一个基于自我注意机制的新型动态合奏模型,用于土壤超谱预测

科学领域:

• 土壤科学 土壤科学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 可见近红外 (VNIR) 光谱技术提供了快速,非破坏性的土壤有机物 (SOM) 检测.
• 准确的SOM预测取决于有效的算法模型,特别是权重平均组合模型 (WAEM).
• 标准的WAEM方法在最佳基础学习者重量分配方面扎,导致偏差的重量和低于最佳的表现.

研究的目的:

• 通过优化基础学习者权重来提高SOM预测的WAEM性能.
• 通过使用培训过程信息,研究动态重量分配的新方法.
• 为了评估自我注意机制 (Sam) 在提高WAEM准确性的有效性.

主要方法:

• 开发了七种方法,以使用培训过程信息来确定最佳的WAEM重量,包括强化学习和Sam.
• 利用动态数据结构实时更新704个土壤样本的重量从塔林河流域.
• 与传统的评价指数方法进行性能比较.

主要成果:

• 包含培训过程信息的六种WAEM方法的表现优于传统方法.
• WAEM根平均平方误差 (RMSE) 减少了0.028-1.279gkg-1 ,并且相关系数 (R2) 增加了高达0.06.
• 萨姆获得了最高的表现 (R²=0.927,RMSE=2.325 g kg^-1),模型R²在26个基础学习者之间趋同.

结论:

• 动态WAEM重量分配使用训练过程信息,特别是Sam,显著提高SOM预测的准确性.
• 这种方法为推进基于红外线的土壤监测提供了坚实的基础.
• 优化基础学习者权重对于最大限度地发挥集体模型在光谱分析中的潜力至关重要.