Resumen

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.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:datos de reflectancia espectral, contenido som, aprendizaje profundo, variación espectral, selección de variables, espectroscopia infrarroja, variable de características seleccionadas, capacidad de los datos, mejores resultados de predicción, relación de rendimiento
• Keywords:spectral reflectance data, som content, deep learning, spectral variation, variable selection, infrared spectroscopy, selected features variable, ability of data, best prediction results, ratio of performance