《表2 2种计算分析方法对玉米光响应曲线的模拟精度》

  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

《基于机器学习的滴灌玉米光合响应特征》

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

运用基于机器学习的网格搜索法和非线性回归分析对直角双曲线修正模型进行拟合。采用RMSE、MAE和R2误差计算的大小来判断模拟值和观测值之间的差异，RMSE、MAE越小、R2越接近于1，说明模型模拟精度越高，反之，则模拟精度越差。模型评价参数如表2所示，2种方法均能较好拟合各处理玉米光响应动态变化规律，R2均大于0.990，RMSE均未超过3.250，MAE均未超过2.410，且RMSE和MAE均随着施钾量的增加而逐渐减小。说明机器学习方法和传统非线性回归分析法对直角双曲线修正模型拟合效果相当，是模型拟合的较好方法。但机器学习网格搜索法在不施钾肥（K0）和低钾（K1）条件下模拟效果更加突出，其R2均大于0.991，RMSE均小于1.487、MAE均小于1.350，其他处理下（K2—K5）机器学习模拟效果与传统方法的模拟效果接近，R2均大于0.993，RMSE均小于0.952、MAE均小于0.860，表明机器学习网格搜索法是提高直角双曲线修正模型精度的重要方法。