基于3D-EEM和卷积神经网络的平原河流网络地区农业表面污染源的识别
Juan Huan1, Jialong Yuan2, Hao Zhang2
1School of Computer and Artificial Intelligence, School of Alibaba Cloud Big Data, School of Software, Changzhou University, Changzhou 213100, China
概括
一个新的RA-GoogLeNet模型使用光光谱数据准确识别农业有机污染. 这种方法提高了河流网络中的水质监测和可追溯性,保护生态系统和健康.
科学领域:
- 环境科学 环境科学
- 水质监测 水质监测
- 机器学习应用 机器学习应用
背景情况:
- 农业非点源严重污染了江南平原的河流网络.
- 这种污染威胁到水体,生态系统和人类健康,需要准确的识别方法.
研究的目的:
- 开发和评估一个新的网络模型,以准确识别农业有机污染.
- 为追踪水生环境中有机污染源提供技术支持.
主要方法:
- 提出了一个基于googlenet架构的RA-googLeNet模型,具有高效的道注意力 (ECA) 机制.
- 利用光光谱数据从长丹湖盆地农业非点源水质量.
- 集成的ResNet用于在网络内连接A接收模块.
主要成果:
- 该RA-GoogLeNet模型在光光谱分类水质方面实现了96.3%的准确性.
- 与基线模型相比,显示了1.2%的精度改善.
- 在召回和F1得分方面表现出强的表现,表明强大的分类能力.
结论:
- RA-GoogLeNet有效地使用光光谱数据识别农业有机污染.
- 该模型为水质评估和污染源可追溯性提供了一个强大的工具.
- 支持保护河流网络生态系统免受有机污染威胁.


