湾，黄敬峰. 2009. 基于支持向量机（SVM）的稻纵卷叶螟危害水稻高光谱遥感识别［J］. 中国水稻科学，23（3）：331-334.［Shi J J，Liu ZY，Zhang L L，Zhou W，Huang J F. 2009. Hyperspec-tral recognition of rice damaged by rice leaf roller basedon Support Vector Machine［J］. Chinese Journal of RiceScience，23（3）：331-334.］

石媛媛. 2010. 基于数字图像的水稻氮磷钾营养诊断与建模研究［D］. 杭州：浙江大学.［Shi Y Y. 2010. Rice nutri-tion diagnosis and modeling based on digital image［D］.Hangzhou：Zhejiang University.］

孙俊，毛罕平，羊一清. 2010. 基于GA-LS-SVM的水稻叶片含氮率预测［J］. 江苏大学学报（自然科学版），31（1）：6-10.［Sun J，Mao H P，Yang Y Q. 2010. Prediction ofnitrogen content rate of paddy rice leaf based on GA-LS-SVM［J］. Journal of Jiangsu University（Natural ScienceEdition），31（1）：6-10.］

王兴玲，李占斌. 2005. 基于网格搜索的支持向量机核函数参数的确定［J］. 中国海洋大学学报（自然科学版），35（5）：859-862.［Wang X L，Li Z B. 2005. Identifying theparameters of the kernel function in support vector ma-chine based on grid-search methed［J］. Periodical of OceanUniversity of China（Natural Science Edition），35（5）：859-862.］

王渊. 2008. 不同水平油菜氮素含量遥感信息提取方法研究［D］. 杭州：浙江大学.［Wang Y. 2008. Information ex-traction of rape nitrogen concentration using remotelysensed data at different levels［D］. Hangzhou：ZhejiangUniversity.］

徐艳玲. 2014. 氮肥对水稻生长的影响［J］. 现代农业科技，（19）：27-28.［Xu Y L. 2014. Effect of nitrogen fertilizer onrice growth［J］. Modern Agricultural Science and Techno-logy，（19）：27-28.］

尹小君，张清，赵庆展，汪传建，宁川. 2014. 基于SVM的加工番茄早疫病叶氮素含量光谱反演［J］. 农业机械学报，45（11）：280-285.［Yin X J，Zhang Q，Zhao Q Z，WangC J，Ning C. 2014. Remote sensing inversion of nitro-gen content based on SVM in processing tomato earlyblight leaves［J］. Transactions of the Chinese Society forAgricultural Machinery，45（11）：280-285.］

赵开才. 2012. 基于支持向量机的水稻稻瘟病识别技术研究［D］. 哈尔滨：哈尔滨工程大学.［Zhao K C. 2012. Re-search on technology of rice blast recognition based onsupport vector machines［D］. Harbin：Harbin EngineeringUniversity.］

赵天成，刘汝亮，李友宏，王芳，陈晨，洪瑜，陈智君，王波，谢静华. 2008. 用叶绿素仪预测水稻氮肥施用量的研究［J］. 宁夏农林科技，（6）：9-11.［ Zhao T C，Liu RL，Li Y H，Wang F，Chen C，Hong Y，Chen Z J，WangB，Xie J H. 2008. Study on prediction of nitrogen rertilizerapplication rate in rice by chlorophyll meter［J］. NingxiaJournal of Agriculture and Forestry Science and Techno-logy，（6）：9-11.］

Ding C，You J，Chen L，Wang S，Ding Y. 2014. Nitrogenfertilizer increases spikelet number per panicle by enhan-cing cytokinin synthesis in rice［J］. Plant Cell Reports，33（2）：363-371.

Liu S，Jiang N. 2008. SVM parameters optimization algo-rithm and its application［J］. IEEE International Conferen-ce on Mechatronics & Automation，14（10）：509-513.

Luo Z Y，Zhang W F，Li Y X，Xiang M. 2008. SVM pa-rameters tuning with quantum particles swarm optimiza-tion［C］//IEEE Conference on Cybe-rnetics & IntelligentSystems：324-329.

Lü J，Deng F L，Yan Z G. 2014. Using PROSEPCT andSVM for the estimation of chlorophyll concentration［J］.Advanced Materials Research，（989-994）：2184-2187.

Kapoor A S，Rakesh K，Raghava Gajendra P S. 2006. Ma-chine learning techniques in disease forecasting：A casestudy on rice blast prediction［J］. Bmc Bioinformatics，7

（1）：1-16.

（责任编辑 邓慧灵）