《表3 不同模型输入（GF,H,GF+H）和噪音程度（5%,10%,20%）情况下目标性状估算精度》

  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

《基于数字化植物表型平台（D3P）的田间小麦冠层光截获算法开发》

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

如图6和表3所示，模型输入的特征选择和点云特征提取精度对预测模型的表现有显著影响。就输入特征选择而言，对于GAI、AIA和FIPAR的估算，预测精度从高到低的输入为GF+H>H>GF（图6）。整体上，H特征与各目标性状之间的相关性高于GF特征（图5），仅使用H特征的效果优于GF特征。具体而言，从萌芽到拔节期，作物高度增长缓慢，相较于H特征，GF特征携带更多反应冠层结构变化的信息；从拔节期到旗叶拔出叶鞘，随着冠层的郁闭，GF对冠层结构（GAI和AIA）变化敏感度降低，而该阶段高度开始快速增加，H能够更好的反应冠层结构变化。因而，同时使用GF和H特征，可以获得更高的反演精度，在中等噪音强度（10%）情况下，GAI，AIA和FIPARdif的rRMSE分别为0.25，0.13和0.14。FIPARdif的估算精度优于GAI和AIA，主要是由于综合两个性状之后的补偿效应。也正因此，即使在噪音较大（20%）的情况下，FIPARdif的估算精度仍保持在可以接受的范围（rRMSE=0.27）（表3）。但是，即使在噪音很低（5%）的情况下，AIA的估算精度仍然较差，R2不高于0.44（表3）。