《表3 不同输入量的建模精度》

  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

《高寒地区粳稻穗颈瘟的无人机高光谱遥感识别》

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

使用光谱预处理变换数据、SCPs、CVIs分别作为输入量代入RF分类模型中（表3），其中基于CVIs的建模方法精度最高，建模精度达到了85%，验证精度为90%，Kappa系数为0.86，验证集只有一个重度病害样本被分到了中度样本里面，Kappa系数也达到了几乎完全一致水平，说明CVIs作为输入量建模可以达到对穗颈瘟早期识别达到了理想的效果，针对于处于发病后期的穗颈瘟识别模型需要加强；9点平滑、光谱曲线特征参数、去包络线也取得不错的效果，建模精度范围在70%～80%之间，验证精度范围在70%～80%之间，Kappa系数在0.59～0.70之间，主要问题表现在将健康、轻度病害错分为重度病害，模型加重了病害程度分级，相对于CVIs的精度来看，使用这些输入量建模仍有待优化；PCA作为一种常用的光谱处理方法作为输入量建模在本研究中建模精度仅为60%，验证精度为70%，Kappa系数为0.60，并未表现出较好的效果，这可能由于主成分在进行正交变换时，将无用的地物光谱信息混入了正交向量中，导致精度较实验室理论结果下降；而对于一阶微分来看，精度明显偏低，验证精度仅有60%，Kappa系数也仅有0.47，这种数据处理方法没有凸显穗颈瘟在特征波段的光谱变化，结合RF进行建模精度也就最低。