《表2 不同预测模型性能对比》
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)。
图表编号 | XD00155152400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.31 |
作者 | 孙晶京、杨武德、冯美臣、肖璐洁 |
绘制单位 | 山西农业大学农学院、山西农业大学文理学院、山西农业大学农学院、山西农业大学农学院、山西农业大学农学院 |
更多格式 | 高清、无水印(增值服务) |