在以及大部分亞熱帶和熱帶世界，由于缺乏有效的土壤肥力測試，一組科學家開始探索如何將智能手機相機轉變?yōu)楣δ軓姶笄译S時可用的替代品。該研究團隊最近發(fā)表在Elsevier期刊Biosystems Engineering 上，描述了基于圖像的土壤有機質 (SOM) 評估領域的重要進展，以及它如何簡化評估土壤肥力的過程。
這項在西孟加拉邦進行的研究使用了該邦三個農業(yè)氣候區(qū)的土壤樣本。通過分析土壤顏色的差異，該技術使用先進的模型來量化 SOM 狀態(tài)，這可以作為確定土壤養(yǎng)分水平以及與土壤質量和土壤健康相關的其他特征的基礎。
與傳統(tǒng)方法相比，圖像分析具有優(yōu)勢，傳統(tǒng)方法的有效性和范圍有限。實驗室分析需要昂貴的設備以及與土壤樣品收集和處理相關的大量勞動力和時間?；诤唵蔚闹悄苁謾C圖像快速可靠地評估 SOM 將大大簡化西孟加拉邦等地區(qū)的土壤肥力評估。
“解鎖一種更簡單的方法來獲取 SOM 數(shù)據(jù)創(chuàng)造了新的機會，可以在以前因缺乏養(yǎng)分管理決策支持服務而受到限制的作物生產(chǎn)地區(qū)推進更精確、數(shù)據(jù)驅動的農業(yè)，”該研究的合著者兼總干事解釋說。非洲植物營養(yǎng)研究所，Kaushik Majumdar 博士。
該研究領域面臨的主要挑戰(zhàn)集中在難以設計一個強大的分析系統(tǒng)，該系統(tǒng)能夠在可能需要解釋的許多可能的土壤表面顏色梯度中同樣發(fā)揮作用。
為此，作者設計了一種新方法，通過分離圖像中檢測到的土壤和非土壤部分來改進圖像解釋。該技術能夠快速預測 SOM 值，并且與傳統(tǒng)土壤分析確定的值具有高度相關性。通過機器學習 (ML)，該團隊正在教導他們的模型通過有意挑戰(zhàn)其識別和排除任何引起錯誤的信號來不斷提高其準確性。
該研究推進了土壤圖像解釋的科學，但研究人員認識到需要進一步研究將該技術推向該領域。接下來的步驟將開始將模型暴露在更廣泛的樣本圖像中，以教 ML 模型如何更好地識別土壤類型、質地、濕度和景觀中位置的影響。
標簽：
免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！