El aprendizaje profundo se caracteriza por su gran capacidad de extracción de características de los datos. Este método puede proporcionar ventajas únicas cuando se aplica a la espectroscopia visible e infrarroja cercana para predecir el contenido de materia orgánica del suelo (SOM) en aquellos casos en los que el contenido de SOM está correlacionado negativamente con la reflectancia espectral del suelo. Este estudio se basó en los datos de contenido de SOM de 248 muestras de suelo rojo y sus datos de reflectancia espectral de 400-2450 nm en el condado de Fengxin, provincia de Jiangxi (China) para cumplir tres objetivos. En primer lugar, se utilizó un perceptrón multicapa y dos redes neuronales convolucionales (LeNet5 y DenseNet10) para predecir el contenido del SOM basándose en la variación espectral y la selección de variables, y los resultados se compararon con los de la red neuronal de retropropagación tradicional (BPN). En segundo lugar, se aplicaron los cuatro métodos al modelado de espectro completo para comprobar la diferencia con las variables de características seleccionadas. Por último, se evaluó el potencial del modelado directo utilizando datos de reflectancia espectral sin ninguna variación espectral. Los resultados de la precisión de la predicción mostraron que el aprendizaje profundo se desempeñó mejor en la predicción del contenido del SOM que el BPN tradicional. Basándose en datos de espectro completo, el aprendizaje profundo fue capaz de obtener más información de características, logrando así resultados mejores y más estables (es decir, una precisión media similar y una desviación estándar mucho menor) que los obtenidos mediante la selección de variables. DenseNet logró el mejor resultado de predicción, con un coeficiente de determinación (R2) = 0,892 ± 0,004 y una relación entre rendimiento y desviación (RPD) = 3,053 ± 0,056 en la validación. Sobre la base de DenseNet, la aplicación de datos de reflectancia espectral (sin variación espectral) produjo resultados robustos para fines de aplicación (R2 de validación = 0,853 ± 0,007 y RPD de validación = 2,639 ± 0,056). En conclusión, el aprendizaje profundo proporciona un enfoque eficaz para predecir el contenido de SOM por espectroscopia visible e infrarroja cercana y DenseNet es un método prometedor para reducir la cantidad de preprocesamiento de datos.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Caracterización de un dispositivo electrocrómico de WO3 poroso mediante espectroscopia de impedancia electroquímica
Artículo:
Aplicación de la Varianza de Allan Dinámica Rápida Mejorada para la Caracterización del Giroscopio MEMS en UAV
Artículo:
Interacción de la mezcla de polímeros verdes de alginato sódico modificado y carboximetilcelulosa con la encapsulación de extracto de cúrcuma
Artículo:
Influencia de la nanohidroxiapatita en las propiedades térmicas, mecánicas y tribológicas de los nanocompuestos de polioximetileno
Artículo:
Transistor de efecto de campo de canal de grafeno para recipientes de líquido como sensor de pH
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.