《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
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。
图表编号 | XD00187223900 严禁用于非法目的 |
---|---|
绘制时间 | 2018.07.30 |
作者 | 盛孟鸽、王凯、王玉洁、许姗姗、胡欣、侯智炜、张正竹、谷勋刚、宁井铭 |
绘制单位 | 安徽农业大学茶树生物学与资源利用国家重点实验室、安徽农业大学理学院、安徽农业大学茶树生物学与资源利用国家重点实验室、安徽农业大学茶树生物学与资源利用国家重点实验室、安徽农业大学茶树生物学与资源利用国家重点实验室、安徽农业大学茶树生物学与资源利用国家重点实验室、安徽农业大学茶树生物学与资源利用国家重点实验室、安徽农业大学资源与环境学院、安徽农业大学茶树生物学与资源利用国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |
查看“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 characteristic wavele”的人还看了
- 表4 采用多元线性回归模型对茶园土壤p H值定量预测结果Table 4 The predict results of soil p H value in tea garden using multivariate linear regres