使用深度机器学习模型,从破碎的滚筒篮中开发土壤耕地质量评估方法

科学领域:

• 农业工程 农业工程
• 土壤科学 土壤科学
• 遥感技术 遥感技术 遥感技术

背景情况:

• 结合耕作实践,利用盘子,撕裂器和滚筒篮,旨在通过松压缩的土壤和分解土壤块来改善土壤结构.
• 目前用于评估这些耕作过程中产生的土壤耕作质量的统计方法是不够的.
• 评估土壤耕作对于优化农业生产力和土壤健康至关重要.

研究的目的:

• 通过使用光检测和测距 (LiDAR) 数据和机器学习模型,研究滚筒篮压力设置对土壤倾斜质量的影响.
• 开发和验证基于传感器数据和预测算法对土壤倾斜度进行分类的方法.
• 建立一个定量方法来评估精准农业中的土壤耕作.

主要方法:

• 在粘土土土壤上进行了一项组合耕作实验,使用三种处理方法:滚筒篮下,滚筒篮上,无耕作,每种有三次复制.
• 测量了土壤形状,使用停止和移动的LiDAR扫描和移动的LiDAR扫描,以及RGB视觉成像.
• 机器学习模型,包括随机森林 (RF),支持矢量机 (SVM) 和神经网络 (NN) 被应用到LiDAR数据上,特征重要性分析侧重于统计措施 (中位数,平均值,最大值,标准偏差).

主要成果:

• 射频,SVM和NN模型确定LiDAR衍生土壤数据的中位数,平均值,最大值和标准偏差作为由滚筒设置影响的关键变量.
• 多变量歧视性分析预测了三种土壤耕种类别的高准确性:滚筒篮下77%;滚筒篮上64%;无到90%.
• 从LiDAR数据分析中获得的土壤倾斜类与从RGB图像分析中获得的土壤倾斜类有很强的相关性.

结论:

• 使用LiDAR数据的机器学习模型有效地根据组合耕地滚筒篮压力设置对土壤倾地质量进行分类.
• 这种方法提供了一种数据驱动的方法,用于优化耕作作业和改善土壤管理实践.
• 激光雷达技术和机器学习的整合为农业环境中实时评估和控制土壤耕作提供了一个有前途的工具.