Investigation of potential soil contamination with Cr and Ni in four metal finishing facilities at Asopos industrial area
1
2015
... 镍(Ni)是过渡金属元素，在生态环境中分布广泛，正在成为主要的环境污染物[1]. 在自然条件下，岩石或矿石的风化与侵蚀作用导致镍释放到环境中[2-3]. 电镀作业、垃圾填埋处理、颜料生产制造、工业废水的排放等人为活动也会导致镍元素释放并沉积到陆地生态系统中[4-5]. 在重度镍污染的土壤环境中生长的农作物会出现生长受阻、根系发育异常、叶片枯萎等问题，最终影响产量和质量[6-7]. 镍会通过食物链、皮肤接触进入人体，威胁人类的健康[8-9]. 镍元素在自然环境中不可降解，镍污染逐渐成为人们所关注的问题[10]. ...
Spatial and temporal variations of physicochemical and heavy metal pollution in Ramganga River—a tributary of River Ganges, India
1
2017
... 镍(Ni)是过渡金属元素，在生态环境中分布广泛，正在成为主要的环境污染物[1]. 在自然条件下，岩石或矿石的风化与侵蚀作用导致镍释放到环境中[2-3]. 电镀作业、垃圾填埋处理、颜料生产制造、工业废水的排放等人为活动也会导致镍元素释放并沉积到陆地生态系统中[4-5]. 在重度镍污染的土壤环境中生长的农作物会出现生长受阻、根系发育异常、叶片枯萎等问题，最终影响产量和质量[6-7]. 镍会通过食物链、皮肤接触进入人体，威胁人类的健康[8-9]. 镍元素在自然环境中不可降解，镍污染逐渐成为人们所关注的问题[10]. ...
Nickel in terrestrial biota: comprehensive review on contamination, toxicity, tolerance and its remediation approaches
1
2021
... 镍(Ni)是过渡金属元素，在生态环境中分布广泛，正在成为主要的环境污染物[1]. 在自然条件下，岩石或矿石的风化与侵蚀作用导致镍释放到环境中[2-3]. 电镀作业、垃圾填埋处理、颜料生产制造、工业废水的排放等人为活动也会导致镍元素释放并沉积到陆地生态系统中[4-5]. 在重度镍污染的土壤环境中生长的农作物会出现生长受阻、根系发育异常、叶片枯萎等问题，最终影响产量和质量[6-7]. 镍会通过食物链、皮肤接触进入人体，威胁人类的健康[8-9]. 镍元素在自然环境中不可降解，镍污染逐渐成为人们所关注的问题[10]. ...
Risk assessment due to dermal exposure of trace elements and indigo dye in jeans: migration to artificial sweat
1
2019
... 镍(Ni)是过渡金属元素，在生态环境中分布广泛，正在成为主要的环境污染物[1]. 在自然条件下，岩石或矿石的风化与侵蚀作用导致镍释放到环境中[2-3]. 电镀作业、垃圾填埋处理、颜料生产制造、工业废水的排放等人为活动也会导致镍元素释放并沉积到陆地生态系统中[4-5]. 在重度镍污染的土壤环境中生长的农作物会出现生长受阻、根系发育异常、叶片枯萎等问题，最终影响产量和质量[6-7]. 镍会通过食物链、皮肤接触进入人体，威胁人类的健康[8-9]. 镍元素在自然环境中不可降解，镍污染逐渐成为人们所关注的问题[10]. ...
Evaluation of physicochemical and heavy metals characteristics in surface water under anthropogenic activities using multivariate statistical methods, Garra River, Ganges Basin, India
1
2021
... 镍(Ni)是过渡金属元素，在生态环境中分布广泛，正在成为主要的环境污染物[1]. 在自然条件下，岩石或矿石的风化与侵蚀作用导致镍释放到环境中[2-3]. 电镀作业、垃圾填埋处理、颜料生产制造、工业废水的排放等人为活动也会导致镍元素释放并沉积到陆地生态系统中[4-5]. 在重度镍污染的土壤环境中生长的农作物会出现生长受阻、根系发育异常、叶片枯萎等问题，最终影响产量和质量[6-7]. 镍会通过食物链、皮肤接触进入人体，威胁人类的健康[8-9]. 镍元素在自然环境中不可降解，镍污染逐渐成为人们所关注的问题[10]. ...
Long-term nickel exposure altered the bacterial community composition but not diversity in two contrasting agricultural soils
1
2015
... 镍(Ni)是过渡金属元素，在生态环境中分布广泛，正在成为主要的环境污染物[1]. 在自然条件下，岩石或矿石的风化与侵蚀作用导致镍释放到环境中[2-3]. 电镀作业、垃圾填埋处理、颜料生产制造、工业废水的排放等人为活动也会导致镍元素释放并沉积到陆地生态系统中[4-5]. 在重度镍污染的土壤环境中生长的农作物会出现生长受阻、根系发育异常、叶片枯萎等问题，最终影响产量和质量[6-7]. 镍会通过食物链、皮肤接触进入人体，威胁人类的健康[8-9]. 镍元素在自然环境中不可降解，镍污染逐渐成为人们所关注的问题[10]. ...
Nickel; whether toxic or essential for plants and environment: a review
1
2018
... 镍(Ni)是过渡金属元素，在生态环境中分布广泛，正在成为主要的环境污染物[1]. 在自然条件下，岩石或矿石的风化与侵蚀作用导致镍释放到环境中[2-3]. 电镀作业、垃圾填埋处理、颜料生产制造、工业废水的排放等人为活动也会导致镍元素释放并沉积到陆地生态系统中[4-5]. 在重度镍污染的土壤环境中生长的农作物会出现生长受阻、根系发育异常、叶片枯萎等问题，最终影响产量和质量[6-7]. 镍会通过食物链、皮肤接触进入人体，威胁人类的健康[8-9]. 镍元素在自然环境中不可降解，镍污染逐渐成为人们所关注的问题[10]. ...
Molecular mechanism of heavy metals (lead, chromium, arsenic, mercury, nickel and cadmium)-induced hepatotoxicity: a review
1
2021
... 镍(Ni)是过渡金属元素，在生态环境中分布广泛，正在成为主要的环境污染物[1]. 在自然条件下，岩石或矿石的风化与侵蚀作用导致镍释放到环境中[2-3]. 电镀作业、垃圾填埋处理、颜料生产制造、工业废水的排放等人为活动也会导致镍元素释放并沉积到陆地生态系统中[4-5]. 在重度镍污染的土壤环境中生长的农作物会出现生长受阻、根系发育异常、叶片枯萎等问题，最终影响产量和质量[6-7]. 镍会通过食物链、皮肤接触进入人体，威胁人类的健康[8-9]. 镍元素在自然环境中不可降解，镍污染逐渐成为人们所关注的问题[10]. ...
