《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)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。
图表编号 | XD00136248700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.01 |
作者 | 陈珠琳、王雪峰 |
绘制单位 | 中国林业科学研究院资源信息研究所、中国林业科学研究院资源信息研究所 |
更多格式 | 高清、无水印(增值服务) |