《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)》
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(1.5
图表编号 | XD00204417300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.01 |
作者 | 陈晓凯、李粉玲、王玉娜、史博太、侯玉昊、常庆瑞 |
绘制单位 | 西北农林科技大学资源环境学院、西北农林科技大学资源环境学院、农业部西北植物营养与农业环境重点实验室、西北农林科技大学资源环境学院、西北农林科技大学资源环境学院、西北农林科技大学资源环境学院、西北农林科技大学资源环境学院、农业部西北植物营养与农业环境重点实验室 |
更多格式 | 高清、无水印(增值服务) |