3月2日高光谱传感和人工智能为监测土壤碳铺平了新的道路

土壤中有多少碳?这是一个在大空间尺度上难以回答的问题，但了解区域、国家或全球尺度的土壤有机碳可以帮助科学家预测整体土壤健康、作物生产力，甚至全球碳循环。

传统上，研究人员在田间收集土壤样本并将它们拖回实验室，在那里他们分析材料以确定其组成。但这既费时又费力，成本高昂，而且只能提供对特定位置的见解。

在最近的一项研究中，伊利诺伊大学的研究人员表明，基于实验室土壤高光谱数据的新机器学习方法可以提供同样准确的土壤有机碳估计值。他们的研究为使用机载和卫星高光谱传感监测大面积地表土壤有机碳奠定了基础。

“土壤有机碳是土壤健康以及农田生产力的一个非常重要的组成部分，”主要研究作者、农业生态系统可持续性中心 (ASC) 和自然资源与环境科学系 (NRES) 研究助理教授王盛说)在 U of I。“我们使用非常密集的国家土壤实验室光谱数据库对机器学习算法进行了全面评估，以量化土壤有机碳。”

Wang 和他的合作者利用了农业部自然资源保护局的公共土壤光谱库，其中包含超过 37,500 条现场收集的记录，代表各地的所有土壤类型 与每种物质一样，土壤反射独特光谱带中的光，科学家可以解释以确定化学化妆。

“光谱是土壤特性的数据丰富的指纹;我们正在谈论每个样本的数千个点，”作物科学系助理教授、该研究的合著者 Andrew Margenot 说。“你可以通过扫描未知样本并应用一种已经使用了几十年的统计方法来获得碳含量，但在这里，我们试图筛选几乎所有潜在的建模方法，”他补充道。

“我们知道其中一些模型有效，但新颖之处在于规模，而且我们尝试了机器学习算法的全部范围。”

NRES 首席研究员、ASC 创始主任兼副教授关凯宇说：“这项工作为使用高光谱和多光谱遥感技术在土壤表层测量土壤碳特性奠定了基础。这可以扩展到可能的任何地方。”

在根据土壤库选择最佳算法后，研究人员使用模拟的机载和星载高光谱数据对其进行了测试。正如预期的那样，他们的模型解释了表面光谱图像中固有的“噪音”，返回了土壤有机碳的高精度和大尺度视图。

“宇航局和其他机构有新的或即将进行的高光谱卫星任务，很高兴知道我们将准备好利用新的人工智能技术来预测重要的土壤特性，并利用这些任务返回的光谱数据，”王说。

在伊利诺伊州学习计算机科学的本科生张晨辉也参与了该项目，作为国家超级计算应用中心的学生推动创新 (SPIN) 计划实习的一部分。

“高光谱数据可以提供关于土壤特性的丰富信息。机器学习的最新进展使我们免于构建手工制作特征的麻烦，同时为土壤碳提供高预测性能，”张说。“作为计算机科学和农业领域的领先大学，I of I 提供了一个探索人工智能和农业跨学科科学的绝佳机会。我对此感到非常兴奋。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！