Ансамблевый метод обучения на основе суммирования для прогнозирования доступного азота в почве с помощью портативного микроспектрометра ближнего инфракрасного диапазона

Wan M.; Jin X.; Han Y.; Wang L.; Li S.; Rao Y.; Zhang X.; Gao Q.

Ансамблевый метод обучения на основе суммирования для прогнозирования доступного азота в почве с помощью портативного микроспектрометра ближнего инфракрасного диапазона

Wan M. , Jin X. , Han Y. , Wang L. , Li S. , Rao Y. , Zhang X. , Gao Q.

2022

Для разработки надежной и точной модели доступного в почве азота используются спектроскопия в ближнем ИК-диапазоне (БИК) почвы и данные об азоте. Спектральная отражательная способность образцов почвы изучена в диапазоне 900—1700 нм с помощью девяти методов предварительной обработки с использованием портативного микроБИК-спектрометра. Экстремальное повышение градиента (XGBoost), категориальное повышение (CatBoost), машина повышения градиента света (LightGBM) и случайный лес, которые представляют собой древовидные алгоритмы, сложены в виде базовых моделей. Линейная регрессия используется в метамодели для определения уникального шаблона обучения базовой модели. Результаты показывают, что диапазон и характеристики спектров можно использовать для соответствующих прогнозов, а спектры микро-БИК меняются при различных предварительных обработках. Многослойная модель обеспечивает наилучшую производительность среди всех протестированных моделей. Коэффициент детерминации R2 = 0.942, относительная процентная разница RPD = 4.192 с коррекцией Савицкого–Голея и мультипликативным рассеянием.

Wan M. , Jin X. , Han Y. , Wang L. , Li S. , Rao Y. , Zhang X. , Gao Q. Ансамблевый метод обучения на основе суммирования для прогнозирования доступного азота в почве с помощью портативного микроспектрометра ближнего инфракрасного диапазона. Журнал прикладной спектроскопии. 2022;89(6):907.

Цитирование

Список литературы

1. X. Mu, Y. Chen, Plant Physiol. Biochem., 158, 76–82 (2021).

2. X. Wang, J. Fan, Y. Xing, G. Xu, H. Wang, J. Deng, Y. Wang, F. Zhang, P. Li, Z. Li, Adv. Agronomy, 153, 121–173 (2019).

3. T. Terhoeven-Urselmans, H. Schmidt, R. G. Joergensen, B. Ludwig, Soil Biol. Biochem., 40, N 5, 1178–1188 (2008).

4. R. V. Rossel, R. Webster, Eur. J. Soil Sci., 63, N 6, 848–860 (2012).

5. R. V. Rossel, S. R. Cattle, A. Ortega, Y. Fouad, Geoderma, 150, N 3-4, 253–266 (2009).

6. B. Stenberg, R. A. V. Rossel, A. M. Mouazen, J. Wetterlind, Adv. Agronomy, 107, 163–215 (2010).

7. S. Nawar, A. M. Mouazen, Sensors, 17, N 10, 2428 (2017).

8. T. Leng, F. Li, Y. Chen, L. Tang, J. Xie, Q. Yu, Meat Sci., 180, 108559 (2021).

9. M. Knadel, L. W. de Jonge, M. Tuller, H. U. Rehman, P. W. Jensen, P. Moldrup, M. H. Greve, E. Arthur, Vadose Zone J., 19, N 1, e20007 (2020).

10. V. Ulissi, F. Antonucci, P. Benincasa, M. Farneselli, G. Tosti, M. Guiducci, F. Tei, C. Costa, F. Pallottino, L. Pari, Sensors, 11, N 6, 6411–6424 (2011).

11. Y. Shao, Y. He, Soil Res., 49, N 2, 166–172 (2011).

12. J. Tang, J. Liang, C. Han, Z. Li, H. Huang, Accident Analysis & Prevention, 122, 226–238 (2019).

13. H.-C. Yi, Z.-H. You, M.-N. Wang, Z.-H. Guo, Y.-B. Wang, J.-R. Zhou, BMC Bioinformatics, 21, N 1, 1–10 (2020).

14. F. Liu, R. Zhao, L. Shi, arXiv preprint arXiv, 2103, 13124 (2021).

15. Å. Rinnan, F. V. D. Berg, S. B. Engelsen, TrAC Trends Anal. Chem., 28, N 10, 1201–1222 (2009).

16. A. Savitzky, M. J. Golay, Anal. Chem., 36, N 8, 1627–1639 (1964).

17. S. Nawar, H. Buddenbaum, J. Hill, J. Kozak, A. M. Mouazen, Soil and Tillage Res., 155, 510–522 (2016).

18. R. J. Barnes, M. S. Dhanoa, S. J. Lister, Appl. Spectr., 43, N 5, 772–777 (1989).

19. T. Isaksson, T. Næs, Appl. Spectr., 42, N 7, 1273–1284 (1988).

20. A. Peirs, A. Schenk, B. M. Nicolaı̈, Postharvest Biology and Technology, 35, N 1, 1–13 (2005).

21. M. S. Askari, J. Cui, S. M. O’Rourke, N. M. Holden, Soil and Tillage Res., 146, 108–117 (2015).

22. H. Liang, M. Zhang, C. Gao, Y. Zhao, Sensors, 18, N 6, 1963 (2018).

23. X. Jin, L. Wang, W. Zheng, X. Zhang, L. Liu, S. Li, Y. Rao, J. Xuan, Measurement, 110553 (2021).

24. A. Gholizadeh, L. Borůvka, M. M. Saberioon, J. Kozak, R. Vašát, K. Němeček, Soil and Water Res., 10, N 4, 218–227 (2015).

