多尺度空间基于注意的多通道2D卷积网络用于土壤属性预测
Guolun Feng1, Zhiyong Li1, Junbo Zhang1
1College of Information Engineering, Sichuan Agricultural University, Ya'an 625014, China.
Sensors (Basel, Switzerland)
|July 27, 2024
概括
这项研究引入了一种新的卷积神经网络模型,用于使用可见近红外光谱 (VNIR) 数据精确地预测土壤属性. 先进的模型显著提高了确定土壤有机碳,碳酸和含量的准确性.
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:
- 可见近红外光谱 (VNIR) 提供快速,经济高效的土壤分析.
- 目前的VNIR土壤预测模型在许多应用中缺乏足够的准确性.
研究的目的:
- 使用VNIR数据开发一个高精度的土壤属性预测模型.
- 增强从光谱数据中提取特征,以改进土壤分析.
主要方法:
- 利用格拉米安角场 (GAF) 方法从VNIR光谱创建2D多通道输入.
- 开发了一个具有多尺度空间注意力机制的卷积神经网络 (CNN).
- 将模型应用于卢卡斯光谱数据集,用于预测七种土壤特性.
主要成果:
- 与现有方法相比,拟议的CNN模型表现出优越的性能.
- 对于有机碳 (0.955),碳酸 (0.961), (0.933) 和pH (0.927) 的高精度 (R2值) 已实现.
- 成功预测了其他属性,包括CEC (0.803),粘土 (0.86) 和沙子含量 (0.789).
结论:
- 新的CNN模型有效地从VNIR数据中提取空间上下文信息.
- 这种方法大大提高了各种土壤属性的精确检测.
- 这些发现有助于更准确的土壤监测和管理策略.
