《表4 基于多光谱指数的冬小麦叶面积指数含量预测模型（建模集）》

  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

《无人机高光谱遥感估算冬小麦叶面积指数》

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

注：MLR表示多元线性回归模型，BP表示BP神经网络回归模型，RFR表示随机森林回归模型。

由表3和表4所构建的LAI预测模型可知，多元线性回归模型建模精度相对传统的一元回归模型并无显著提高，而基于多光谱指数的机器学习算法建模效果明显优于传统回归模型。基于以上构建的冬小麦LAI估算模型，计算得到验证集LAI的预测值，并将LAI预测值与实测值进行线性拟合。依据模型精度的评价指标对不同模型的预测精度进行比较分析，结果如表5所示。预测精度较建模精度整体上有所下降，基于连续统去除光谱的最佳窄波段光谱指数LAI估算模型（CRS-NDSI）精度略高于OS-NDSI和FDS-RSI，多元线性回归模型验证精度依然是连续统去除光谱（CRS-LAI-MLR）的预测精度略高于OS-LAI-MLR和FDS-LAI-MLR，但多元线性回归模型验证精度相对一元回归模型并无显著提高。基于FDS-RSI所构建的最优光谱指数验证模型不具备预测样本的能力（RPD<1.5），其他7种验证模型中除RFR模型外，均具有粗略的估测样本能力（1.52，验证模型的决定系数为0.77，均方根误差为0.27，在所有验证模型中综合表现最好。相对预测偏差RPD>1.5的所有模型的LAI实测值与预测值的空间分布如图4所示，可以看出基于随机森林构建的冬小麦LAI验证模型，实测值与预测值的拟合分布更接近于1∶1，说明估算模型具有极好的预测能力。