Apr, 2024

利用基于机器学习的步频 GPR 现场测量进行土壤分析：初步研究

PDF
TL;DR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。
ground penetrating radarmachine learningsfcw radarsoil parametersagriculture
发现论文，激发创造
  • 基于贝叶斯推理的 GPR 波形反演技术用于考虑不确定性的地下物质表征

    通过基于贝叶斯模型更新的地下探地雷达 (GPR) 波形反演方法，该研究提出了一种准确预测土壤和土壤上面的覆盖材料的含水量和深度等地下特性的方法，并通过实验数据验证了其有效性。

    Dec, 2023

  • 在法国路面中应用 SVM 方法对 GPR 数据进行分类以识别粘结层特性的几种变体：两个实验案例研究

    应用机器学习方法对地下探测雷达进行反演，通过两个实验案例验证了支持向量机和支持向量回归方法在分类和估计填充层沥青乳化剂成分方面的有效性。

    Dec, 2023

  • 利用地面探测雷达和高斯过程回归技术绘制埋藏电缆地图

    该论文提出了一种基于地下探地雷达和高斯过程回归的新方法找寻埋藏电缆的位置，并提出了基于聚类和高斯过程回归的电缆拟合算法，通过实验验证了该方法的有效性。

    Jan, 2022

  • 物理引导下的地球物理监测生成式人工智能工具包

    借助物理原理指导的扩散模型，引入 EdGeo 工具包生成高保真速度图，用于微调精简机器学习模型；实验证明，使用 EdGeo 生成的数据进行微调可获得优质速度图，尤其适合表示特殊特征，优于其他现有方法。

    Jan, 2024

  • 使用合成数据微调 CNN，提高 GPR 图像的异常检测能力

    提出了一种基于预训练卷积神经网络的综合数据和一分类学习算法的地下物体检测方法。该方法通过采集探测区域的正常 GPR 图像和模拟包含不同物体类型的 GPR 图像来生成综合数据，用于微调卷积神经网络，进而提取探测区域内的地下物体特征并进行分类，无需预先设置地下物体类型和数量。实验表明，该方法能够有效提高卷积神经网络对探测区域内物体的特征提取能力，并且满足实际应用中的及时性要求。

    Oct, 2022

  • 利用组合的基于 USB 显微镜的土壤图像、辅助变量和便携式 X 射线荧光光谱法进行土壤肥力预测

    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

  • 应用机器学习方法，利用 Sentinel-2 和 Landsat 8 估算作物初级生产力，基于辐射传输模拟进行训练

    本研究对机械光合模型和卫星遥感数据进行了结合，运用光谱模型 SCOPE 以及机器学习方法成功地估计了光合生产力，表明该方法可以在当前的遥感云计算平台上实现全球范围的作物生产力监测。

    Dec, 2020

  • 地压平衡盾构隧道实时地质预测的 Kriging-Random Forest 混合模型

    开发了适用于地压平衡盾构机的克里金 - 随机森林混合模型，在实时的地质数据预测方面表现优异。

    May, 2023

  • 土壤采样点最佳选择的深度学习框架

    通过利用深度学习在图像处理方面的最新进展，本研究提出了一种基于自注意力机制的编码 - 解码架构模型，用于自动选择土壤采样点，并在土壤采样数据集上实现了优于传统卷积神经网络方法的令人印象深刻的结果。

    Sep, 2023

  • 融合卫星和地面观测资料的降水不确定性机器学习估计

    通过对具有 15 年长期月度跨越美国的大型数据集进行广泛比较，本研究旨在首次进行基于机器学习的不确定性量化任务的基准测试，结论表明适用于此任务的学习器的能力排名分别为：LightGBM，QRF，GRF，GBM，QRNN 和 QR。

    Nov, 2023