Evaluating heavy metals contamination in soil and vegetables in the region of North India: levels, transfer and potential human health risk analysis
1
2021
... 镍(Ni)是过渡金属元素，在生态环境中分布广泛，正在成为主要的环境污染物[1]. 在自然条件下，岩石或矿石的风化与侵蚀作用导致镍释放到环境中[2-3]. 电镀作业、垃圾填埋处理、颜料生产制造、工业废水的排放等人为活动也会导致镍元素释放并沉积到陆地生态系统中[4-5]. 在重度镍污染的土壤环境中生长的农作物会出现生长受阻、根系发育异常、叶片枯萎等问题，最终影响产量和质量[6-7]. 镍会通过食物链、皮肤接触进入人体，威胁人类的健康[8-9]. 镍元素在自然环境中不可降解，镍污染逐渐成为人们所关注的问题[10]. ...
Nickel in soil and water: sources, biogeochemistry, and remediation using biochar
1
2021
... 镍(Ni)是过渡金属元素，在生态环境中分布广泛，正在成为主要的环境污染物[1]. 在自然条件下，岩石或矿石的风化与侵蚀作用导致镍释放到环境中[2-3]. 电镀作业、垃圾填埋处理、颜料生产制造、工业废水的排放等人为活动也会导致镍元素释放并沉积到陆地生态系统中[4-5]. 在重度镍污染的土壤环境中生长的农作物会出现生长受阻、根系发育异常、叶片枯萎等问题，最终影响产量和质量[6-7]. 镍会通过食物链、皮肤接触进入人体，威胁人类的健康[8-9]. 镍元素在自然环境中不可降解，镍污染逐渐成为人们所关注的问题[10]. ...
Estimation of heavy metals using deep neural network with visible and infrared spectroscopy of soil
1
2020
... 快速测定土壤中镍元素含量（镍在土壤中的质量分数）的常用分析方法包括色谱法和原子光谱法. 这些方法虽然检测精度高，但从拿到土壤样本到最终得出准确镍含量报告的周期长并且人力物力的投入较大. 在进行重金属元素含量检测时，传统分析方法要求为每种元素配备特定的元素灯以实现精准识别，使分析的复杂性与成本增加[11-12]. 相比传统方法，高光谱遥感技术的成本低、效率高、准确度高[13-14]，已被广泛用于土壤重金属含量估算中. Sun等[15]构建融合5种机器学习算法的级联检索框架，利用卫星搭载的高光谱成像系统实现了农田土壤镍含量稳定且准确的分析与测定. 为了缓解环境因素产生的局部空间扰动效应，Wang等[16]提出基于分层残差校正的高光谱反演方法，提高了土壤重金属含量反演模型的预测精度. Tan等[17]进行机载高光谱数据分解，采用随机森林模型预测土壤铜（Cu）、铬（Cr）和铅（Pb）的含量，得到最佳模型的预测性能. Zou等[18]综合各模型的优势构建Stacking模型并验证其稳定性和精确性. Wang等[19]通过高光谱图像实现大面积的重金属空间分布映射和重金属含量估算. 土壤光谱数据常伴随有噪声和基线漂移，对反演建模不利. 采用适当的光谱预处理技术能够消除这些不利因素，提升模型精度. Liu等[20]使用5种光谱预处理变换（一阶导数、二阶导数、Savitzky-Golay（SG）平滑、对数变换以及多元散射校正）设计出24种组合预处理方案，结果表明SG平滑作为组合的基础变换能够有效增加频谱信息，提升土壤重金属含量的预测精度. 土壤光谱数据维度高且冗余特征多，增加了建模难度，先提取特征波段能够让模型更有效地学习光谱特征. Wang等[21]使用竞争性自适应重加权采样方法（competitive adaptive reweighted sampling, CARS）提取具有较高相关性的光谱频带. Arif等[22]利用皮尔逊相关系数法提取土壤敏感波段，成功构建了有效反演土壤镉（Cd）和Pb含量的模型. ...
Hyperspectral indirect inversion of heavy-metal copper in reclaimed soil of iron ore area
1
2019
... 快速测定土壤中镍元素含量（镍在土壤中的质量分数）的常用分析方法包括色谱法和原子光谱法. 这些方法虽然检测精度高，但从拿到土壤样本到最终得出准确镍含量报告的周期长并且人力物力的投入较大. 在进行重金属元素含量检测时，传统分析方法要求为每种元素配备特定的元素灯以实现精准识别，使分析的复杂性与成本增加[11-12]. 相比传统方法，高光谱遥感技术的成本低、效率高、准确度高[13-14]，已被广泛用于土壤重金属含量估算中. Sun等[15]构建融合5种机器学习算法的级联检索框架，利用卫星搭载的高光谱成像系统实现了农田土壤镍含量稳定且准确的分析与测定. 为了缓解环境因素产生的局部空间扰动效应，Wang等[16]提出基于分层残差校正的高光谱反演方法，提高了土壤重金属含量反演模型的预测精度. Tan等[17]进行机载高光谱数据分解，采用随机森林模型预测土壤铜（Cu）、铬（Cr）和铅（Pb）的含量，得到最佳模型的预测性能. Zou等[18]综合各模型的优势构建Stacking模型并验证其稳定性和精确性. Wang等[19]通过高光谱图像实现大面积的重金属空间分布映射和重金属含量估算. 土壤光谱数据常伴随有噪声和基线漂移，对反演建模不利. 采用适当的光谱预处理技术能够消除这些不利因素，提升模型精度. Liu等[20]使用5种光谱预处理变换（一阶导数、二阶导数、Savitzky-Golay（SG）平滑、对数变换以及多元散射校正）设计出24种组合预处理方案，结果表明SG平滑作为组合的基础变换能够有效增加频谱信息，提升土壤重金属含量的预测精度. 土壤光谱数据维度高且冗余特征多，增加了建模难度，先提取特征波段能够让模型更有效地学习光谱特征. Wang等[21]使用竞争性自适应重加权采样方法（competitive adaptive reweighted sampling, CARS）提取具有较高相关性的光谱频带. Arif等[22]利用皮尔逊相关系数法提取土壤敏感波段，成功构建了有效反演土壤镉（Cd）和Pb含量的模型. ...
Prediction of bioaccessible lead in urban and suburban soils with Vis-NIR diffuse reflectance spectroscopy
1
2022
... 快速测定土壤中镍元素含量（镍在土壤中的质量分数）的常用分析方法包括色谱法和原子光谱法. 这些方法虽然检测精度高，但从拿到土壤样本到最终得出准确镍含量报告的周期长并且人力物力的投入较大. 在进行重金属元素含量检测时，传统分析方法要求为每种元素配备特定的元素灯以实现精准识别，使分析的复杂性与成本增加[11-12]. 相比传统方法，高光谱遥感技术的成本低、效率高、准确度高[13-14]，已被广泛用于土壤重金属含量估算中. Sun等[15]构建融合5种机器学习算法的级联检索框架，利用卫星搭载的高光谱成像系统实现了农田土壤镍含量稳定且准确的分析与测定. 为了缓解环境因素产生的局部空间扰动效应，Wang等[16]提出基于分层残差校正的高光谱反演方法，提高了土壤重金属含量反演模型的预测精度. Tan等[17]进行机载高光谱数据分解，采用随机森林模型预测土壤铜（Cu）、铬（Cr）和铅（Pb）的含量，得到最佳模型的预测性能. Zou等[18]综合各模型的优势构建Stacking模型并验证其稳定性和精确性. Wang等[19]通过高光谱图像实现大面积的重金属空间分布映射和重金属含量估算. 土壤光谱数据常伴随有噪声和基线漂移，对反演建模不利. 采用适当的光谱预处理技术能够消除这些不利因素，提升模型精度. Liu等[20]使用5种光谱预处理变换（一阶导数、二阶导数、Savitzky-Golay（SG）平滑、对数变换以及多元散射校正）设计出24种组合预处理方案，结果表明SG平滑作为组合的基础变换能够有效增加频谱信息，提升土壤重金属含量的预测精度. 土壤光谱数据维度高且冗余特征多，增加了建模难度，先提取特征波段能够让模型更有效地学习光谱特征. Wang等[21]使用竞争性自适应重加权采样方法（competitive adaptive reweighted sampling, CARS）提取具有较高相关性的光谱频带. Arif等[22]利用皮尔逊相关系数法提取土壤敏感波段，成功构建了有效反演土壤镉（Cd）和Pb含量的模型. ...
