《表4 土壤有机质含量BP神经网络模型检验结果》

  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

《东北典型黑土区表层土壤有机质含量高光谱反演研究》

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

在土壤光谱反射率及其三种变换处理（倒数的对数、一阶微分和连续统去除变换）基础上，利用BP神经网络模型对土壤有机质建立了BP-R、BP-LR、BP-R'、BP-CR四种预测模型。从表4中可见，BP-R'的建模和验证的RMSE最小，分别为2.80 g kg-1和3.25 g kg-1；R2最大，分别为0.59和0.41；ARE也均为四种模型的最小值，分别为0.09和0.10；说明一阶微分变换在BP神经网络分析中表现最好。相比之下，BP-LR精度较差，建模和验证的RMSE分别为3.16 g kg-1和3.65 g kg-1，R2分别为0.45和0.29。BP-R建模集的R2为0.47，虽仅次于BP-R'，但验证集R2有最小值0.07，RMSE有最大值5.05 g kg-1，验证精度在四种模型中的表现最差；BP-CR验证精度优于BP-R，R2为0.14，RMSE为4.01 g kg-1，但预测精度在四种模型中表现最差，R2为0.28，RMSE为3.66 g kg-1。从图7中可以看到BP-R'验证样本基本分布在1∶1线附近，BP-CR和BP-LR验证样本些许偏离1∶1线，BP-R偏离程度最严重。BP神经网络分析所得到的四种模型的RMSE比起多元线性逐步回归分析和偏最小二乘回归分析均有所增加，未达到预期预测效果。