《表7 基于多元线性逐步回归、偏最小二乘回归和随机森林回归的冬小麦氮素营养指数预测模型验证》

  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

《基于无人机高光谱的冬小麦氮素营养监测》

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

以与植株氮浓度、地上部生物量和氮素营养指数相关性均满足置信水平为P≥0.01的光谱参数作为输入变量，以冬小麦氮素营养指数作为响应变量，分别构建基于多元线性逐步回归、偏最小二乘回归和随机森林回归的冬小麦氮素营养指数预测模型，模型的建模精度和验证精度如表7所示。在建模集中，基于多个光谱参数建立的NNI模型精度R2为0.63～0.88，RMSE为0.10～0.15，整体精度高于基于单个光谱参数建立的NNI预测模型。NNI-RFR模型的精度相对最佳，R2为0.88，RMSE为0.10；其次是NNI-PLSR模型，R2和RMSE分别为0.65和0.15；NNI-MLSR模型精度略低于偏最小二乘回归模型精度，R2为0.63，RMSE为0.15。在验证集中，基于随机森林回归的冬小麦氮素营养指数模型获得最佳的验证精度，R2为0.79，RMSE为0.13，其实测值与预测值空间分布图如图4所示，相比NNI-RNDVI模型散点空间分布更接近1∶1线，散点趋势斜率为0.70。