Self-supervised and Multi-fidelity Learning for Extended Predictive Soil Spectroscopy
Created by
Haebom
Category
Empty
저자
Luning Sun, Jose L. Safanelli, Jonathan Sanderman, Katerina Georgiou, Colby Brungard, Kanchan Grover, Bryan G. Hopkins, Shusen Liu, Timo Bremer
개요
본 논문은 잠재 공간 임베딩을 기반으로 다중 충실도 학습과 확장된 예측 토양 분광법을 위한 자기 지도 머신 러닝(SSML) 프레임워크를 제안합니다. 대규모 MIR 스펙트럼 라이브러리와 Variational Autoencoder 알고리즘을 사용하여 사전 훈련된 자기 지도 표현을 통해 스펙트럼 임베딩을 생성하기 위한 압축된 잠재 공간을 얻었습니다. 이 단계에서는 레이블이 없는 스펙트럼 데이터만 사용하여 전체 스펙트럼 데이터베이스와 스캔 반복의 가용성을 활용했습니다. 또한 훈련된 MIR 디코더를 NIR 인코더에 연결하여 스펙트럼 변환 작업을 수행하여 NIR과 MIR 스펙트럼 간의 매핑을 학습했습니다. 이는 작은 KSSL 라이브러리 하위 집합과 쌍을 이룬 NIR 및 MIR 스펙트럼을 사용하여 달성되었습니다. 다운스트림 머신 러닝 모델은 원래 스펙트럼, 예측 스펙트럼 및 잠재 공간 임베딩 간의 매핑을 위해 9가지 토양 특성에 대해 훈련되었습니다. 제안된 SSML과 해당 임베딩은 모든 토양 특성 예측 작업에서 기준 모델과 유사하거나 더 나은 정확도를 보였습니다.
시사점, 한계점
•
시사점:
◦
자기 지도 학습(SSML) 프레임워크를 활용하여 토양 특성 예측 정확도를 향상시켰습니다.
◦
MIR 스펙트럼 라이브러리를 활용하여 NIR 스펙트럼 기반 예측의 성능을 향상시켰습니다.
◦
스펙트럼 변환(NIR to MIR)을 통해 저비용 NIR 스캐너의 예측 능력을 향상시킬 수 있음을 입증했습니다.