Performance of hyperspectral data in predicting and mapping zinc concentration in soil
1
2022
... 快速测定土壤中镍元素含量（镍在土壤中的质量分数）的常用分析方法包括色谱法和原子光谱法. 这些方法虽然检测精度高，但从拿到土壤样本到最终得出准确镍含量报告的周期长并且人力物力的投入较大. 在进行重金属元素含量检测时，传统分析方法要求为每种元素配备特定的元素灯以实现精准识别，使分析的复杂性与成本增加[11-12]. 相比传统方法，高光谱遥感技术的成本低、效率高、准确度高[13-14]，已被广泛用于土壤重金属含量估算中. Sun等[15]构建融合5种机器学习算法的级联检索框架，利用卫星搭载的高光谱成像系统实现了农田土壤镍含量稳定且准确的分析与测定. 为了缓解环境因素产生的局部空间扰动效应，Wang等[16]提出基于分层残差校正的高光谱反演方法，提高了土壤重金属含量反演模型的预测精度. Tan等[17]进行机载高光谱数据分解，采用随机森林模型预测土壤铜（Cu）、铬（Cr）和铅（Pb）的含量，得到最佳模型的预测性能. Zou等[18]综合各模型的优势构建Stacking模型并验证其稳定性和精确性. Wang等[19]通过高光谱图像实现大面积的重金属空间分布映射和重金属含量估算. 土壤光谱数据常伴随有噪声和基线漂移，对反演建模不利. 采用适当的光谱预处理技术能够消除这些不利因素，提升模型精度. Liu等[20]使用5种光谱预处理变换（一阶导数、二阶导数、Savitzky-Golay（SG）平滑、对数变换以及多元散射校正）设计出24种组合预处理方案，结果表明SG平滑作为组合的基础变换能够有效增加频谱信息，提升土壤重金属含量的预测精度. 土壤光谱数据维度高且冗余特征多，增加了建模难度，先提取特征波段能够让模型更有效地学习光谱特征. Wang等[21]使用竞争性自适应重加权采样方法（competitive adaptive reweighted sampling, CARS）提取具有较高相关性的光谱频带. Arif等[22]利用皮尔逊相关系数法提取土壤敏感波段，成功构建了有效反演土壤镉（Cd）和Pb含量的模型. ...
Coupled retrieval of heavy metal nickel concentration in agricultural soil from spaceborne hyperspectral imagery
1
2023
... 快速测定土壤中镍元素含量（镍在土壤中的质量分数）的常用分析方法包括色谱法和原子光谱法. 这些方法虽然检测精度高，但从拿到土壤样本到最终得出准确镍含量报告的周期长并且人力物力的投入较大. 在进行重金属元素含量检测时，传统分析方法要求为每种元素配备特定的元素灯以实现精准识别，使分析的复杂性与成本增加[11-12]. 相比传统方法，高光谱遥感技术的成本低、效率高、准确度高[13-14]，已被广泛用于土壤重金属含量估算中. Sun等[15]构建融合5种机器学习算法的级联检索框架，利用卫星搭载的高光谱成像系统实现了农田土壤镍含量稳定且准确的分析与测定. 为了缓解环境因素产生的局部空间扰动效应，Wang等[16]提出基于分层残差校正的高光谱反演方法，提高了土壤重金属含量反演模型的预测精度. Tan等[17]进行机载高光谱数据分解，采用随机森林模型预测土壤铜（Cu）、铬（Cr）和铅（Pb）的含量，得到最佳模型的预测性能. Zou等[18]综合各模型的优势构建Stacking模型并验证其稳定性和精确性. Wang等[19]通过高光谱图像实现大面积的重金属空间分布映射和重金属含量估算. 土壤光谱数据常伴随有噪声和基线漂移，对反演建模不利. 采用适当的光谱预处理技术能够消除这些不利因素，提升模型精度. Liu等[20]使用5种光谱预处理变换（一阶导数、二阶导数、Savitzky-Golay（SG）平滑、对数变换以及多元散射校正）设计出24种组合预处理方案，结果表明SG平滑作为组合的基础变换能够有效增加频谱信息，提升土壤重金属含量的预测精度. 土壤光谱数据维度高且冗余特征多，增加了建模难度，先提取特征波段能够让模型更有效地学习光谱特征. Wang等[21]使用竞争性自适应重加权采样方法（competitive adaptive reweighted sampling, CARS）提取具有较高相关性的光谱频带. Arif等[22]利用皮尔逊相关系数法提取土壤敏感波段，成功构建了有效反演土壤镉（Cd）和Pb含量的模型. ...
A hierarchical residual correction-based hyperspectral inversion method for soil heavy metals considering spatial heterogeneity
1
2024
... 快速测定土壤中镍元素含量（镍在土壤中的质量分数）的常用分析方法包括色谱法和原子光谱法. 这些方法虽然检测精度高，但从拿到土壤样本到最终得出准确镍含量报告的周期长并且人力物力的投入较大. 在进行重金属元素含量检测时，传统分析方法要求为每种元素配备特定的元素灯以实现精准识别，使分析的复杂性与成本增加[11-12]. 相比传统方法，高光谱遥感技术的成本低、效率高、准确度高[13-14]，已被广泛用于土壤重金属含量估算中. Sun等[15]构建融合5种机器学习算法的级联检索框架，利用卫星搭载的高光谱成像系统实现了农田土壤镍含量稳定且准确的分析与测定. 为了缓解环境因素产生的局部空间扰动效应，Wang等[16]提出基于分层残差校正的高光谱反演方法，提高了土壤重金属含量反演模型的预测精度. Tan等[17]进行机载高光谱数据分解，采用随机森林模型预测土壤铜（Cu）、铬（Cr）和铅（Pb）的含量，得到最佳模型的预测性能. Zou等[18]综合各模型的优势构建Stacking模型并验证其稳定性和精确性. Wang等[19]通过高光谱图像实现大面积的重金属空间分布映射和重金属含量估算. 土壤光谱数据常伴随有噪声和基线漂移，对反演建模不利. 采用适当的光谱预处理技术能够消除这些不利因素，提升模型精度. Liu等[20]使用5种光谱预处理变换（一阶导数、二阶导数、Savitzky-Golay（SG）平滑、对数变换以及多元散射校正）设计出24种组合预处理方案，结果表明SG平滑作为组合的基础变换能够有效增加频谱信息，提升土壤重金属含量的预测精度. 土壤光谱数据维度高且冗余特征多，增加了建模难度，先提取特征波段能够让模型更有效地学习光谱特征. Wang等[21]使用竞争性自适应重加权采样方法（competitive adaptive reweighted sampling, CARS）提取具有较高相关性的光谱频带. Arif等[22]利用皮尔逊相关系数法提取土壤敏感波段，成功构建了有效反演土壤镉（Cd）和Pb含量的模型. ...
