ty -jour a2 -Herrera，Luis Javier au -Xu，Zhe au -Zhao，小米au -guo，xi au -guo，juo，jiaxin py -2019 da -2019/2019/11/29 ti-深度学习申请通过Vis -NIR光谱SP -3563761 VL -2019 AB-深度学习的特征是其具有强大的数据特征提取能力。在将SOM含量与土壤的光谱反射呈负相关的情况下，该方法将其应用于可见和近红外光谱时可以提供独特的优势。这项研究依赖于248种红土样品的SOM含量数据及其在江西省风水县（中国）的400–2450 nm的光谱反射率数据达到了三个目标。首先，使用多层感知器和两个卷积神经网络（Lenet5和densenet10）根据光谱变化和可变选择来预测SOM含量，并将结果与​​传统的后传播神经网络（BPN）进行了比较。其次，将四种方法应用于全光谱建模，以测试所选特征变量的差异。最后，使用光谱反射率数据评估了直接建模的潜力，而没有任何光谱变化。预测准确性的结果表明，与传统BPN相比，深度学习在预测SOM含量方面的表现更好。基于全光谱数据，深度学习能够获得更多的功能信息，从而比通过可变选择获得的结果更好，更稳定（即，平均准确性和标准偏差相似的平均准确性和较低的标准偏差）。Densenet实现了最佳的预测结果，并确定系数（ r ²）= 0.892±0.004，验证的偏差比（RPD）= 3.053±0.056。基于densenet，光谱反射数据（没有光谱变化）的应用为应用程序级的目的产生了可靠的结果（验证 r ² = 0.853 ± 0.007 and validation RPD = 2.639 ± 0.056). In conclusion, deep learning provides an effective approach to predict the SOM content by visible and near-infrared spectroscopy and DenseNet is a promising method for reducing the amount of data preprocessing. SN - 1687-5265 UR - https://doi.org/10.1155/2019/3563761 DO - 10.1155/2019/3563761 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -