通过反射光谱和云计算对亚马逊土壤的在线分析可以支持政策和可持续发展

科学领域:

• 地质科学 地质科学
• 环境科学 环境科学
• 数据科学数据科学数据科学

背景情况:

• 像亚马逊河流域 (ARB) 这样的广大偏远地区的传统土壤分析是昂贵的,耗时的,并产生浪费.
• 遥感和云计算为大规模的土壤分析提供了可行的替代方案.
• 预测有机碳和颗粒大小等土壤特性对于土地管理和可持续发展至关重要.

研究的目的:

• 评估土壤光谱学结合基于云计算和离线计算的潜力,用于预测土壤有机碳 (SOC) 和ARB中的颗粒大小 (沙子,泥,粘土).
• 将基于云的建模方法 (BraSpecS平台) 与使用R编程的离线方法的性能进行比较.
• 在两种建模环境中评估cubist机器学习算法对土壤属性预测的准确性.

主要方法:

• 从ARB收集了211个土壤样本,用于湿实验室分析物理化学属性.
• 在土壤样本上进行了Vis-NIR-SWIR光谱学.
• 开发了两种建模方法:M-I) 基于云计算使用BraSpecS和M-II) 离线使用R编程,都采用了立方体算法.
• 使用确定系数 (R2),平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 评估模型性能.

主要成果:

• 这两种建模方法都显示了测量和预测的土壤属性之间的高度一致性.
• 线下模型 (M-II) 在预测粒子大小和SOC方面都超过了在线模型 (M-I).
• 对于粘土含量,线下模型实现了R2=0.85 (MAE=86.16,RMSE=111.73),而在线模型实现了R2=0.70 (MAE=111.73,RMSE=144.19).
• 对于SOC,离线模型实现了R2=0.81 (MAE=3.42,RMSE=4.57),而在线模型的R2=0.72 (MAE=3.66,RMSE=5.53).

结论:

• 反射光谱和云计算是用于在ARB等广泛和偏远地区测量土壤的强大工具.
• 与基于云的平台相比,使用R编程的离线建模在预测关键土壤特性方面表现出卓越的性能.
• 这些技术的联合使用可以显著支持亚马逊地区的环境政策和可持续发展倡议.