一种深度学习方法用于从土壤高光谱数据中检测和表征.
Chundi Ma1, Xinhang Xu1, Min Zhou1
1School of Resources and Safety Engineering, Central South University, Changsha 410083, China.
Toxics
|May 24, 2024
概括
一种新的深度神经网络 (DNN) 模型使用高光谱数据准确预测土壤 (Cr) 水平. 这种高效的方法为环境监测提供了比传统的实验室分析更快,更具成本效益的替代方案.
科学领域:
- 环境科学 环境科学
- 土壤科学 土壤科学
- 数据科学数据科学数据科学
背景情况:
- 土壤中高 (Cr) 含量存在重大环境和人类健康风险.
- 传统的Cr分析实验室方法昂贵且耗时,需要有效的替代方法.
研究的目的:
- 开发一个高度准确和可通用的深度神经网络 (DNN) 模型,用于使用超光谱数据预测土壤Cr含量.
- 为了确定影响Cr检测的关键超谱波段和土壤特性.
主要方法:
- 在土地利用和覆盖面积框架调查 (LUCAS) 数据集中应用了深度神经网络 (DNN) 方法.
- 优化了用于Cr检测的光谱预处理技术和DNN超参数.
- 利用变的重要性和局部可解释的模型不可知解释 (LIME) 来识别敏感的超频谱波段.
主要成果:
- 最佳的DNN模型在土壤Cr检测方面取得了强大的预测性能,测试组的相关系数为0.79.
- 确定了四个关键的超光谱波段 (400-439,1364-1422,1862-1934,和2158-2499 nm) 对Cr.高度敏感.
- 发现土壤中氧化铁和粘土矿物质含量是影响土壤Cr水平的重要因素.
结论:
- 该研究提出了一种可行且快速的方法,用于从超光谱数据中确定土壤Cr含量.
- 开发的DNN模型证明了Cr检测的良好通用性和准确性.
- 这种方法对未来大规模的土壤Cr监测应用有潜力.
