論文の概要: Rapid detection of soil carbonates by means of NIR spectroscopy, deep learning methods and phase quantification by powder Xray diffraction

• arxiv url: http://arxiv.org/abs/2307.12341v1
• Date: Sun, 23 Jul 2023 14:32:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 16:29:26.513228
• Title: Rapid detection of soil carbonates by means of NIR spectroscopy, deep learning methods and phase quantification by powder Xray diffraction
• Title（参考訳）: NIR分光法による土壌炭酸塩の迅速検出、深層学習法および粉末X線回折による相定量
• Authors: Lykourgos Chiniadis, Petros Tamvakis
• Abstract要約: FT NIR分光法と深層学習法を用いて土壌中の炭酸塩濃度を迅速かつ効率的に予測する方法を提案する。 1)回帰器、2)CNNなど複数の機械学習手法を利用して、それらの性能を従来のMLアルゴリズムと比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soil NIR spectral absorbance/reflectance libraries are utilized towards improving agricultural production and analysis of soil properties which are key prerequisite for agroecological balance and environmental sustainability. Carbonates in particular, represent a soil property which is mostly affected even by mild, let alone extreme, changes of environmental conditions during climate change. In this study we propose a rapid and efficient way to predict carbonates content in soil by means of FT NIR reflectance spectroscopy and by use of deep learning methods. We exploited multiple machine learning methods, such as: 1) a MLP Regressor and 2) a CNN and compare their performance with other traditional ML algorithms such as PLSR, Cubist and SVM on the combined dataset of two NIR spectral libraries: KSSL (USDA), a dataset of soil samples reflectance spectra collected nationwide, and LUCAS TopSoil (European Soil Library) which contains soil sample absorbance spectra from all over the European Union, and use them to predict carbonate content on never before seen soil samples. Soil samples in KSSL and in TopSoil spectral libraries were acquired in the spectral region of visNIR, however in this study, only the NIR spectral region was utilized. Quantification of carbonates by means of Xray Diffraction is in good agreement with the volumetric method and the MLP prediction. Our work contributes to rapid carbonates content prediction in soil samples in cases where: 1) no volumetric method is available and 2) only NIR spectra absorbance data are available. Up till now and to the best of our knowledge, there exists no other study, that presents a prediction model trained on such an extensive dataset with such promising results on unseen data, undoubtedly supporting the notion that deep learning models present excellent prediction tools for soil carbonates content.
• Abstract（参考訳）: 土壌のnirスペクトル吸収・反射性ライブラリーは農業生産の改善と農業的バランスと環境持続可能性の重要な前提条件である土壌特性の分析に活用されている。 特に炭酸塩は土壌の性質を表しており、気候変動による温暖な環境の変化によっても影響を受ける。 本研究では,FT NIR反射分光法と深層学習法を用いて土壌中の炭酸塩濃度を迅速かつ効率的に予測する方法を提案する。 我々は、次のような複数の機械学習手法を利用した。 1)MLPレシーバ及び 2) cnnをplsr、cubist、svmといった従来のmlアルゴリズムと比較すると、kssl(usda)、全国的に収集された土壌サンプル反射率スペクトルのデータセット、およびeu全域の土壌サンプル吸収スペクトルを含むlucas topsoil(ヨーロッパ土壌ライブラリ)の2つのnirスペクトルライブラリの複合データセット上で、それらのパフォーマンスが比較される。 KSSLおよびTopSoilスペクトルライブラリの土壌試料はvisNIRのスペクトル領域で得られたが,本研究ではNIRスペクトル領域のみが利用された。 X線回折による炭酸塩の定量は, 体積法, MLP予測とよく一致している。 本研究は, 土壌試料中の炭酸塩濃度の迅速予測に寄与する。 1)ボリュームメソッドは使用できません。 2)NIRスペクトル吸収データのみが利用可能である。 これまで、私たちの知る限りでは、このような広範囲なデータセットでトレーニングされた予測モデルが、目に見えないデータに対して有望な結果をもたらし、深層学習モデルが土壌の炭酸化に優れた予測ツールを提供するという概念を確実に支持する研究は、他にない。

関連論文リスト

• A text-based, generative deep learning model for soil reflectance spectrum simulation in the VIS-NIR (400-2499 nm) bands [1.6114012813668932]
  本稿では,土壌特性入力に基づく土壌反射スペクトルシミュレーションのためのデータ駆動型土壌光学生成モデル(SOGM)を提案する。 このモデルは、17のデータセットから約180,000の土壌スペクトル-プロパティペアからなる広範囲なデータセットに基づいて訓練される。 PROSAILのようなリモートセンシング研究に使用される土壌・植物放射線モデルと容易に統合できる。
  論文  参考訳（メタデータ） (2024-05-02T07:34:12Z)
• Prediction of soil fertility parameters using USB-microscope imagery and portable X-ray fluorescence spectrometry [3.431158134976364]
  本研究では, 可搬型蛍光X線分析法と土壌画像解析による土壌の高速肥育性評価について検討した。 インド東部の多様な農業気候帯から採取した1,133個の土壌サンプルを分析した。
  論文  参考訳（メタデータ） (2024-04-17T17:57:20Z)
• Inferring Atmospheric Properties of Exoplanets with Flow Matching and Neural Importance Sampling [10.847353970405285]
  大気の探査は、観測された光スペクトルから大気パラメータを推定することで外惑星を特徴づける。 ネストサンプリングのような従来の手法は計算コストが高く、機械学習(ML)に基づくソリューションへの関心を喚起する。 まず、新しいMLベースのAR手法として、フローマッチング後推定(FMPE)について検討し、その場合、神経後推定(NPE)よりも正確であることを示す。 次に、FMPEとNPEを併用して重要サンプリングを行い、どちらの手法も精度とシミュレーション効率においてネストサンプリングに優れることを示した。
  論文  参考訳（メタデータ） (2023-12-13T17:12:03Z)
• Hodge-Aware Contrastive Learning [101.56637264703058]
  単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。 我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
  論文  参考訳（メタデータ） (2023-09-14T00:40:07Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Retrieval of aboveground crop nitrogen content with a hybrid machine learning method [5.6740282691255075]
  ハイパースペクトル取得は、窒素(N)含有量を推定するための最も有益な地球観測データソースであることが証明されています。 過去には、この生化学植物成分に関する情報をキャノピー反射から得るために、経験的アルゴリズムが広く用いられてきた。 本研究では,物理ベースアプローチと機械学習回帰を組み合わせ,作物N含有量を推定するハイブリッド検索手法を提案する。
  論文  参考訳（メタデータ） (2020-12-07T13:06:59Z)
• Cycle-StarNet: Bridging the gap between theory and data by leveraging large datasets [0.0]
  現在のスペクトル分析の自動化手法は、(a)データ駆動であり、恒星パラメータと元素の存在量の事前の知識を必要とするか、(b)理論と実践のギャップに影響を受けやすい理論合成モデルに基づくかのいずれかである。 本研究では、シミュレーションされた恒星スペクトルを、教師なし学習を大規模分光サーベイに適用することにより、現実的なスペクトルに変換するハイブリッドな生成領域適応法を提案する。
  論文  参考訳（メタデータ） (2020-07-06T23:06:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。