《表3 特征波长下茶园土壤酸碱状况的Bayes判别模型识别结果Table 3 The predicted results of Bayes discrimination model based on

  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

《基于近红外光谱技术的茶园土壤酸碱状况快速判别》

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

光谱信息能表征茶园土壤内部特性，为了更好体现土壤p H的变化，本研究将优选的前20个特征变量对应的特征光谱数据作为Bayes判别模型的输入值，建立盐基状况的判别模型，结果（表3）显示，通过逐步判别分析优选变量结合模式识别进行Bayes判别可以得到较高的准确判别率，校正集、预测集的总体判别率分别达到87.18%，83.54%；在预测集中有5个p H<4.5的样本被误判为p H值介于4.5~5.5，6个p H值介于4.5~5.5的样本4个被误判为p H<4.5，2个被误判为p H>5.5。2个p H>5.5的样本，2个被误判为p H<4.5。通过比较可知，p H<4.5和介于4.5~5.5产生误判的相对较多，这可能是因为光谱数据综合了7个省份不同类型茶园土壤的内部信息，而介于p H值4.5~5.5的样品来源范围相对较小为建立高精度的模型增加一定难度。但是，通过1stDer预处理，采用逐步判别分析优选特征光谱，结合Bayes判别进行模式识别，这种方法为茶园土壤酸碱状况的判别提供了一个可靠的新思路。