地上生物量反演模型精度，即反演结果的准确性，需要使用相关验证指标进行判定。选择判定系数(R2)、均方根误差(RMSE)以及相对均方根误差(RMSEr)为模型精度的验证指标(图18-11)，将精度最高的预测模型作为最终选定的反演模型。
(1)判定系数(Coefficient of Determination，R2)，也称可决系数或决定系数，是指在线性回归中，回归平方和与总离差平方和之比值，其数值等于相关系数的平方。它是对估计的回归方程拟合优度的度量。R2表达式:
式中，SST＝SSR＋SSE，SST(Total Sum of Squares)为总平方和；SSR(Regression Sum of Squares)为回归平方和，SSE(Error Sum of Squares)为残差平方和。
图18-11 精度评价方法
(2)均方根误差(Root Mean Square Error，RMSE)，是观测值与真值偏差的平方和观测次数n比值的平方根。在实际测量中，观测次数n总是有限的，真值只能用最可信赖(最佳)值来代替。方根误差对一组测量中的特大或特小误差反应非常敏感，所以，均方根误差能够很好地反映测量的精密度。均方根误差，当对某一量进行多次的测量时，取这一测量列真误差的均方根差(真误差平方的算术平均值再开方)，称为标准偏差，以σ表示。σ反映了测量数据偏离真实值的程度，σ越小，表示测量精度越高，因此可用σ作为评定这一测量过程精度的标准。RMSE表达式:
(www.xing528.com)
(3)相对均方根误差(Relative Root Mean Square Error，RMSEr)，是均方根误差和验证样本平均值的比值。RMSEr表达式:
输入对象:生成的地上生物量反演模型；生物量验证样本及其坐标文本文件；掩模掉非植被区的光学特征变量。
输出对象:与验证样本相对应的生物量预测值。
通过将基于LiDAR数据提取的样本生物量值作为新的样地观测数据，从中选取在空间上具有代表性的地上生物量样本，再以从光学遥感影像中提取的变量集合建立地上生物量反演模型，并利用验证数据集对各模型的效果进行精度验证，最后实现对全部区域内的地上生物量制图。经实验分析和精度评价结果显示，RF的估算精度最高，具体评价指标如表18-4所示。
表18-4 地上生物量反演模型评价结果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
