GAF-ResNet-MHSA:一种新的转移学习方法,用于在小样本数据集中的土壤营养预测
Hao Liang1, Kangyuan Zhong2, Yue Song3
1College of Mathematics and Computer Science, Zhejiang A&F University, Hangzhou, 311300, China; College of Engineering, China Agricultural University, Beijing, 100083, China; Institute of Modern Agriculture and Health Care Industry, Wencheng, 325300, China.
概括
这项研究引入了一种新的GAF-ResNet-MHSA转移学习方法,以使用近红外光谱 (NIR) 数据改善土壤营养预测. 该方法显著提高了准确性,克服了区域土壤分析中小样本大小的局限性.
科学领域:
- 农业科学 农业科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 近红外光谱 (NIR) 对于土壤营养分析至关重要,但面临着小样本大小和区域差异的挑战.
- 现有的模型往往表现出较低的预测准确度和过拟合,限制了它们的实际应用.
研究的目的:
- 开发一种新的转移学习方法,GAF-ResNet-MHSA,用于使用NIR光谱数据准确地预测土壤营养.
- 为了解决小样本大小的局限性,并改善不同土壤区域的模型概括性.
主要方法:
- 将NIR光谱数据转换为格拉米安角场 (GAF) 图像.
- 使用了一个修改后的ResNet34框架,包含一个多头注意力机制 (MHSA).
- 通过微调GAF-ResNet-MHSA模型与目标域样本进行应用转移学习.
主要成果:
- 小样本的初始模型的准确性有限 (例如,pH的R2为0.7575,SAP为0.7393).
- 该GAF-ResNet-MHSA转移学习方法显著提高了预测准确性 (例如,R2对于pH:0.8962,SAP:0.8110).
- 像RMSEp和RPD这样的关键性能指标显示出大幅度的改进,表明模型可靠性得到了增强.
结论:
- GAF-ResNet-MHSA转移学习方法有效地克服了小样本土壤光谱建模中的准确性问题.
- 这种创新方法证明了在土壤分析中有效的光谱转移学习的实际适用性和潜力.
