.png){kind=icon}
返回
Machine Learning Models for Soil Moisture Estimation Using Spectrometry
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-96-7496-1_37.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
土壤含水量的识别对于农业、建筑和环境监测等领域的多种应用至关重要。传统的湿度检测方法通常涉及劳动密集型过程和专用设备，这些方法可能具有侵入性、耗时且成本高昂。本研究探讨了使用通过可见光和近红外（NIR）光谱（波长范围为400至1000 nm）的多光谱传感器获取的光谱数据，用于快速准确地识别土壤和沙样中的含水量。传感器利用片上滤波技术将多达八个波长选择性的光电二极管集成到紧凑的9 x 9 mm阵列中，促进了更简单、更小型光学设备的发展。神经网络模型由输入层、一个隐藏层和输出层组成，使用Tensorflow和Keras库开发。该模型使用Adam优化器和稀疏分类交叉熵损失函数进行训练，共进行35个epoch，批次大小为16。结果表明，神经网络模型和适当的分类器可以根据给定数据集成功将土壤含水量水平分为4个不同类别，展示了其作为传统土壤含水量测量技术的低成本、高效替代方案的潜力。
Keyword:
Soil moisture classification
Spectrometry data
Neural network
Classifier
期刊
S
IF:
0
论文数:
414
被引数:
0
机构
引用论文
Machine learning and soil sciences: a review aided by machine learning tools机器学习与土壤科学: 机器学习工具辅助的综述.png)
SOIL
OAAI
SOILIF4.3
OAAI分享收藏Using singular spectrum analysis and empirical mode decomposition to enhance the accuracy of a machine learning-based soil moisture forecasting使用奇异谱分析和经验模式分解来提高基于机器学习的土壤水分预测的准确性
PREAI
分享收藏Feature Variable Selection Based on VIS-NIR Spectra and Soil Moisture Content Prediction Model Construction基于VIS-NIR光谱的特征变量选择与土壤含水量预测模型的构建
OAAI
OAAI分享收藏
查看更多内容