25. Y. Sun, M. Yuan, X. Liu, M. Su, L. Wang, Y. Zeng, H. Zang, L. Nie, Microchem. J., 159, 105492 (2020).

26. J. Duckworth, Near‐Infrared Spectrosc. Agric., 44, 113–132 (2004).

27. M. S. Dhanoa, S. J. Lister, R. Sanderson, R. J. Barnes, J. Near Infrared Spectrosc., 2, N 1, 43–47 (1994).

28. B. M. Nicolai, K. Beullens, E. Bobelyn, A. Peirs, W. Saeys, K. I. Theron, J. Lammertyn, Postharvest Biology and Technology, 46, N 2, 99–118 (2007).

29. A. Wagner, S. Hilgert, T. Kattenborn, S. Fuchs, Water Supply, 19, N 4, 1204–1211 (2019).

30. S. Katuwal, M. Knadel, T. Norgaard, P. Moldrup, M. H. Greve, L. W. de Jonge, Geoderma, 361, 114080 (2020).

31. J.-H. Cheng, D.-W. Sun, Food Eng. Rev., 9, N 1, 36–49 (2017).

32. M. H. D. M. Ribeiro, L. dos Santos Coelho, Appl. Soft Computing, 86, 105837 (2020).

33. X. Luo, L. Xu, P. Huang, Y. Wang, J. Liu, Y. Hu, P. Wang, Z. Kang, Agriculture, 11, N 7, 673 (2021).

34. T. Chen, C. Guestrin, Proc. 22nd ACM SIGKDD Int. Conf. Knowledge Discovery and Data Mining, 785–794 (2016).

35. L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, A. Gulin, arXiv preprint arXiv, 1706, 09516 (2017).

36. G. Ke, Q. Meng, T. Finley, T. Wang, W. Chen, W. Ma, Q. Ye, T.-Y. Liu, Adv. Neural Information Proc. Systems, 30, 3146–3154 (2017).

37. L. Breiman, Machine Learning, 45, N 1, 5–32 (2001).

38. Y. Li, Y. Lei, P. Wang, M. Jiang, Y. Liu, Appl. Soft Computing, 101, 107003 (2021).

39. T. Wu, W. Zhang, X. Jiao, W. Guo, Y. Alhaj Hamoud, Computers and Electron. Agric., 184 (2021).

40. E. Al Daoud, Int. J. Computer and Information Engineering, 13, N 1, 6–10 (2019).

41. R. Zornoza, C. Guerrero, J. Mataix-Solera, K. Scow, V. Arcenegui, J. Mataix-Beneyto, Soil Biol. Biochem., 40, N 7, 1923–1930 (2008).

42. L. C. Lee, C.-Y. Liong, A. A. Jemain, AIP Conference Proceedings (AIP Publishing LLC, 020116 (2018).

43. S. Chen, H. Xu, D. Xu, W. Ji, S. Li, M. Yang, B. Hu, Y. Zhou, N. Wang, D. Arrouays, Geoderma, 400, 115159 (2021).

44. C. H. Bazoni, E. I. Ida, D. F. Barbin, L. E. Kurozawa, J. Stored Prod. Res., 73, 1–6 (2017).

45. Y. Hong, S. Chen, Y. Liu, Y. Zhang, L. Yu, Y. Chen, Y. Liu, H. Cheng, Y. Liu, Catena, 174, 104–116 (2019).

46. W. Ni, L. Nørgaard, M. Mørup, Anal. Chim. Acta, 813, 1–14 (2014).

47. A. Kartakoullis, J. Comaposada, A. Cruz-Carrión, X. Serra, P. Gou, Food Chem., 278, 314–321 (2019).

48. W. Ji, R. Viscarra Rossel, Z. Shi, Eur. J. Soil Sci., 66, N 3, 555–565 (2015).

49. E. W. Ciurczak, Pract. Spectrosc. Ser., 27, 7–18 (2001).

50. M. Haest, T. Cudahy, C. Laukamp, S. Gregory, Economic Geology, 107, N 2, 209–228 (2012).

Источник

Информация

Автор

Wan M. Аньхойский сельскохозяйственный университет; Колледж информации и компьютерных наук Аньхойского сельскохозяйственного университета
Jin X. Аньхойский сельскохозяйственный университет; Колледж информации и компьютерных наук Аньхойского сельскохозяйственного университета
Han Y. Аньхойский сельскохозяйственный университет; Колледж информации и компьютерных наук Аньхойского сельскохозяйственного университета
Wang L. Аньхойский сельскохозяйственный университет; Колледж информации и компьютерных наук Аньхойского сельскохозяйственного университета
Li S. Аньхойский сельскохозяйственный университет; Колледж информации и компьютерных наук Аньхойского сельскохозяйственного университета
Rao Y. Аньхойский сельскохозяйственный университет; Колледж информации и компьютерных наук Аньхойского сельскохозяйственного университета
Zhang X. Аньхойский сельскохозяйственный университет; Колледж информации и компьютерных наук Аньхойского сельскохозяйственного университета
Gao Q. Аньхойский сельскохозяйственный университет; Колледж информации и компьютерных наук Аньхойского сельскохозяйственного университета

Страницы

Год издания

2022

Ключевые слова

Коллекции

Журнал прикладной спектроскопии

Похожие публикации

Источник

Информация