是深的还是浅的? 基于激发发射矩阵和多个机器学习算法的石油物种识别的比较分析
Ming Xie1, Qintuan Xu1, Ying Li2
1Navigation College, Dalian Maritime University, Dalian, China.
Journal of fluorescence
|November 14, 2023
概括
通过比较用于漏油识别的机器学习模型,支持矢量机 (SVM) 为分析激发发射矩阵 (EEM) 提供了准确性和效率的最佳平衡. 这项研究有助于选择最佳的模型来应对海洋石油泄漏.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 海洋生物学 海洋生物学
背景情况:
- 石油活动的增加增加了海洋石油泄漏的风险,威胁到海洋生态系统.
- 激发发射矩阵 (EEM) 提供了一种可行的方法来识别泄漏中的油类型.
- 深度学习与浅层学习模型对EEM分析的比较性能仍未得到充分研究.
研究的目的:
- 为了比较四个机器学习模型在从EEM中识别油种的有效性.
- 评估深度卷积神经网络 (DCNN) 与随机森林 (RF),支向量机 (SVM) 和反向传播神经网络 (BPNN) 等传统模型的性能.
主要方法:
- 使用可调节的光灯和光谱仪收集常见油的光EM.
- 使用生成的EEM数据集训练和测试RF,SVM,BPNN和DCNN模型.
- 基于识别准确度,计算要求和处理时间的评估模型.
主要成果:
- SVM,BPNN和DCNN模型在识别测试的油类型方面取得了超过93%的准确性.
- 深度学习模型 (BPNN,DCNN) 与SVM模型相比,没有显著的准确性改善.
- SVM在高精度和计算效率之间取得了卓越的平衡.
结论:
- 支持矢量机 (SVM) 是一种非常适合在海洋泄漏中识别石油物种的模型,平衡准确性和效率.
- 虽然深度学习模型的性能很好,但它们的计算需求可能无法证明SVM的边际准确性收益.
- 本比较分析为选择适合机器学习模型的石油泄漏识别和应对提供了实际指导.
关键词:
深度学习是一种深度学习.激发-发射矩阵是一个激发-发射矩阵.光光谱学是一种光谱学.机器学习是机器学习.石油泄漏漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油紫外线引起的光.
