《表2 PLSR、SVR和FNN模型的建模评价指标》

  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

《基于全波段高光谱的冬小麦生长参数估算方法比较》

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

在1.3中确定的参数设置下，分别采用PLSR、SVR和FNN对拔节-乳熟期各生长参数进行建模，图4为建模集数据的估算散点图，表2为建模评价指标的10折验证的均值。3种方法的地上部生物量在拔节期和孕穗期拟合优度均低于扬花期和乳熟期，其中孕穗期PLSR的R2最低，仅有0.87，而乳熟期SVR和FNN的R2则高达0.95。两种机器学习模型在扬花期、乳熟期R2为0.94～0.95，MAPE为5.25%～5.59%，优于PLSR，且SVR的精度稍高于FNN。不同生育期3种方法LAI的建模效果均稳定，PLSR的R2稍低于SVR和FNN，MAPE分别高2.20%～4.67%和1.20%～3.40%。SVR和FNN全氮含量的MAPE分别较PLSR低29.28%～65.73%和22.07%～57.06%，R2分别高3.19%～8.89%和2.20%～7.78%，SVR和FNN之间建模效果相近。3种方法中，SVR对叶绿素浓度的建模效果最优，全生育期MAPE为4.70%～6.49%，R2为0.89～0.96。