ハイパースペクトル土壌有機物推定のための安定指向型深層学習 | JoVE Visualize

科学分野:

土壌科学
リモートセンシング
機械学習

背景:

土壌有機物（SOM）は、土壌の肥沃度と生態系の健康にとって非常に重要です。
ハイパースペクトル技術は、迅速で非破壊的なSOM推定を提供します。
スペクトルの変動性と少量サンプルサイズによるSOMモデリングには課題があり、モデルの安定性に影響を与えています。

研究の目的:

少量サンプル条件下での正確なSOM推定のための堅牢な深層学習フレームワークを開発すること。
ハイパースペクトルSOMモデリングの安定性と実用性を向上させること。
スペクトル共分散の問題に対処し、予測パフォーマンスを向上させること。

主な方法:

マルチ戦略協調型深層学習フレームワーク（SE-EDCNN-DA-LWGPSO）を提案しました。
スペクトル前処理（SG-1DR）、データ拡張、拡張畳み込み、SEチャネル注意機構、LWGPSO最適化を統合しました。
亜熱帯赤色土壌サンプルとSPXY分割を使用して、繰り返し実験による厳密な検証を行いました。

主要な成果:

SG-1DR前処理スキームは、優れた安定性を示しました。
フレームワークコンポーネント（拡張畳み込み、データ拡張、注意機構）の段階的な導入により、予測誤差の変動とパフォーマンスのばらつきが大幅に減少しました。
最終モデルは、R² = 0.938 ± 0.010、RMSE = 2.256 ± 0.176 g·kg⁻¹、RPD = 4.050 ± 0.305で、高い一貫性と安定性を達成しました。

結論:

提案された深層学習フレームワークは、少量サンプル条件下でのハイパースペクトルSOM推定の一貫性と数値的安定性を大幅に向上させます。
統合されたマルチ戦略アプローチは、スペクトルの変動性と限られたデータによってもたらされる課題を効果的に軽減します。
このフレームワークは、ハイパースペクトルリモートセンシングを使用した、実用的で信頼性の高い土壌肥沃度評価に有望です。