《表3 神经网络模型和其他模型的误差比较》

  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

《基于神经网络模型的湛江湾水体有色溶解有机物的遥感估算》

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

将上述参数区域化调试的三种CDOM反演算法模型利用相同的15个样本数据进行分析，并与本文建立的多元线性回归模型和神经网络模型进行比较。表3显示了多元线性回归模型、BP神经网络模型、RBF神经网络模型、参数区域化调试后的MODIS算法模型、Chen等在珠江口水域开发的模型和Kowalczauk模型的相对误差以及均方根误差统计分析。通过表中可知，BP神经网络模型相对误差最小值为0.09%，最大值为11.08%，平均相对误差为3.77%，均方根误差为0.031 m–1，RBF神经网络模型相对误差最小值为0.82%，最大值为13.16%，平均相对误差为3.99%，均方根误差为0.030 m–1，与其他的模型相比，无论是平均相对误差还是均方根误差其值均小于其他模型，这说明神经网络模型对反演湛江湾水域CDOM浓度具有一定的应用价值。除了本文建立的多元线性回归模型以外，其他模型用于湛江湾水体后出现较大的误差，一方面可能是由于模型本身就具有较大的误差，另一方面可能是由于不同类型的水体，其模型的适应性有所差别。将剩余的5个验证样本用于多元线性回归模型和神经网络模型的分析和比较，如图5所示三种模型方法所得到的模拟预测值与实测值的对比图，从图中可以看出神经网络模型预测值与实测值拟合效果要优于多元线性回归模型，其反演预测值更精准，更适合于湛江湾CDOM浓度反演。