《表3 不同建模方法下TN、TP和TK模型的精度》

  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

《不同树种叶片养分含量提取的高光谱方法及精度评价》

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：PLSR＿average：不同预处理，不同降维方式下的PLSR模型；PLSR＿best＿SNV+1st＿PCA：最佳预处理方式和降维方式下（SNV+1st+PCA）的PLSR模型；SVR＿average：不同预处理，不同降维方式下的SVR模型；SVR＿best＿SNV+1st＿PCA：最佳预处理方式和降维方式下（SNV+1st+PCA）的S

由表3可知，3种养分指标均表现为SVR模型比PLSR模型确定系数较高，均方根误差较小，且从预测结果来看SVR模型的预测性能最好。其中，TN的最佳模型是基于SNV+1st处理后进行PCA降维的SVR模型，预测模型确定系数为0.85，预测均方根误差为2.82%，RPD值为2.50，该模型能够进行叶片TN预测。TP的最佳模型是SNV和一阶导数处理后建立的SVR模型，预测模型确定系数为0.90，均方根误差为0.55%，模型RPD值为2.83。TK的最佳模型也是基于SNV+1st处理后进行PCA降维的SVR模型，预测模型确定系数为0.85，均方根误差为3.80%，模型RPD值为2.60，SVR模型可以用于TP和TK的预测。由此可见，经过SNV+1st处理后的数据再进行PCA降维处理，建立的模型精度比未进行光谱数据预处理前的模型精度高。