实现堆叠集团机器学习,通过LIBS检测土壤中的替代污染
Applied optics
|August 12, 2025
概括
机器学习增强了原子光谱,用于检测土壤中的二氧化 (CeO2) 等替代的替代物. 随机森林和堆叠组合为核污染物分析提供高灵敏度和精度.
科学领域:
- 分析化学 分析化学
- 环境科学 环境科学
- 核科学 核科学 核科学
背景情况:
- 监督机器学习 (ML) 越来越多地用于在原子光谱学中量化类和类元素.
- 在环境矩阵中精确检测核材料,如替代品,对于安全和保障至关重要.
研究的目的:
- 实施激光诱导分解光谱学 (LIBS) 结合ML用于在土壤中识别和量化二氧化 (CeO2),一种代物.
- 评估不同ML模型的性能,特别是组合方法,用于此检测任务.
主要方法:
- 激光诱导分解光谱学 (LIBS) 用于从含有CeO2的土壤样本中获取光谱数据.
- 监督的ML算法,包括随机森林 (包装组合) 和堆叠组合回归,在光谱数据上进行训练.
- 性能指标,如灵敏度,检测极限和预测错误被用于评估模型.
主要成果:
- 使用Random Forest的袋装组合获得了最高的灵敏度,检测极限为0.015重量%CeO2.
- 一个堆叠集团回归模型为Ce含量预测提供了更高的精度,产生了0.107%的误差和0.022%的检测极限.
- 堆叠组合显示出对准确和敏感的核污染物检测有很大的潜力.
结论:
- 集体ML方法,特别是堆叠集体,显著提高了LIBS在检测土壤中CeO2等核污染物的准确性和灵敏性.
- 这些发现凸显了可在现场部署的光谱分析仪的潜力,这些分析仪由先进的ML驱动,可用于现实环境监测和安全应用.


