.png){kind=icon}
返回
Robust Modeling and Feature Visualization for Small-Sample Soil LIBS Quantitative Analysis Using CNN
.png){kind=icon}
PRE
AI
DOI：10.46770/AS.2026.008.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
快速、准确地测定土壤元素含量对精准农业和盐碱地整治具有重要意义。激光诱导击穿光谱技术 (LIBS) 具有快速、多元素同时检测的优点，但在复杂土壤基质干扰和小样本建模条件下，容易出现定量精度不足和模型过拟合的问题，从而限制了模型的泛化能力。为了克服这些限制，本研究开发了基于1维卷积神经网络 (1D-CNN) 的定量回归模型。该模型直接利用原始LIBS光谱作为输入，自动提取多尺度光谱特征来预测土壤中Ca，Mg和Na的含量。10倍交叉验证结果表明，CNN模型在高浓度和低浓度范围内均表现出色。对于高浓度样品，R2？0.972，对于低浓度样品，R2？0.98。这证实了该模型在小样本的定量LIBS分析中具有较高的准确性和较强的泛化能力。它的整体性能明显优于随机森林 (RF) 和反向传播神经网络 (BPNN) 等比较模型。与梯度加权类激活映射 (grad-cam) 的进一步集成可以实现特征可视化，确认模型的焦点区域与元素特定的光谱线对齐，表明物理合理性。这项研究为小样本天然土壤的LIBS定量分析提供了一种高精度，可解释的建模方法。
Keyword:
INDUCED BREAKDOWN SPECTROSCOPY