Estimation of the spatial distribution of heavy metal in agricultural soils using airborne hyperspectral imaging and random forest
1
2020
... 快速测定土壤中镍元素含量（镍在土壤中的质量分数）的常用分析方法包括色谱法和原子光谱法. 这些方法虽然检测精度高，但从拿到土壤样本到最终得出准确镍含量报告的周期长并且人力物力的投入较大. 在进行重金属元素含量检测时，传统分析方法要求为每种元素配备特定的元素灯以实现精准识别，使分析的复杂性与成本增加[11-12]. 相比传统方法，高光谱遥感技术的成本低、效率高、准确度高[13-14]，已被广泛用于土壤重金属含量估算中. Sun等[15]构建融合5种机器学习算法的级联检索框架，利用卫星搭载的高光谱成像系统实现了农田土壤镍含量稳定且准确的分析与测定. 为了缓解环境因素产生的局部空间扰动效应，Wang等[16]提出基于分层残差校正的高光谱反演方法，提高了土壤重金属含量反演模型的预测精度. Tan等[17]进行机载高光谱数据分解，采用随机森林模型预测土壤铜（Cu）、铬（Cr）和铅（Pb）的含量，得到最佳模型的预测性能. Zou等[18]综合各模型的优势构建Stacking模型并验证其稳定性和精确性. Wang等[19]通过高光谱图像实现大面积的重金属空间分布映射和重金属含量估算. 土壤光谱数据常伴随有噪声和基线漂移，对反演建模不利. 采用适当的光谱预处理技术能够消除这些不利因素，提升模型精度. Liu等[20]使用5种光谱预处理变换（一阶导数、二阶导数、Savitzky-Golay（SG）平滑、对数变换以及多元散射校正）设计出24种组合预处理方案，结果表明SG平滑作为组合的基础变换能够有效增加频谱信息，提升土壤重金属含量的预测精度. 土壤光谱数据维度高且冗余特征多，增加了建模难度，先提取特征波段能够让模型更有效地学习光谱特征. Wang等[21]使用竞争性自适应重加权采样方法（competitive adaptive reweighted sampling, CARS）提取具有较高相关性的光谱频带. Arif等[22]利用皮尔逊相关系数法提取土壤敏感波段，成功构建了有效反演土壤镉（Cd）和Pb含量的模型. ...
Inversion of heavy metal content in soil using hyperspectral characteristic bands-based machine learning method
1
2024
... 快速测定土壤中镍元素含量（镍在土壤中的质量分数）的常用分析方法包括色谱法和原子光谱法. 这些方法虽然检测精度高，但从拿到土壤样本到最终得出准确镍含量报告的周期长并且人力物力的投入较大. 在进行重金属元素含量检测时，传统分析方法要求为每种元素配备特定的元素灯以实现精准识别，使分析的复杂性与成本增加[11-12]. 相比传统方法，高光谱遥感技术的成本低、效率高、准确度高[13-14]，已被广泛用于土壤重金属含量估算中. Sun等[15]构建融合5种机器学习算法的级联检索框架，利用卫星搭载的高光谱成像系统实现了农田土壤镍含量稳定且准确的分析与测定. 为了缓解环境因素产生的局部空间扰动效应，Wang等[16]提出基于分层残差校正的高光谱反演方法，提高了土壤重金属含量反演模型的预测精度. Tan等[17]进行机载高光谱数据分解，采用随机森林模型预测土壤铜（Cu）、铬（Cr）和铅（Pb）的含量，得到最佳模型的预测性能. Zou等[18]综合各模型的优势构建Stacking模型并验证其稳定性和精确性. Wang等[19]通过高光谱图像实现大面积的重金属空间分布映射和重金属含量估算. 土壤光谱数据常伴随有噪声和基线漂移，对反演建模不利. 采用适当的光谱预处理技术能够消除这些不利因素，提升模型精度. Liu等[20]使用5种光谱预处理变换（一阶导数、二阶导数、Savitzky-Golay（SG）平滑、对数变换以及多元散射校正）设计出24种组合预处理方案，结果表明SG平滑作为组合的基础变换能够有效增加频谱信息，提升土壤重金属含量的预测精度. 土壤光谱数据维度高且冗余特征多，增加了建模难度，先提取特征波段能够让模型更有效地学习光谱特征. Wang等[21]使用竞争性自适应重加权采样方法（competitive adaptive reweighted sampling, CARS）提取具有较高相关性的光谱频带. Arif等[22]利用皮尔逊相关系数法提取土壤敏感波段，成功构建了有效反演土壤镉（Cd）和Pb含量的模型. ...
Effects of hyperspectral data with different spectral resolutions on the estimation of soil heavy metal content: from ground-based and airborne data to satellite-simulated data
1
2022
... 快速测定土壤中镍元素含量（镍在土壤中的质量分数）的常用分析方法包括色谱法和原子光谱法. 这些方法虽然检测精度高，但从拿到土壤样本到最终得出准确镍含量报告的周期长并且人力物力的投入较大. 在进行重金属元素含量检测时，传统分析方法要求为每种元素配备特定的元素灯以实现精准识别，使分析的复杂性与成本增加[11-12]. 相比传统方法，高光谱遥感技术的成本低、效率高、准确度高[13-14]，已被广泛用于土壤重金属含量估算中. Sun等[15]构建融合5种机器学习算法的级联检索框架，利用卫星搭载的高光谱成像系统实现了农田土壤镍含量稳定且准确的分析与测定. 为了缓解环境因素产生的局部空间扰动效应，Wang等[16]提出基于分层残差校正的高光谱反演方法，提高了土壤重金属含量反演模型的预测精度. Tan等[17]进行机载高光谱数据分解，采用随机森林模型预测土壤铜（Cu）、铬（Cr）和铅（Pb）的含量，得到最佳模型的预测性能. Zou等[18]综合各模型的优势构建Stacking模型并验证其稳定性和精确性. Wang等[19]通过高光谱图像实现大面积的重金属空间分布映射和重金属含量估算. 土壤光谱数据常伴随有噪声和基线漂移，对反演建模不利. 采用适当的光谱预处理技术能够消除这些不利因素，提升模型精度. Liu等[20]使用5种光谱预处理变换（一阶导数、二阶导数、Savitzky-Golay（SG）平滑、对数变换以及多元散射校正）设计出24种组合预处理方案，结果表明SG平滑作为组合的基础变换能够有效增加频谱信息，提升土壤重金属含量的预测精度. 土壤光谱数据维度高且冗余特征多，增加了建模难度，先提取特征波段能够让模型更有效地学习光谱特征. Wang等[21]使用竞争性自适应重加权采样方法（competitive adaptive reweighted sampling, CARS）提取具有较高相关性的光谱频带. Arif等[22]利用皮尔逊相关系数法提取土壤敏感波段，成功构建了有效反演土壤镉（Cd）和Pb含量的模型. ...
