研究者

预测物

项目特点

唐永生 [11]

土壤pH值

为消除光谱中存在的基线漂移，提高信噪比，对原始可见光近红外光谱(400~2500 nm)进行一阶导数和Savitzky-Golay平滑处理，采用ReLU激活函数及Adam优化器防止模型出现梯度消失现象。

王璨 [13]

土壤含水率

将处理后的光谱数据变换为二维光谱信息矩阵，以适应CNN模型特殊的深度学习结构，并保持原数据的特征信息和空间关联性。通过局部连接和权值共享的网络结构减少自由参数，提升模型泛化能力。

谭建灿 [14]

土壤含水率

深度学习卷积神经网络方法应用于被动微波土壤水分反演问题。将AMSR2亮温数据和地面同步观测数据随机分成训练和测试数据库，构建卷积神经网络模拟被动微波的辐射传输过程，对地表土壤水分进行反演。

唐永生 [3]

土壤含氮量

使用一阶求导和多元散射校正对光谱数据进行预处理，消除基线漂移和其他噪声干扰，将一维光谱信号转换为二维光谱矩阵，为减少模型的过拟合现象，提高模型的性能，对模型的卷积层及全连接层分别使用批量正则化和dropout技术。