一种基于热重力测量分析时间序列特征的烟草种植区分类模型

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 数据科学数据科学数据科学

背景情况:

• 烟草种植面积对生物质产生重大影响,需要准确的识别方法.
• 地理位置,土壤,环境和气候是影响烟草生物质的关键因素.
• 有效地分类烟草种植地区对于质量控制和产品差异化至关重要.

研究的目的:

• 开发一个新的烟草种植区分类模型,使用热重力测量分析 (TGA) 的时间序列特征.
• 利用深度学习,特别是卷积神经网络 (CNN) 和长期短期记忆 (LSTM),用于分析衍生热重力测量 (DTG) 数据.
• 在DTG数据中发现时间序列属性和温度依赖关系,以准确地对烟草进行地理分类.

主要方法:

• 从十个省份收集了375个烟草样本.
• 应用了CNN-LSTM组合模型来处理DTG数据,提取本地特征 (CNN) 和长期依赖 (LSTM).
• 评估模型性能与支持矢量机 (SVM) 基线相比,考虑数据集挑战,如有限的样本,类多样性和不平衡.

主要成果:

• 在测试组中获得了86.4%的准确性,显著超过SVM模型68.2%的准确性.
• 确定了与烟草热解成分 (挥发性物质,半纤维素,纤维素,素,CaCO3) 相关的关键温度范围,这对于分类至关重要.
• 证明了模型的稳定性,尽管数据集的局限性.

结论:

• 根据TGA数据,CNN-LSTM模型有效地对烟草种植地区进行了分类,比传统方法有了显著的改进.
• 识别的热解温度范围为与生长区域相关的化学成分提供了洞察力.
• 这种方法为使用地理标签准确定义烟草风格和质量,增强差异化和控制提供了基础.