Assessing heavy metal concentrations in earth-cumulic-orthic-anthrosols soils using Vis-NIR spectroscopy transform coupled with chemometrics
1
2020
... 快速测定土壤中镍元素含量（镍在土壤中的质量分数）的常用分析方法包括色谱法和原子光谱法. 这些方法虽然检测精度高，但从拿到土壤样本到最终得出准确镍含量报告的周期长并且人力物力的投入较大. 在进行重金属元素含量检测时，传统分析方法要求为每种元素配备特定的元素灯以实现精准识别，使分析的复杂性与成本增加[11-12]. 相比传统方法，高光谱遥感技术的成本低、效率高、准确度高[13-14]，已被广泛用于土壤重金属含量估算中. Sun等[15]构建融合5种机器学习算法的级联检索框架，利用卫星搭载的高光谱成像系统实现了农田土壤镍含量稳定且准确的分析与测定. 为了缓解环境因素产生的局部空间扰动效应，Wang等[16]提出基于分层残差校正的高光谱反演方法，提高了土壤重金属含量反演模型的预测精度. Tan等[17]进行机载高光谱数据分解，采用随机森林模型预测土壤铜（Cu）、铬（Cr）和铅（Pb）的含量，得到最佳模型的预测性能. Zou等[18]综合各模型的优势构建Stacking模型并验证其稳定性和精确性. Wang等[19]通过高光谱图像实现大面积的重金属空间分布映射和重金属含量估算. 土壤光谱数据常伴随有噪声和基线漂移，对反演建模不利. 采用适当的光谱预处理技术能够消除这些不利因素，提升模型精度. Liu等[20]使用5种光谱预处理变换（一阶导数、二阶导数、Savitzky-Golay（SG）平滑、对数变换以及多元散射校正）设计出24种组合预处理方案，结果表明SG平滑作为组合的基础变换能够有效增加频谱信息，提升土壤重金属含量的预测精度. 土壤光谱数据维度高且冗余特征多，增加了建模难度，先提取特征波段能够让模型更有效地学习光谱特征. Wang等[21]使用竞争性自适应重加权采样方法（competitive adaptive reweighted sampling, CARS）提取具有较高相关性的光谱频带. Arif等[22]利用皮尔逊相关系数法提取土壤敏感波段，成功构建了有效反演土壤镉（Cd）和Pb含量的模型. ...
Modeling risk assessment of soil heavy metal pollution using partial least squares and fuzzy logic: a case study of a gully type coal-based solid waste dumpsite
1
2024
... 快速测定土壤中镍元素含量（镍在土壤中的质量分数）的常用分析方法包括色谱法和原子光谱法. 这些方法虽然检测精度高，但从拿到土壤样本到最终得出准确镍含量报告的周期长并且人力物力的投入较大. 在进行重金属元素含量检测时，传统分析方法要求为每种元素配备特定的元素灯以实现精准识别，使分析的复杂性与成本增加[11-12]. 相比传统方法，高光谱遥感技术的成本低、效率高、准确度高[13-14]，已被广泛用于土壤重金属含量估算中. Sun等[15]构建融合5种机器学习算法的级联检索框架，利用卫星搭载的高光谱成像系统实现了农田土壤镍含量稳定且准确的分析与测定. 为了缓解环境因素产生的局部空间扰动效应，Wang等[16]提出基于分层残差校正的高光谱反演方法，提高了土壤重金属含量反演模型的预测精度. Tan等[17]进行机载高光谱数据分解，采用随机森林模型预测土壤铜（Cu）、铬（Cr）和铅（Pb）的含量，得到最佳模型的预测性能. Zou等[18]综合各模型的优势构建Stacking模型并验证其稳定性和精确性. Wang等[19]通过高光谱图像实现大面积的重金属空间分布映射和重金属含量估算. 土壤光谱数据常伴随有噪声和基线漂移，对反演建模不利. 采用适当的光谱预处理技术能够消除这些不利因素，提升模型精度. Liu等[20]使用5种光谱预处理变换（一阶导数、二阶导数、Savitzky-Golay（SG）平滑、对数变换以及多元散射校正）设计出24种组合预处理方案，结果表明SG平滑作为组合的基础变换能够有效增加频谱信息，提升土壤重金属含量的预测精度. 土壤光谱数据维度高且冗余特征多，增加了建模难度，先提取特征波段能够让模型更有效地学习光谱特征. Wang等[21]使用竞争性自适应重加权采样方法（competitive adaptive reweighted sampling, CARS）提取具有较高相关性的光谱频带. Arif等[22]利用皮尔逊相关系数法提取土壤敏感波段，成功构建了有效反演土壤镉（Cd）和Pb含量的模型. ...
Rapid retrieval of cadmium and lead content from urban greenbelt zones using hyperspectral characteristic bands
1
2022
... 快速测定土壤中镍元素含量（镍在土壤中的质量分数）的常用分析方法包括色谱法和原子光谱法. 这些方法虽然检测精度高，但从拿到土壤样本到最终得出准确镍含量报告的周期长并且人力物力的投入较大. 在进行重金属元素含量检测时，传统分析方法要求为每种元素配备特定的元素灯以实现精准识别，使分析的复杂性与成本增加[11-12]. 相比传统方法，高光谱遥感技术的成本低、效率高、准确度高[13-14]，已被广泛用于土壤重金属含量估算中. Sun等[15]构建融合5种机器学习算法的级联检索框架，利用卫星搭载的高光谱成像系统实现了农田土壤镍含量稳定且准确的分析与测定. 为了缓解环境因素产生的局部空间扰动效应，Wang等[16]提出基于分层残差校正的高光谱反演方法，提高了土壤重金属含量反演模型的预测精度. Tan等[17]进行机载高光谱数据分解，采用随机森林模型预测土壤铜（Cu）、铬（Cr）和铅（Pb）的含量，得到最佳模型的预测性能. Zou等[18]综合各模型的优势构建Stacking模型并验证其稳定性和精确性. Wang等[19]通过高光谱图像实现大面积的重金属空间分布映射和重金属含量估算. 土壤光谱数据常伴随有噪声和基线漂移，对反演建模不利. 采用适当的光谱预处理技术能够消除这些不利因素，提升模型精度. Liu等[20]使用5种光谱预处理变换（一阶导数、二阶导数、Savitzky-Golay（SG）平滑、对数变换以及多元散射校正）设计出24种组合预处理方案，结果表明SG平滑作为组合的基础变换能够有效增加频谱信息，提升土壤重金属含量的预测精度. 土壤光谱数据维度高且冗余特征多，增加了建模难度，先提取特征波段能够让模型更有效地学习光谱特征. Wang等[21]使用竞争性自适应重加权采样方法（competitive adaptive reweighted sampling, CARS）提取具有较高相关性的光谱频带. Arif等[22]利用皮尔逊相关系数法提取土壤敏感波段，成功构建了有效反演土壤镉（Cd）和Pb含量的模型. ...
