《表2 不同预测模型性能对比》

  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

《基于随机蛙跳和支持向量机的冬小麦叶面积指数估算》

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

注：OSR代表原始光谱；FDR代表一阶导数光谱；SDR代表二阶导数光谱；CC代表相关系数；CARS代表竞争自适应重加权采样算法；RF代表随机蛙跳算法；PLSR代表偏最小二乘回归；LS-SVR代表最小二乘-支持向量机回归；LV代表潜变量；R2代表决定系数；RMSE代表均方根误差。

为了构建冬小麦LAI的最佳预测模型，比较了使用3组光谱（原始光谱，一阶导数光谱和二阶导数光谱），3种特征波段选择方法（随机蛙跳，基于相关系数的方法和CARS）和2种建模方法（PLSR和LS-SVR）所建模型的性能。表2为不同模型性能的比较，从表2可以看出，无论采用哪种波长选择方法和建模方法，使用原始光谱建模都不是一个好的选择，其中采用基于相关系数的选择方法和LS-SVR建模方法所建模型性能相对较好，对校正集而言，其模型R2达到0.623，对验证集而言，其模型R2达到0.322。当对光谱进行导数预处理后，模型性能有了很大的提高，其模型R2增加约20%～30%。这表明建模前对光谱进行预处理是非常有必要的，它能消除背景噪声的干扰，提高光谱分辨率和灵敏度。从所使用的特征波段选择方法角度来看，采用随机蛙跳所建模型的确比基于相关系数和CARS方法所建模型具有更好的预测能力。相比之下，随机蛙跳算法更适合于冬小麦LAI预测模型的建立。从建模方法的选择角度来看LS-SVR的结果要好于PLSR。因此，在本实验中，采用二阶导数预处理结合随机蛙跳和LS-SVR所建模型预测性能最佳，其模型预测R2为0.902，模型预测RMSE为0.601，并且所选特征波段分别位于438、537、548、559、674、725、728、729、731、732、733、736、751、773、786、825、1 115、1141、1 142、1 194、1 502、1 546、1 549、1 595、2 002、2 004、2 078、2 050、2 103、2 118 nm。其中，9个波段位于红边区域（670～760 nm）。