《表7 叶片SPAD预测值与实测值分布》

  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Sentinel-2数据的干旱区典型绿洲植被叶绿素含量估算》

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:R2cal表示建模集的确定系数；R2val表示验证集的确定系数；RMSEC表示建模集的均方根误差；RMSEV表示验证集的均方根误差；RPD是验证集的相对百分比偏差。

在所有植被叶片SPAD估算模型中，从方案1到方案3的建模集效果逐步提升，R2CAL逐渐增大，RMSEC也呈现出逐渐变小的趋势（图7）。加入微分影像的植被指数和实测土壤属性后，建模效果显著提高。在预测效果方面，所有估算模型的RPD都达到了Ⅱ类标准，具有中度及以上的可预测性，但与建模集效果都逐渐提高的情况不同，芦苇、枣树、杨树叶片SPAD估算模型的验证集中，相比方案1，方案2的RPD反而减小，其可预测性出现了下降的情况，尤其是芦苇叶片SPAD估测模型的RPD值，由方案1的2.620骤降到方案2的2.009，模型的可预测性也从良好变成了中等，可能是方案2加入的植被指数较多，导致了部分特征变量冗余，降低了模型的预测效果（表7）。此外，杨树叶片SPAD估算模型的方案2，R2仅比方案1提升了0.01，但其RM-SEV却增大了0.724，RPD下降了0.014，可见其方案2的模型整体效果较方案1下降。而所有植被在方案3的验证效果却都是3种方案中最优的，R2最大，RMSEV最小，RPD>2.2。这说明方案3加入的土壤参量不是冗余变量，且对估算叶片SPAD值具有积极影响。