Multi-channel convolutional neural networks for materials properties prediction
1
2020
... 随着深度学习技术的不断进步，模型在挖掘输入数据深层特征细节方面的能力日益增强. 与此同时，采用多通道并行处理任务的方法也日益受到重视并获得了广泛应用. Zheng等[23]构建多通道深度卷积神经网络（CNN），用于生成焓含量的预测任务，结果表明多通道卷积能够进行各个通道的有效提取，显著增强了模型的特征表示能力. Tsakiridis等[24]利用不同光谱变换并采用多通道输入方式的一维卷积建模方法对土地利用与土地覆盖面积框架调查（land use and coverage area frame survey，LUCAS）土壤光谱库（soil spectral libraries，SSL）中的10个物理化学性质进行多任务预测，结果表明相比其他CNN，多通道卷积显示出最佳性能，其黏土含量、土壤有机碳、总氮的决定系数分别为0.86、0.86、0.83. 多通道策略能够实现数据在不同尺度下特征的融合与互补，有效解决单通道处理模式下可能存在的数据特征提取不充分、信息表征单一以及难以捕捉复杂特征关联等局限性. 本研究1）使用SG卷积平滑和标准正态变换（standard normal variate，SNV）进行光谱数据预处理，结合改进的相关系数法提取光谱数据有效特征波长；2）评估多通道（multi-channel，MC）卷积的方式建立的MC-ResNet、MC-VGG、MC-Inception和MC-MobileNet模型预测土壤镍含量的性能；3）探讨多通道策略下不同模型的参数量及推理时间，提出提升轻量化模型预测精度的方法. ...
Simultaneous prediction of soil properties from VNIR-SWIR spectra using a localized multi-channel 1-D convolutional neural network
1
2020
... 随着深度学习技术的不断进步，模型在挖掘输入数据深层特征细节方面的能力日益增强. 与此同时，采用多通道并行处理任务的方法也日益受到重视并获得了广泛应用. Zheng等[23]构建多通道深度卷积神经网络（CNN），用于生成焓含量的预测任务，结果表明多通道卷积能够进行各个通道的有效提取，显著增强了模型的特征表示能力. Tsakiridis等[24]利用不同光谱变换并采用多通道输入方式的一维卷积建模方法对土地利用与土地覆盖面积框架调查（land use and coverage area frame survey，LUCAS）土壤光谱库（soil spectral libraries，SSL）中的10个物理化学性质进行多任务预测，结果表明相比其他CNN，多通道卷积显示出最佳性能，其黏土含量、土壤有机碳、总氮的决定系数分别为0.86、0.86、0.83. 多通道策略能够实现数据在不同尺度下特征的融合与互补，有效解决单通道处理模式下可能存在的数据特征提取不充分、信息表征单一以及难以捕捉复杂特征关联等局限性. 本研究1）使用SG卷积平滑和标准正态变换（standard normal variate，SNV）进行光谱数据预处理，结合改进的相关系数法提取光谱数据有效特征波长；2）评估多通道（multi-channel，MC）卷积的方式建立的MC-ResNet、MC-VGG、MC-Inception和MC-MobileNet模型预测土壤镍含量的性能；3）探讨多通道策略下不同模型的参数量及推理时间，提出提升轻量化模型预测精度的方法. ...
分数阶微分在盐渍土高光谱数据预处理中的应用
1
2014
... 采样土壤位于研究区内河流的两侧，采样点共122个，土壤样本采集时间为2022年2月11日至15日，样本采集深度为0~20 cm. 将采集的土壤样本带回实验室后，剔除土壤中的石块、杂草并进行自然风干. 研磨干燥后的样本过2 mm筛子后平均分成2份，分别用于土壤光谱反射率和土壤镍含量的测定. 土壤镍元素含量的测定采用电感耦合等离子发射光谱法. 土壤的光谱反射率测定使用FieldSpec3型光谱仪（波段范围：350~2 500 nm. 其中波段350~1 000 nm的采样间隔为1.4 nm，光谱分辨率为3 nm；波段1 000~2 500 nm的采样间隔为2 nm，光谱分辨率为10 nm）在暗室中进行，仪器测量前均经过黑白校正. 样本均使用光谱仪重复测定10次，将10次的平均值作为该样本的代表性光谱. 如图2所示为土壤光谱反射率误差带，其中$ \rho $、$ \lambda $分别为光谱反射率和光谱波长. 可以看出，光谱曲线在$ \lambda $=1 400、1 900和2 200 nm的附近出现显著的凹陷特征，这些波段附近具有较为明显的水分吸收峰[25]，通常认为该吸收带是羟基(OH)谱带和H2O谱带，以及黏土矿物中金属OH震荡的倍频与合频造成的[26]. ...
分数阶微分在盐渍土高光谱数据预处理中的应用
1
2014
... 采样土壤位于研究区内河流的两侧，采样点共122个，土壤样本采集时间为2022年2月11日至15日，样本采集深度为0~20 cm. 将采集的土壤样本带回实验室后，剔除土壤中的石块、杂草并进行自然风干. 研磨干燥后的样本过2 mm筛子后平均分成2份，分别用于土壤光谱反射率和土壤镍含量的测定. 土壤镍元素含量的测定采用电感耦合等离子发射光谱法. 土壤的光谱反射率测定使用FieldSpec3型光谱仪（波段范围：350~2 500 nm. 其中波段350~1 000 nm的采样间隔为1.4 nm，光谱分辨率为3 nm；波段1 000~2 500 nm的采样间隔为2 nm，光谱分辨率为10 nm）在暗室中进行，仪器测量前均经过黑白校正. 样本均使用光谱仪重复测定10次，将10次的平均值作为该样本的代表性光谱. 如图2所示为土壤光谱反射率误差带，其中$ \rho $、$ \lambda $分别为光谱反射率和光谱波长. 可以看出，光谱曲线在$ \lambda $=1 400、1 900和2 200 nm的附近出现显著的凹陷特征，这些波段附近具有较为明显的水分吸收峰[25]，通常认为该吸收带是羟基(OH)谱带和H2O谱带，以及黏土矿物中金属OH震荡的倍频与合频造成的[26]. ...
基于分数阶微分的荒漠土壤铬含量高光谱检测
1
2017
... 采样土壤位于研究区内河流的两侧，采样点共122个，土壤样本采集时间为2022年2月11日至15日，样本采集深度为0~20 cm. 将采集的土壤样本带回实验室后，剔除土壤中的石块、杂草并进行自然风干. 研磨干燥后的样本过2 mm筛子后平均分成2份，分别用于土壤光谱反射率和土壤镍含量的测定. 土壤镍元素含量的测定采用电感耦合等离子发射光谱法. 土壤的光谱反射率测定使用FieldSpec3型光谱仪（波段范围：350~2 500 nm. 其中波段350~1 000 nm的采样间隔为1.4 nm，光谱分辨率为3 nm；波段1 000~2 500 nm的采样间隔为2 nm，光谱分辨率为10 nm）在暗室中进行，仪器测量前均经过黑白校正. 样本均使用光谱仪重复测定10次，将10次的平均值作为该样本的代表性光谱. 如图2所示为土壤光谱反射率误差带，其中$ \rho $、$ \lambda $分别为光谱反射率和光谱波长. 可以看出，光谱曲线在$ \lambda $=1 400、1 900和2 200 nm的附近出现显著的凹陷特征，这些波段附近具有较为明显的水分吸收峰[25]，通常认为该吸收带是羟基(OH)谱带和H2O谱带，以及黏土矿物中金属OH震荡的倍频与合频造成的[26]. ...
