基于潜在空间嵌入的自监督式多保真度学习用于扩展放射性土壤光谱
机器学习
2025-11-21 v1 人工智能
摘要
我们提出一种基于潜在空间嵌入的自监督机器学习（SSML）框架，用于多保真度学习和扩展放射性土壤光谱。通过大型 MIR 光谱图书馆和变分自编码器算法，对自监督表示进行预训练，以获得用于生成光谱嵌入的压缩潜在空间。在此阶段，仅使用无标签的光谱数据，使我们能够充分利用完整的光谱数据库以及扫描重复项用于增强训练。我们还利用并冻结训练好的 MIR 解码器，用于光谱转换任务，通过将其插入 NIR 编码器来学习 NIR 与 MIR 光谱之间的映射，以尝试利用大型 MIR 图书馆中蕴含的预测能力，同时配合低成本便携式 NIR 扫描仪。为此，我们使用了包含配对 NIR 与 MIR 光谱的较小子集 KSSL 图书馆。随后，在原始光谱、预测光谱和潜在空间嵌入之间，训练下游机器学习模型以预测九种土壤性质。我们独立于 KSSL 训练数据使用金标准测试集评估其性能，并结合回归适合度指标进行评估。与基线模型相比，所提出的 SSML 及其嵌入在所有土壤性质预测任务中均达到了类似或更好的准确率。来自光谱转换（NIR 转 MIR）任务的预测未达到原始 MIR 光谱的性能，但与 NIR-only 模型的预测性能相当或更好，表明统一的光谱潜在空间能够有效利用更大更具多样性的 MIR 数据集，以预测当前 NIR 图书馆中未能很好代表的土壤性质。
引用
@article{arxiv.2511.15965,
title = {Self-supervised and Multi-fidelity Learning for Extended Predictive Soil Spectroscopy},
author = {Luning Sun and José L. Safanelli and Jonathan Sanderman and Katerina Georgiou and Colby Brungard and Kanchan Grover and Bryan G. Hopkins and Shusen Liu and Timo Bremer},
journal= {arXiv preprint arXiv:2511.15965},
year = {2025}
}
备注
49 pages, 9 figures, submitted to Geoderma