近日，行星科学团队在火星激光诱导击穿光谱（LIBS）光谱定量研究方面取得新进展，研究成果以“A New Method for Cross-Calibration Between LIBS Systems based on Domain Adaptive Fully Connected Network”为题，发表在光谱学领域国际权威杂志《JOURNAL OF ANALYTICAL ATOMIC SPECTROMETRY》（王晓玉等，2024，JAAS，JCR 1区）上。团队博士生王晓玉为论文的第一作者，团队副研究员刘平为通讯作者。
LIBS技术是元素分析的重要手段，可对样品进行定性/定量分析。其利用脉冲激光清除岩石表面灰尘及风化层，非常适用于行星探测中岩石及土壤的分析。然而，大多数定量模型的成功应用是建立在有足够且正确标注的光谱数据的前提下。例如，为了利用ChemCam-LIBS光谱反演火星上物质的成分，ChemCam团队利用ChemCam的地面样机在模拟火星环境下采集了408种地质样品的LIBS光谱数据，并利用获取的数据建立了一套成分反演模型来推导火星的元素成分。在实际场景中，可能没有充足的数据来建立可靠的定量模型，如对天问一号火星探测任务中搭载的火星表面成分探测仪（MarSCoDe）载荷数据的分析。
基于此，为准确解译MarSCoDe光谱数据，本研究提出了一种域自适应全连接神经网络（Domain-adaptive fully connected neural network，DAFCN）模型（图1）。该模型可以实现两套不同LIBS系统之间的交叉校准，以降低深度学习模型对训练数据量的要求，从而提高定量模型的预测精度。DAFCN模型采用三个全连通层提取特征，然后通过域自适应函数拉近两个数据集在映射空间的距离，从而达到缩小两个数据集之间数据分布差异的目的。
图1 DAFCN模型结构
我们使用了两个数据集（ChemCam-LIBS和SDU-LIBS）来验证模型的可行性和有效性。首先利用源域数据对模型进行训练，然后利用源域和目标域共有样品的数据集进行特征迁移，从而提高了模型对目标域数据的预测精度。实验结果表明（如图2所示），与传统的定量方法相比（全连接网络，PLS，XGBOOST），DAFCN模型在对主量元素的定量上具有更小的RMSEP，更高的R2。综上，本研究提出的域适应模型具有较高的预测精度和鲁棒性，后续可用于交叉校准MarSCoDe-LIBS系统与地面其他LIBS系统，实现对MarSCoDe数据的精确解译。
图2 源域及域适应数据集各主成分元素的真值与预测值的1：1对比曲线（以SDU-LIBS向ChemCam-LIBS传递为例）
近年来，行星科学团队围绕深空探测国家战略需求，在天体化学、行星遥感与光谱学等方面取得了一系列研究成果。本研究得到国家自然科学基金项目、国家航天局项目、山东省自然科学基金项目以及中国博士后科学基金项目等基金的资助。
原文链接：https://pubs.rsc.org/en/content/articlehtml/2024/ja/d3ja00359k
