基于超光谱成像技术的农田土壤中微塑料检测方法的研究

科学领域:

• 农业科学 农业科学
• 环境科学 环境科学
• 频谱学是一种光谱学.

背景情况:

• 农业土壤中的微塑料污染对土壤健康,作物产量和食物链构成风险.
• 准确高效地检测土壤中的微塑料技术对于环境监测和管理至关重要.

研究的目的:

• 通过使用高光谱成像 (HSI) 和机器学习,研究农业土壤中微塑料的分类和检测.
• 评估不同特征提取和分类模型的性能,以识别微塑料.

主要方法:

• 超光谱数据预处理包括SG卷积平滑和Z-score正常化.
• 使用主要成分分析,同位素映射和连续投影算法 (SPA) 等方法提取特征变量.
• 支持向量机 (SVM),反向传播神经网络 (BPNN) 和一维卷积神经网络 (1D-CNN) 模型被开发用于分类.

主要成果:

• 在Isomap-SVM,Isomap-BPNN和SPA-1D-CNN模型中,在分类微塑料聚合物方面显示出有希望的结果.
• 该SPA-1D-CNN模型实现了0.9500的最高分类精度,精度,回忆和F1_score也在0.9500.
• 同时,Isomap-SVM和Isomap-BPNN也表现出高性能,精度分别为0.9385和0.9414 .

结论:

• 与HSI技术集成的SPA-1D-CNN模型提供了一种高效准确的方法,用于识别农田土壤中的微塑料.
• 这种方法提供了一个强大的技术解决方案,用于实时监测农业环境中的微塑料污染.