1. 研究背景
叶面积指数（LAI）是单位表面积上单面叶面积的总和，是反映植被许多生理和生化过程（如光合作用和呼吸作用）的重要指标之一。其数值直接决定了作物的生物量和最终产量。在农业生产中，通常需要根据LAI判断冬小麦的生长是否正常以及冠层结构是否合理。因此，及时获取LAI可以为评估冬小麦的生长状况提供参考。然而，传统获取LAI的方法通常存在有损采样、耗时且劳动强度大的缺点，无法满足现代精准农业快速获取LAI的需求。近年来，尽管市场上出现了一些可以快速获取LAI的仪器，但这些仪器仅限于小范围采集，无法快速获取大范围的LAI。因此，有必要寻找一种快速且大范围获取LAI的方法，以满足冬小麦产业发展的需求。
2.创新之处
针对GA能够灵活选择适应度评价函数但无法有效控制筛选结果，以及CARS能够更好地控制筛选结果数量但适应度评价函数单一的问题，本研究结合两者的特点，将GA与CARS中的指数衰减函数相结合，并应用多种适应度评价函数，提出一种新的变量筛选方法：连续重加权衰减遗传算法（CRDGA），用于冬小麦LAI的高光谱估算。本研究旨在：(1) 比较CARS、GA和CRDGA的优缺点；(2) 比较不同适应度评价函数的优缺点；(3) 结合多种机器学习方法与筛选变量，实现冬小麦LAI的高光谱估算。
3. 关键图表
图1 CARS筛选波段的结果。
图2 基于不同适应度函数的GA筛选结果。
图3 不同机器学习算法的建模结果。
4. 主要结论
主要结果如下：与CARS和GA筛选的波段数量相比，CRDGA筛选的波段数量更少，分别为44、32、24、10、7、19和197个波段。采用偏最小二乘回归、支持向量回归（SVR）、K邻近回归（KNNR）和高斯过程回归（GPR）作为适应度评价函数时收敛速度较快，而其他适应度评价函数的收敛速度较慢。然而，只有在GA和CRDGA中使用SVR、KNNR和GPR作为适应度评价函数时运行速度较快。在使用相同适应度评价函数运行GA和CRDGA以实现最佳适应度值时，CRDGA算法获得的适应度值低于GA算法获得的适应度值。在所有构建的模型中，经过CRDGA-KNNR筛选波段后采用KNNR构建的模型精度最高，其R2c、RMSEc、R2v和RMSEv分别为0.6511、2.0560、0.7403和1.8004，可以实现准确的冬小麦LAI的高光谱估算。总体而言，本研究提出的CRDGA算法优于CARS和GA算法。
5. 发表信息
Yang C, Bai J, Sun H, et al. A new feature selection algorithm combining genetic algorithm, exponential decay function, and machine learning to realize hyperspectral estimation of winter wheat leaf area index[J]. Computers and Electronics in Agriculture, 2025, 230: 109851.
6．声明
（1）小编水平有限，文章分析和理解均是个人见解，强烈推荐通过合理渠道获取原文，直接进行阅读。
（2）文稿涉及的材料仅为交流学习，如涉及版权和其他问题，请联系删除，小编对此表示歉意，邮箱：xu_xibo@126.com。
