Machine learning methods applied to combined Raman and LIBS spectra: Implications for mineral discrimination in planetary missions
Notice bibliographique
Résumé
Abstract The combined analysis of geological targets by complementary spectroscopic techniques could enhance the characterization of the mineral phases found on Mars. This is indeed the case with the SuperCam instrument onboard the Perseverance rover. In this framework, the present study seeks to evaluate and compare multiple machine learning techniques for the characterization of carbonate minerals based on Raman‐LIBS (Laser‐Induced Breakdown Spectroscopy) spectroscopic data. To do so, a Ca‐Mg prediction curve was created by mixing hydromagnesite and calcite at different concentration ratios. After their characterization by Raman and LIBS spectroscopy, different multivariable machine learning (Gaussian process regression, support vector machines, ensembles of trees, and artificial neural networks) were used to predict the concentration ratio of each sample from their respective datasets. The results obtained by separately analyzing Raman and LIBS data were then compared to those obtained by combining them. By comparing their performance, this work demonstrates that mineral discrimination based on Gaussian and ensemble methods optimized the combine of Raman‐LIBS dataset outperformed those ensured by Raman and LIBS data alone. This demonstrated that the fusion of data combination and machine learning is a promising approach to optimize the analysis of spectroscopic data returned from Mars.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».