基于分数阶微分的荒漠土壤铬含量高光谱检测
1
2017
... 采样土壤位于研究区内河流的两侧，采样点共122个，土壤样本采集时间为2022年2月11日至15日，样本采集深度为0~20 cm. 将采集的土壤样本带回实验室后，剔除土壤中的石块、杂草并进行自然风干. 研磨干燥后的样本过2 mm筛子后平均分成2份，分别用于土壤光谱反射率和土壤镍含量的测定. 土壤镍元素含量的测定采用电感耦合等离子发射光谱法. 土壤的光谱反射率测定使用FieldSpec3型光谱仪（波段范围：350~2 500 nm. 其中波段350~1 000 nm的采样间隔为1.4 nm，光谱分辨率为3 nm；波段1 000~2 500 nm的采样间隔为2 nm，光谱分辨率为10 nm）在暗室中进行，仪器测量前均经过黑白校正. 样本均使用光谱仪重复测定10次，将10次的平均值作为该样本的代表性光谱. 如图2所示为土壤光谱反射率误差带，其中$ \rho $、$ \lambda $分别为光谱反射率和光谱波长. 可以看出，光谱曲线在$ \lambda $=1 400、1 900和2 200 nm的附近出现显著的凹陷特征，这些波段附近具有较为明显的水分吸收峰[25]，通常认为该吸收带是羟基(OH)谱带和H2O谱带，以及黏土矿物中金属OH震荡的倍频与合频造成的[26]. ...
Improving the quantification of sediment source contributions using different mathematical models and spectral preprocessing techniques for individual or combined spectra of ultraviolet–visible, near- and middle-infrared spectroscopy
1
2021
... SG平滑通过设置窗口大小和多项式阶数去除光谱数据中的噪声，减小数据的波动[27]. 为了减少光谱数据中多重散射效应，使用SNV优化经过SG平滑处理后的光谱数据[28]. 高光谱数据具有高维度特性，为了提高深度学习模型提取特征的效率，使用改进的相关系数法[29]进行如算法1所示的特征波长提取. 组合SG平滑和SNN进行原始光谱预处理，设置SG平滑的窗口大小和多项式阶数分别为5和2[30-32]. 使用改进的相关系数法对预处理后的光谱数据进行特征波长提取，作为多通道的前置数据. ...
Application of Vis-NIR spectroscopy for determination the content of organic matter in saline-alkali soils
1
2020
... SG平滑通过设置窗口大小和多项式阶数去除光谱数据中的噪声，减小数据的波动[27]. 为了减少光谱数据中多重散射效应，使用SNV优化经过SG平滑处理后的光谱数据[28]. 高光谱数据具有高维度特性，为了提高深度学习模型提取特征的效率，使用改进的相关系数法[29]进行如算法1所示的特征波长提取. 组合SG平滑和SNN进行原始光谱预处理，设置SG平滑的窗口大小和多项式阶数分别为5和2[30-32]. 使用改进的相关系数法对预处理后的光谱数据进行特征波长提取，作为多通道的前置数据. ...
Research on prediction model of soil nitrogen content based on encoder-CNN
1
2022
... SG平滑通过设置窗口大小和多项式阶数去除光谱数据中的噪声，减小数据的波动[27]. 为了减少光谱数据中多重散射效应，使用SNV优化经过SG平滑处理后的光谱数据[28]. 高光谱数据具有高维度特性，为了提高深度学习模型提取特征的效率，使用改进的相关系数法[29]进行如算法1所示的特征波长提取. 组合SG平滑和SNN进行原始光谱预处理，设置SG平滑的窗口大小和多项式阶数分别为5和2[30-32]. 使用改进的相关系数法对预处理后的光谱数据进行特征波长提取，作为多通道的前置数据. ...
Combination of MIR spectroscopy and environmental covariates to predict soil organic carbon in a semi-arid region
1
2021
... SG平滑通过设置窗口大小和多项式阶数去除光谱数据中的噪声，减小数据的波动[27]. 为了减少光谱数据中多重散射效应，使用SNV优化经过SG平滑处理后的光谱数据[28]. 高光谱数据具有高维度特性，为了提高深度学习模型提取特征的效率，使用改进的相关系数法[29]进行如算法1所示的特征波长提取. 组合SG平滑和SNN进行原始光谱预处理，设置SG平滑的窗口大小和多项式阶数分别为5和2[30-32]. 使用改进的相关系数法对预处理后的光谱数据进行特征波长提取，作为多通道的前置数据. ...
Local peak Savitzky-Golay for spatio-temporal reconstruction of Landsat NDVI time series: a case study over the Qinghai-Tibet Plateau
0
2024
Predicting key soil properties from Vis-NIR spectra by applying dual-wavelength indices transformations and stacking machine learning approaches
1
2023
... SG平滑通过设置窗口大小和多项式阶数去除光谱数据中的噪声，减小数据的波动[27]. 为了减少光谱数据中多重散射效应，使用SNV优化经过SG平滑处理后的光谱数据[28]. 高光谱数据具有高维度特性，为了提高深度学习模型提取特征的效率，使用改进的相关系数法[29]进行如算法1所示的特征波长提取. 组合SG平滑和SNN进行原始光谱预处理，设置SG平滑的窗口大小和多项式阶数分别为5和2[30-32]. 使用改进的相关系数法对预处理后的光谱数据进行特征波长提取，作为多通道的前置数据. ...
1
... 根据矩阵$ \boldsymbol{P} $给出MTF表达式[33]为 ...
MAE-NIR: a masked autoencoder that enhances near-infrared spectral data to predict soil properties
1
2023
... GASF和GADF：GASF通过使用极坐标系的矩阵将数据编码为图像，从而保留数据的位置信息[34-36]. 对给定光谱序列$ X=\{{x}_{1},{x}_{2},\cdots,{x}_{t}\} $进行归一化处理，使得$ X $中的元素都落在$ [-\mathrm{1,1}] $符合极坐标的数据范围： ...
Research on detection of potato varieties based on spectral imaging analytical algorithm
0
2024
Combined gramian angular difference field image coding and improved mobile vision transformer for determination of apple soluble solids content by Vis-NIR spectroscopy
1
2024
... GASF和GADF：GASF通过使用极坐标系的矩阵将数据编码为图像，从而保留数据的位置信息[34-36]. 对给定光谱序列$ X=\{{x}_{1},{x}_{2},\cdots,{x}_{t}\} $进行归一化处理，使得$ X $中的元素都落在$ [-\mathrm{1,1}] $符合极坐标的数据范围： ...
