关键词:
火星
激光诱导击穿光谱
机器学习
集成学习
深度学习
化学成分
摘要:
激光诱导击穿光谱(LIBS)是一种元素发射光谱,可快速获取样品的化学成分信息。天问一号是我国首次火星探测任务,祝融号火星车搭载的火星表面成分探测仪载荷(MarSCoDe),采用LIBS光谱技术获取火星表面化学成分信息。然而,火星表面大气环境变化复杂,岩石和矿物种类多样,将影响LIBS等离子体的形成和演化过程,进而影响基于MarSCoDe-LIBS光谱数据反演物质成分的准确性和可靠性。针对MarSCoDe-LIBS实测数据的反演需求,该研究采用自主构建的LIBS光谱数据库探索不同算法对LIBS光谱数据反演的性能,为构建适用于MarSCoDe的模型提供支撑。选用351种类火星地质标样,在模拟火星环境下构建LIBS光谱数据库,基于数据库和标样的化学成分信息,采用机器学习、集成学习和深度学习等9种不同的算法,构建了SiO_(2)、TiO_(2)、Al_(2)O_(3)、Fe_(2)O_(3)T、MgO、CaO、Na_(2)O、K_(2)O等主量元素反演模型。建模采用交叉验证的方式进行模型调参,并基于测试集误差评估模型性能。研究发现,除普通最小二乘法外,其他8种模型训练集和测试集的RMSE接近,说明没有明显的过拟合现象;在所有模型中,多层感知机回归和梯度提升回归模型对主量元素反演可取得最优性能,模型RMSEP与ChemCam、SuperCam等国际LIBS数据库公布的反演模型误差相当,证明本研究构建的模型效果较好,可基于未知样品的LIBS光谱准确反演其化学成分信息。该研究对不同模型的调参过程及反演结果评价,为构建适用于天问一号MarSCoDe-LIBS实测数据解译的模型提供了重要的算法参考。