《表4 土壤有机质含量BP神经网络模型检验结果》
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。
图表编号 | XD00138741500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.06 |
作者 | 聂哲、李秀芬、吕家欣、郑晓 |
绘制单位 | 沈阳农业大学、沈阳农业大学、中国科学院清原森林生态系统观测研究站、沈阳农业大学、中国科学院森林生态与管理重点实验室(沈阳应用生态研究所)、中国科学院清原森林生态系统观测研究站、中国科学院沈阳应用生态研究所大青沟沙地生态实验站 |
更多格式 | 高清、无水印(增值服务) |