A geographical traceability method for Lanmaoa asiatica mushrooms from 20 township-level geographical origins by near infrared spectroscopy and ResNet image analysis techniques
1
2022
... ResNet-18（简称ResNet）引入残差模块，通过跳跃连接和残差块，克服了普通卷积神经网络训练过程中的梯度消失和爆炸的问题，与传统的卷积层或者全连接层相比，降低了信息丢失的风险[37]. ...
1
... VGG-16网络（简称VGG）使用较小的卷积核(核大小为1)和步幅为1的卷积操作，多个卷积层以及池化层的堆叠逐步缩小了特征图的尺寸，比一般的CNN深度更深，能够学习到更加复杂的数据模式[38]. ...
Identification of Chinese red wine origins based on Raman spectroscopy and deep learning
1
2023
... Inception-V3网络（简称Inception）引入Inception模块，使用核大小为1、3、5的卷积核和最大池化. 通过多尺度卷积核和并行结构，学习目标多尺度和多层次的特征，提高网络的表征能力，减少参数数量[39]. ...
基于新型编码解码网络的复杂输电线识别
1
2024
... MobileNet-V3网络（简称MobileNet）结合MobileNet-V1的深度可分离结构和MobileNet-V2的逆残差结构，加入注意力机制模块来调整每个通道的权重，使用激活函数h-swish提高网络模型精度[40-41]. ...
基于新型编码解码网络的复杂输电线识别
1
2024
... MobileNet-V3网络（简称MobileNet）结合MobileNet-V1的深度可分离结构和MobileNet-V2的逆残差结构，加入注意力机制模块来调整每个通道的权重，使用激活函数h-swish提高网络模型精度[40-41]. ...
基于Opt-MobileNetV3的大豆种子异常籽粒识别研究
1
2023
... MobileNet-V3网络（简称MobileNet）结合MobileNet-V1的深度可分离结构和MobileNet-V2的逆残差结构，加入注意力机制模块来调整每个通道的权重，使用激活函数h-swish提高网络模型精度[40-41]. ...
基于Opt-MobileNetV3的大豆种子异常籽粒识别研究
1
2023
... MobileNet-V3网络（简称MobileNet）结合MobileNet-V1的深度可分离结构和MobileNet-V2的逆残差结构，加入注意力机制模块来调整每个通道的权重，使用激活函数h-swish提高网络模型精度[40-41]. ...
基于省域尺度的农田土壤重金属高光谱预测
1
2015
... 使用决定系数$ {{R}}^{2} $、均方根误差$ \mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E} $和相对预测偏差$ \mathrm{R}\mathrm{P}\mathrm{D} $综合评估模型的预测性能[42]，其中$ {{R}}_{\mathrm{c}}^{2} $、$ {\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}_{\mathrm{c}} $、$ {\mathrm{R}\mathrm{P}\mathrm{D}}_{\mathrm{c}} $均为校准集指标，$ {{R}}_{\mathrm{v}}^{2} $、$ {\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}_{\mathrm{v}} $、$ {\mathrm{R}\mathrm{P}\mathrm{D}}_{\mathrm{v}} $均为验证集指标. 一般来说，较好的定量预测模型的$ {{R}}^{2} $和RPD较大，RMSE较小. $ {{R}}^{2} $的取值范围为0~1，该指标越接近于1表示模型的稳定性越强；$ \mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E} $越接近于0表示模型的预测越准确. $ \mathrm{R}\mathrm{P}\mathrm{D} < 1.0 $，表示模型的预测能力极差；$ 1.0\leqslant \mathrm{R}\mathrm{P}\mathrm{D} < 1.4 $，表示模型的预测能力很差；$ 1.4\leqslant \mathrm{R}\mathrm{P}\mathrm{D} < 1.8 $，表示模型的预测能力一般；$ 1.8\leqslant \mathrm{R}\mathrm{P}\mathrm{D} < 2.0 $，表示模型的预测能力较强；$ \mathrm{R}\mathrm{P}\mathrm{D}\geqslant 2.5 $，表示模型的预测性能极强. ...
基于省域尺度的农田土壤重金属高光谱预测
1
2015
... 使用决定系数$ {{R}}^{2} $、均方根误差$ \mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E} $和相对预测偏差$ \mathrm{R}\mathrm{P}\mathrm{D} $综合评估模型的预测性能[42]，其中$ {{R}}_{\mathrm{c}}^{2} $、$ {\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}_{\mathrm{c}} $、$ {\mathrm{R}\mathrm{P}\mathrm{D}}_{\mathrm{c}} $均为校准集指标，$ {{R}}_{\mathrm{v}}^{2} $、$ {\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}_{\mathrm{v}} $、$ {\mathrm{R}\mathrm{P}\mathrm{D}}_{\mathrm{v}} $均为验证集指标. 一般来说，较好的定量预测模型的$ {{R}}^{2} $和RPD较大，RMSE较小. $ {{R}}^{2} $的取值范围为0~1，该指标越接近于1表示模型的稳定性越强；$ \mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E} $越接近于0表示模型的预测越准确. $ \mathrm{R}\mathrm{P}\mathrm{D} < 1.0 $，表示模型的预测能力极差；$ 1.0\leqslant \mathrm{R}\mathrm{P}\mathrm{D} < 1.4 $，表示模型的预测能力很差；$ 1.4\leqslant \mathrm{R}\mathrm{P}\mathrm{D} < 1.8 $，表示模型的预测能力一般；$ 1.8\leqslant \mathrm{R}\mathrm{P}\mathrm{D} < 2.0 $，表示模型的预测能力较强；$ \mathrm{R}\mathrm{P}\mathrm{D}\geqslant 2.5 $，表示模型的预测性能极强. ...
Learning efficient and accurate detectors with dynamic knowledge distillation in remote sensing imagery
1
2021
... 多通道策略下不同模型的参数统计如表3所示，其中$ {N}_{\mathrm{p}} $为模型参数量，$ {F}_{\mathrm{r}} $为模型浮点运算次数，$ {t}_{\mathrm{i}} $为模型平均推理时间. 虽然MobileNet的推理时间和参数量远小于其他模型，但是预测镍含量的性能不如其他模型. 为了提升MC-MobileNet的预测精度，利用知识蒸馏技术[43]，将镍含量预测性能较好的ResNet与轻量化模型MobileNet结合，形成组合模型如图7所示ResMobileNet. 可以看到，ResNet学到的知识被传递给MobileNet，使得MobileNet的精度提升，模型的总损失由损失1与损失2相加构成，损失函数采用均方根误差度量. 如图8所示为该组合模型预测土壤镍含量的散点图，ResMobileNet的$ {{R}}_{\mathrm{v}}^{2} $、$ {\mathrm{R}\mathrm{P}\mathrm{D}}_{\mathrm{v}} $相较于MobileNet分别提升了0.033、0.328，$ {\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}_{\mathrm{v}} $下降了13.548. ResMobileNet推理时仅采用MobileNet，不会增加模型的复杂度，推理时间不会有明显变化. 这一结果不仅为未来模型的轻量化部署与现场快速测定镍含量提供了新的思路，也表明该方法在实际应用中具有较高的可行性. ...
