《表6 不同试验下PSO-BP神经网络模型预测结果(1)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于植被指数及多光谱纹理特征的降香黄檀叶片全铁含量预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

（1）CA:相关性分析法；PCA:主成分分析法；MIV:平均影响值法；GA:遗传算法；PSO:粒子群优化算法。下同。

研究对每组试验分别构建TIC预测模型，结果如表6所示。除PCA方法外，其他试验结果的决定系数均在0.8以上，说明PSO-BPNN可以用来较好的预测降香黄檀叶片TIC。MIV得到的结果仅优于PCA，这可能是由于MIV筛选出的VI指数较多，其他方面特征表达不足。CA和GA方法得到指标结果相似，但从应用的角度考虑，TIC最佳值在150～300 mg·kg-1（即F1和F2梯度），由图5（预测集数据）可知，在该范围内，GA方法得到的值相对偏低，若用于施肥管理，则会导致过量施肥，增大产生铁毒危害的概率。因此，综合比较后认为，使用CA-PSO-BPNN预测得到的结果更切合实际，适用于田间管理。