在基于激光诱导光的冰区的油污多条件分类
Chenyu Zhao1, Ying Li2, Qintuan Xu1
1Navigation College, Dalian Maritime University, 1 Linghai Road, Dalian, 116026, China.
Journal of fluorescence
|September 16, 2025
概括
这项研究提出了一种新的方法,用于识别冰的水中的石油泄漏,使用激光诱导光 (LIF) 和机器学习. 先进的模型实现了高精度,改善了寒冷地区的环境监测.
科学领域:
- 环境科学 环境科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 在冰冷的海洋环境中检测漏油是具有挑战性的,因为信号干扰和复杂的条件.
- 现有的方法在这种情况下缺乏高精度的油分类方法.
研究的目的:
- 开发一个强大的,基于光的框架,用于冰覆盖水域的多条件油分类.
- 为了提高石油泄漏检测和识别在充满挑战的极地环境中的准确性.
主要方法:
- 在四个模拟的冰/体积场景中收集了六种油类的激光诱导光 (LIF) 光谱.
- 应用于Savitzky-Golay (SG) 过,以消除光信号的噪声和稳定性.
- 开发了一种机器学习模型,该模型由金色正弦算法 (Gold-SA) 优化,用于分类.
主要成果:
- 黄金-SA-CatBoost模型在数据集上实现了99.62%的准确性,在单任务油标识方面达到100%.
- 与基线模型相比,该框架显示出更高的性能.
- 在各种冰覆盖和油量条件下成功分类了24个不同的类别.
结论:
- 将LIF光谱与Gold-SA优化的机器学习集成为在冰冷条件下检测漏油提供了可行的策略.
- 这种方法显著提高了寒冷和极地海洋地区的环境监测能力.
- 该研究解决了在复杂的,受冰影响的海洋生态系统中高精度油分类的需求.
关键词:
在 CatBoost 中使用 CatBoost.环境监测环境监测环境监测金正弦算法 黄金正弦算法被冰覆盖的海洋环境激光诱导的光是一种光效应.石油泄漏检测检测 石油泄漏的检测频谱分类 频谱分类 频谱分类更多相关视频
13:38Laser-Induced Fluorescence Emission L.I.F.E. as Novel Non-Invasive Tool for In-Situ Measurements of Biomarkers in Cryospheric Habitats
Published on: October 26, 2019
8.4K
08:02Author Spotlight: Innovative Ice Cream Melting Behavior Analysis Through a Computer Vision System
Published on: October 4, 2024
3.1K
