基于深度回声状态网络（DESN）的联邦学习框架在农田土壤有机碳近红外光谱分析中的应用研究

《Computers and Electronics in Agriculture》：A DESN-based federated learning framework for NIR spectral analysis of organic carbon in farmland soils

本文提出一种基于深度回声状态网络（DESN）的联邦学习框架，结合新型多组融合分析（MGFA）方法，实现对分布式农田土壤有机碳（OC）的近红外（NIR）光谱快速检测。该研究利用LUCAS 2009表土数据集验证了方法在物联网（IoT）环境下的适用性，通过可配置的DESN架构与特征变量融合优化，为农业土壤质量分布式监测提供了创新解决方案。

　　

^亮点

^样本制备

LUCAS 2009表土数据集来自欧洲土壤数据中心（ESDC），呈现了2009个表土样本的近红外光谱数据。该公共数据库包含覆盖欧盟23个成员国的19,036个表土样本。就近红外应用而言，分布式数据在概念上定义为从分布式传感中收集。LUCAS数据满足物联网场景下联邦学习模拟的条件。

^{模型优化的参数缩放}

在计算实验中，DESN架构中的储层数量可通过校准-验证方法进行融合优化调整。从计算角度来看，使用检测到的全光谱区域中的所有原始变量构建模型成本极高。本分析旨在量化采用所提方法时融合模型在计算成本方面的优势。

^结论

本文介绍了基于DESN的联邦学习框架与提出的MGFA方法相融合，用于根据涉及近红外光谱且与广泛地理分布位置相关的LUCAS 2009表土数据集测定土壤样本的有机碳含量。实验中，DESN架构对储层数量和每个储层中神经元数量这两个关键超参数进行了可扩展调优。采用了迭代优化策略...