物理辅助的机器学习用于THz时间域光谱:感知叶子湿度.
Milan Koumans1, Daan Meulendijks1, Haiko Middeljans1
1Department of Electrical Engineering, Eindhoven University of Technology, 5600 MB, Eindhoven, The Netherlands.
Scientific reports
|March 26, 2024
概括
机器学习模型,包括决策树和卷积神经网络,使用太赫兹 (THz) 时域光谱学准确确定叶子湿度. 这一进步有助于通过量化植物叶上的水来预测植物疾病.
科学领域:
- 物理 物理学 物理
- 植物科学 植物科学
- 数据科学数据科学数据科学
背景情况:
- 太赫兹 (THz) 时域光谱 (TDS) 需要先进的信号处理来实现实际应用.
- 叶子湿度是植物疾病发展和预测的关键因素.
- 机器学习 (ML) 为分析复杂的光谱数据提供了潜力.
研究的目的:
- 将ML技术应用于THz-TDS数据,以量化叶子湿度.
- 将光物质相互作用的领域知识集成到ML模型中.
- 评估ML模型在农业应用中的通用性.
主要方法:
- 获取12,000THz-TDS传输光谱,这些光谱来自塑性叶片上明显的水滴图案.
- 决策树和卷积神经网络 (CNN) 的应用与物理动机的特征选择.
- 在数据集上对模型性能进行评估,这些数据集与训练数据有不同的偏差.
主要成果:
- ML模型证明了从THz-TDS数据中确定叶子湿度的有效性.
- 基于物理学的选择提高了模型的准确性和可解释性.
- 美国有线电视新闻 (CNNs) 显示出对未见的水滴模式的概括有希望.
结论:
- 通过领域知识增强的ML技术可以在农业应用中显著提升THz-TDS.
- 使用THz-TDS和ML精确检测叶子湿度可以帮助管理植物疾病.
- 对模型通用性的进一步研究对于现实世界的部署至关重要.
更多相关视频
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
16.2K
06:43Leaf Spray Mass Spectrometry: A Rapid Ambient Ionization Technique to Directly Assess Metabolites from Plant Tissues
Published on: June 21, 2018
8.6K
