通过多变量散射校正和使用可见近红外光谱的残余神经网络来增强土壤质地分类

科学领域:

• 土壤科学 土壤科学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 土壤质地对于土壤的物理性质至关重要,但传统上很费力地测量.
• 可见近红外光谱学提供了高效的,非破坏性的土壤分析.
• 现有的光谱方法在分类准确性和预处理影响方面面临挑战.

研究的目的:

• 开发一种新的,高度准确的土壤质地分类策略.
• 为了解决光谱预处理,模型集成和样本矩阵效应的局限性.
• 增强光谱在土壤科学中的实际应用.

主要方法:

• 利用卢卡斯数据集来评估八种光谱预处理方法.
• 实施的多倍散射校正 (MSC) 用于光谱数据预处理.
• 对比1D CNN和残余网络 (ResNet) 模型,集成MSC用于土壤质地分类.

主要成果:

• 在降低光谱数据复杂度方面,MSC表现出卓越的表现.
• 加入MSC的ResNet模型实现了98.97%的整体准确性,其中五种土壤纹理达到100%.
• 根据土地覆盖面的预分类进一步提高了准确性,在特定的土地类型中超过99.39%.

结论:

• 拟议的MSC-ResNet战略提供了一种开创性和高效的方法,用于快速,精确的土壤质地识别.
• 与现有的可见近红外光谱法相比,这种方法显著提高了准确性.
• 这些发现对土壤,农业和环境科学应用有重大影响.