本研究探讨了便携式 X 射线荧光光谱法和土壤图像分析在快速评估土壤肥力方面的应用，重点关注可利用的硼、有机碳、可用锰、可用硫和硫可利用性指标等关键参数。通过分析来自东印度不同农业气候区的 1,133 个土壤样本，研究采用了随机森林模型将显微土壤图像的颜色和纹理特征、PXRF 数据和辅助土壤变量 (AVs) 进行结合。结果表明，将图像特征 (IFs) 与辅助变量 (AVs) 相结合，能显著提高可利用硼 (R^2 = 0.80) 和有机碳 (R^2 = 0.88) 的预测准确性。数据融合方法进一步提高了可用锰和硫可利用性指标的预测准确性，R^2 分别为 0.72 和 0.70。该研究展示了这些综合技术有潜力提供快速、经济的土壤测试选项，开发更精密的预测模型，更好地理解土壤的肥力和健康状况。未来的研究应集中在应用更大规模的土壤图像数据集和更广泛的农业气候区域的土壤开展深度学习模型的应用。

Apr, 2024

皮肤病变、近红外光谱、机器学习算法、分类和自动辅助诊断是本研究的关键词，旨在利用近红外光谱数据对皮肤病变进行自动分类的机器学习算法进行研究及分析。

Jan, 2024

本文报道了一种使用卷积神经网络 (CNN) 对金属 - 有机框架 (MOFs) 实验 X-ray 衍射谱进行快速识别的方法，并使用数据增强技术对模型进行训练，进而实现其自主分析数据，打开了使用不同物料的 XRD 谱进行识别的众多潜在应用的可能，并为自主分析其他表征工具（如 FTIR，拉曼和 NMR）的数据铺平了道路。

Dec, 2019

设计了一种基于深度学习和概率算法的新型自动合成无机材料的方法，可在高通量和自主发现无机材料的工作流程中使用，具有出色性能和准确度。

Mar, 2021

利用机器学习，特别是卷积神经网络 (CNN)，从钻井岩心图像分析中评估岩性和矿物含量的潜力，并提供了全面的方法论，展示了 96.7% 的岩心分割分类准确率，并验证了该方法在矿物含量评估上与实验室检测结果相当。

Mar, 2024

通过多光谱卫星数据，提出了基于 Fourier 神经算子和 DenseNet 的 FNO-DenseNet 方法，有效估计土壤有机碳 (SOC) 含量，优于传统机器学习方法，并在均方绝对百分比误差方面比基于像素的随机森林高出 18%。

Nov, 2023

基于土壤属性输入的全数据驱动土壤光学生成模型（SOGM）开发了一个可模拟土壤反射光谱的模型，可以生成基于部分输入属性的输出光谱，并可与植物建模软件 Helios 3D 耦合以生成模拟土壤和植物场景的合成航拍图像，可轻松集成于 PROSAIL 等用于遥感研究的土壤植物辐射模型。

May, 2024

使用基于机器学习的高分辨率脉冲触发波雷达（SFCW）测量结合地质雷达（GPR）仪器，对应用于农业环境中提取土壤参数的方法进行了广泛的研究，结果表明该方法可在根部深度上以成本效益较高的方式提供深度分辨的土壤参数。

Apr, 2024

通过使用高光谱成像技术进行非破坏性分析，本文旨在解决威士忌酿造中保持泥炭利用效率的问题。结果表明，短波红外数据对于分析泥炭样本和预测总酚水平更为有效，准确率高达 99.81%。

May, 2024

本研究的目标是使用集成特征选择方法，在来自 150 株葡萄藤的 3,000 多张叶片的高光谱数据中，确定检测葡萄叶片中氮含量的最佳波段，最终确认了紫外、黄橙色和短波红外波段对于远程探测葡萄氮素具有潜在意义，并对应用于其他领域的多光谱传感器设计提出了建议。

Oct, 2020