高光谱传感和人工智能为土壤碳监测开辟新途径

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，”农业生态系统可持续性中心 (ASC) 和自然资源与环境科学系的主要研究作者和研究助理教授王盛说。NRES)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美国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，代表美国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。“您可以通过扫描未知样本并应用已使用数十年的统计方法来获取碳含量，但在这里，我们试图筛选几乎所有潜在的建模方法。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。这可以使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，他们的模型解释了地表光谱图像中固有的“噪音”，返回了土壤有机碳的高精度和大尺度视图。

“NASA 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 (AI) 技术利用这些任务返回的光谱数据来预测重要的土壤特性，”王说。

在伊利诺伊州攻读计算机科学的本科生张晨辉也在国家超级计算应用中心的学生推动创新 (SPIN) 计划实习期间参与了该项目。

免责声明：本文由用户上传，如有侵权请联系删除！