基于机器学习的Camellia japonica种植物识别的光谱分析
Pedro Miguel Rodrigues1, Clara Sousa1
1CBQF-Centro de Biotecnologia e Química Fina-Laboratório Associado, Escola Superior de Biotecnologia, Universidade Católica Portuguesa, Rua de Diogo Botelho 1327, 4169-005 Porto, Portugal.
Molecules (Basel, Switzerland)
|February 13, 2025
概括
准确识别Camellia japonica品种是非常重要的. 这项研究表明,富里埃变换红外光谱法 (FTIR) 与特定的机器学习方法相结合,可以在品种歧视中实现100%的准确性.
科学领域:
- 植物科学 植物科学
- 分析化学 分析化学
- 机器学习 机器学习
背景情况:
- 莉花 (Camellia japonica) 是一个具有文化和生物学意义的植物物种,有数千种品种.
- 由于杂交,准确识别C. japonica品种是必不可少的.
- 红外光谱是植物识别的公认方法,但分析工具对准确性有很大影响.
研究的目的:
- 评估基于机器学习的两种不同的方法对歧视C. japonica品种的影响.
- 为了比较近红外 (NIR) 和富里埃变换红外 (FTIR) 光谱仪在品种识别方面的有效性.
主要方法:
- 从15种C. japonica品种 (38种植物) 的叶子中分析了红外光谱 (NIR和FTIR).
- 应用了两种机器学习方法,每种方法结合了特征选择和分类.
- 光谱预处理,特征选择和化学测量模型是分析的关键组成部分.
主要成果:
- 方法1在使用NIR光谱的C. japonica品种预测中获得了81.3%的准确性.
- 方法2通过FTIR光谱学数据实现了完美的100.0%准确性,用于用FTIR光谱学数据分配种类.
- 方法2也改善了NIR数据结果,正确预测增加了近13%.
结论:
- 数据分析方法的选择对红外光谱学用于C. japonica品种识别的准确性产生重大影响.
- 与优化机器学习 (方法2) 结合的FTIR光谱学可提供高度准确的品种歧视.
- 普遍的数据分析方法是不可行的,即使对于类似的分析技术和数据集.
