星星:土壤纹理分析识别器集成域自适应转移学习与NIR光谱学
Yuchen Luo1, Zeyuan Zhang1, Siyu Liu1
1School of Resources and Environment, University of Electronic Science and Technology of China, Chengdu, 611731, China.
一个新的土壤纹理分析识别器 (STAR) 使用近红外 (NIR) 光谱和深度学习进行准确的土壤分类. 这种智能设备克服了数据的局限性,在各种农业和环境应用中实现了精确的土壤分析.
科学领域:
- 土壤科学 土壤科学
- 频谱学是一种光谱学.
- 人工智能的人工智能
背景情况:
- 土壤质地对于农业和土地管理至关重要.
- 近红外 (NIR) 光谱为传统的土壤分析提供了一个快速,非破坏性的替代方案.
- 目前的NIR方法在模型概括和数据依赖方面面临挑战.
研究的目的:
- 介绍土壤纹理分析识别器 (STAR),这是一个基于NIR的智能设备,用于精确地分类土壤纹理.
- 开发一个适应领域的深度学习策略,以提高模型的概括性,减少跨领域的不一致性.
- 为了解决目前用于土壤分析的NIR光谱应用的局限性.
主要方法:
- 土壤纹理分析识别器 (STAR) 设备的开发.
- 实施基于转移学习的光谱预处理方法 (转移乘数分散校正 - TMSC).
- 利用选择性增强转移适应性提升 (SETAB) 框架来提高模型的适应性.
主要成果:
- 在5个土壤质地类别中,STAR实现了85.0%的整体分类准确率和0.78的卡帕系数.
- 成功识别了以前看不见的土壤类型,包括粘土沙 (100.0%) 和沙土 (66.7%).
- 证明了强大的概括能力和用于土壤质地分析的实际实用性.
结论:
- STAR设备及其域自适应深度学习策略在土壤质地分析方面取得了重大进展.
- 提出的方法提供了一个可行的解决方案,将深度学习辅助的光谱建模与现实世界的应用联系起来.
- STAR提供了一个可扩展的平台,用于更广泛的基于NIR的土壤性质测量.
更多相关视频
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
12:03Two-Dimensional Visualization and Quantification of Labile, Inorganic Plant Nutrients and Contaminants in Soil
Published on: September 1, 2020
相关概念视频
Applications of IR Spectroscopy: Overview
Attenuated Total Reflectance (ATR) Infrared Spectroscopy: Overview
The ATR process begins by directing a beam...
IR Frequency Region: Fingerprint Region
IR Spectrometers
Infrared (IR) Spectroscopy: Overview
Different compounds display unique properties due to their...
Raman Spectroscopy: Overview
However, a small fraction of the scattered light exhibits a frequency shift due to the exchange of energy between the incident photons and...
