《表3 不同波段光谱数据的随机森林分类结果》
采用IBM SPSS modeler 18.0软件构建随机森林模型数据流,对农作物反射率数据处理。在软件中,使用C&RT算法构建随机森林的每棵树,决策树的棵数和候选分割属性集的大小设置均采用默认值,即构建500棵树,样本大小为百分百。作物在可见光波段(380~780 nm),近红外短波(780~1 100 nm),近红外长波(1 100~2 500 nm)的反射光谱特征与作物的生理生化特点有紧密联系。为了比较可见光、近红外波段的光谱对区分不同作物的效果,将作物光谱样本数据按3个不同的波段分成3组数据,与全波段(350~2 500 nm)数据构成4组不同的样本数据。样本数据一半用于随机森林法建模,提取区分不同作物的特征波段,一半用于随机森林法分类,验证所提取波段的重要性。为了减少数据处理量,将光谱反射率每10 nm取平均值用于随机森林法处理。依次将4组样本数据进行随机森林法处理,结果(表3)表明:4组数据所建模型均都具有较高的分类准确性。随机森林法在建模的同时对参与分类的波段重要性进行了排序,表4显示4组数据最重要的前10个波段,每个波段特征对分类精度的贡献程度不同,重要程度越高的波段对作物分类精度的影响越大。
图表编号 | XD00128001400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.20 |
作者 | 吴立周、王晓慧、王志辉、方馨、朱婷瑜、丁丽霞 |
绘制单位 | 浙江农林大学环境与资源学院、浙江农林大学省部共建亚热带森林培育国家重点实验室、浙江农林大学环境与资源学院、浙江农林大学省部共建亚热带森林培育国家重点实验室、浙江远卓科技有限公司、浙江农林大学环境与资源学院、浙江农林大学环境与资源学院、浙江农林大学环境与资源学院、浙江农林大学省部共建亚热带森林培育国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |