Apr, 2024

利用组合的基于 USB 显微镜的土壤图像、辅助变量和便携式 X 射线荧光光谱法进行土壤肥力预测

PDF
TL;DR本研究探讨了便携式 X 射线荧光光谱法和土壤图像分析在快速评估土壤肥力方面的应用，重点关注可利用的硼、有机碳、可用锰、可用硫和硫可利用性指标等关键参数。通过分析来自东印度不同农业气候区的 1,133 个土壤样本，研究采用了随机森林模型将显微土壤图像的颜色和纹理特征、PXRF 数据和辅助土壤变量 (AVs) 进行结合。结果表明，将图像特征 (IFs) 与辅助变量 (AVs) 相结合，能显著提高可利用硼 (R^2 = 0.80) 和有机碳 (R^2 = 0.88) 的预测准确性。数据融合方法进一步提高了可用锰和硫可利用性指标的预测准确性，R^2 分别为 0.72 和 0.70。该研究展示了这些综合技术有潜力提供快速、经济的土壤测试选项，开发更精密的预测模型，更好地理解土壤的肥力和健康状况。未来的研究应集中在应用更大规模的土壤图像数据集和更广泛的农业气候区域的土壤开展深度学习模型的应用。
portable x-ray fluorescence spectrometrysoil image analysissoil fertilityauxiliary variablesdata fusion
发现论文，激发创造
  • 利用近红外光谱、深度学习方法和粉末 X 射线衍射相量化技术快速检测土壤碳酸盐

    本研究提出了一种快速有效的方法，通过使用 FT NIR 反射光谱技术和深度学习方法来预测土壤中的碳酸盐含量，并利用多种机器学习方法比较了它们在两个 NIR 光谱库的结合数据集上的预测性能，结果显示深度学习模型是优秀的土壤碳酸盐含量预测工具。

    Jul, 2023

  • 利用卫星图像联合估算苏格兰地区地上生物量和土壤有机碳量的总碳储量

    本文旨在结合 AGB 和 SOC 两个领域，通过准确检测其变化来改善碳信用认证市场中的总碳估计，并提出新的关于这两个领域间积极相关性的模型来尝试超越现有的最佳结果。机器学习技术表现出最佳效果。

    May, 2022

  • 利用基于机器学习的步频 GPR 现场测量进行土壤分析：初步研究

    使用基于机器学习的高分辨率脉冲触发波雷达（SFCW）测量结合地质雷达（GPR）仪器，对应用于农业环境中提取土壤参数的方法进行了广泛的研究，结果表明该方法可在根部深度上以成本效益较高的方式提供深度分辨的土壤参数。

    Apr, 2024

  • 可持续土壤管理的领域适应性：因果与对比约束最小化

    通过多模式可扩展的框架，结合远程感测数据和稀疏土壤信息，实现有机质估算，提高泛化性和适应性，并确定影响有机质的关键土壤属性，有助于标准化数据收集工作。

    Jan, 2024

  • 利用 Random Forests 集合对融合的 Sentinel-1 和 Sentinel-2 影像进行土地利用 / 土地覆盖分类

    该研究通过合成孔径雷达（SAR）和可见 - 近红外 - 短波红外（VNIR-SWIR）成像技术，对土地利用 / 土地覆盖（LULC）分类进行了协同组合的探索，旨在研究这种融合对 LULC 分类的影响。研究通过集成随机森林（RFE）的方法，引入随机旋转以克服随机森林的局限性，并通过比较不同旋转方法的性能来提高分类器的效能。实验结果表明，基于 SRP 的 RFE 在前两个数据集上表现最佳，平均 kappa 值为 61.80% 和 68.18%；基于 CRP 的 RFE 在最后三个数据集上表现出色，平均 kappa 值分别为 95.99%、96.93% 和 96.30%。此外，将纹理与 SAR 波段相结合，使整体 kappa 值最大增加了 10.00%，而将纹理添加到 VNIR-SWIR 波段上，则使整体 kappa 值最大增加了约 3.45%。

    Dec, 2023

  • 粗颗粒土壤颗粒大小分析的计算机视觉

    通过利用计算机视觉和 Python 编程语言，本研究提出了用于对粗粒土壤进行粒径分析的新方法，并使用标准手机相机来进行粒度检测，从而提供了便利和成本节约的解决方案。

    Nov, 2023

  • 利用高分辨率多光谱无人机影像和机器学习对胡桃树的水分应激进行映射

    通过使用无人机飞行的高分辨率多光谱遥感图像和天气数据，结合随机森林（RF）模型的机器学习方法来绘制茎部水势（SWP），根据同时进行的样本核桃树的地面测量，有效估计核桃树 SWP 水分，该方法还通过结合热数据、NDVI、红边指数和天气数据进行核桃水分压力估计和评估，为核桃园中以个体植株为单位的数据驱动的精确灌溉管理提供可扩展、经济高效的工具。

    Dec, 2023

  • 机器学习中的人类限制：利用土壤微生物组数据预测植物表型

    本研究使用机器学习的方法，通过分析土壤生物、化学和物理性质以及微生物群落密度等环境特征，提高了对植物表型的预测准确度，并对数据预处理策略进行探讨，强调合理的标签定义比正态化、分类水平或模型特征更为关键。

    Jun, 2023

  • 土壤采样点最佳选择的深度学习框架

    通过利用深度学习在图像处理方面的最新进展，本研究提出了一种基于自注意力机制的编码 - 解码架构模型，用于自动选择土壤采样点，并在土壤采样数据集上实现了优于传统卷积神经网络方法的令人印象深刻的结果。

    Sep, 2023

  • 通过机器分类表面增强拉曼光谱确定痕量有机污染物浓度

    使用机器学习方法从原始拉曼数据中预测样本污染物的浓度，以及标准机器学习模型和深度学习方法在模型训练和特征选择中的准确性。

    Jan, 2024