《表4 3种建模方法预测结果比较》

  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

《基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图》

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

利用红边光谱指数、红边光谱指数与地形指数、红边光谱与植被指数以及三者的组合分别作为输入变量，以土壤电导率为目标变量，建立了RF、ELM和PLSR 3种模型，利用独立的验证数据集来验证模型的预测能力。结果表明，仅利用红边光谱指数所建立的估算模型中，RF模型的效果最好（验证集R2=0.63，RMSE=7.14 d S/m，RPD=2.09），根据验证标准，具有较好的预测能力，而ELM预测效果较差。在红边光谱指数分别与地形指数、植被指数组合所建立的预测模型中，红边光谱指数与植被指数组合所建立模型的效果优于其分别与地形指数的组合，在其与植被指数组合所建立的模型中，RF模型的验证集R2为0.76，RMSE为5.36 d S/m，RPD为2.79。此外，3种指数的组合建立的模型预测效果都优于其与地形指数和植被指数的组合。对比3种模型验证集R2、RMSE和RPD可知，RF的预测效果最佳，R2为0.83，RMSE为4.81 d S/m，RPD为3.11，ELM次之，R2为0.78，RMSE为5.19 d S/m，RPD为2.88，PLSR的效果最差。此外，随着输入特征变量的增加，不同模型的预测精度都有不同程度的增加（表4）。总之，在3种建模方法中，RF的预测性能和效果都优于其他2个模型（表4）。