适当的土壤管理可以维持和改善整个生态系统的健康。适当的土壤管理需要对其特性进行适当的表征,包括土壤有机质 (SOM) 和土壤水分含量 (SMC)。与传统方法相比,基于图像的土壤表征显示出强大的潜力。本研究比较了 22 种不同的监督回归和机器学习算法的性能,包括支持向量机 (SVM)、高斯过程回归 (GPR) 模型、树集合和人工神经网络 (ANN),在实验室环境下用数码相机拍摄的土壤图像中预测 SOM 和 SMC。共提取了 22 个图像参数,并分两步用作模型中的预测变量。首先使用所有 22 个提取的特征开发模型,然后使用 SOM 和 SMC 的六个最佳特征子集。饱和度指数(红色指数)是 SOM 预测的最重要变量,对比度(中位数 S)是 SMC 预测的最重要变量。颜色和纹理参数与 SOM 和 SMC 都表现出高度相关性。结果显示,对于使用六个预测变量的验证数据集,图像参数与实验室测量的 SOM(使用立体派的 R 2 和均方根误差 (RMSE) 分别为 0.74 和 9.80%)和 SMC(使用随机森林的 R 2 和 RMSE 分别为 0.86 和 8.79%)之间存在令人满意的一致性。总体而言,GPR 模型和树模型(立体派、RF 和增强树)最能捕捉和解释本研究中 SOM、SMC 和图像参数之间的非线性关系。
这项倡议下的干预措施的重点是使农作物混合物多样化,包括开放授粉的柔性玉米品种,高粱,珍珠小米,花生,花生,牛皮纸和木薯。这些农作物与土壤水分管理实践和适当种植日期的选择相结合。农民将引入(改进)品种的性能与不同管理实践下的本地品种进行了比较。该项目正在建立的典型的非洲土壤水分管理实践包括:制造脊和浸润(“ Zai”)坑。在雨养农业中使用雨水采集(控制和利用雨水)在非洲许多地区的雨水不确定性上很普遍。该项目还引入了Raingauges和气候预测产品,以改善有关种植时间,作物选择和除草的时机制定的农民决策。
摘要: - 土壤测试是农业,环境监测和土木工程的重要过程。但是,传统的土壤测试方法是耗时且劳动力密集的。在本文中,我们提出了一个可以自动化土壤测试过程的蓝牙控制的土壤测试机器人。机器人配备了土壤传感器和蓝牙模块,这使其可以与智能手机应用程序进行通信。该应用程序可以控制机器人的运动并从传感器接收实时数据。我们还介绍了机器人的设计和实现,包括硬件和软件组件。最后,我们评估了机器人在不同土壤类型中的性能,并将其与传统的土壤测试方法进行比较。关键字: - 土壤测试,自动化,机器人,蓝牙,传感器。
摘要................................................................................................................................................................ i
现场测试对于评估系统的现实性能至关重要。在受控的农业环境中进行了试点测试,以监测系统有效管理水的能力。在实施AI驱动的灌溉系统之前和之后记录了各种参数,例如用水,土壤水分水平和作物生长。在拟议的系统和传统灌溉方法之间进行了比较分析,重点是节水,灌溉效率和作物产量提高。分析了现场测试的性能指标,以确定该系统是否符合其减少水浪费和优化灌溉实践的设计目标。此外,还收集了现场专家和农民的反馈,以对系统的设计和功能进行迭代改进。
摘要:降雨后土壤水分的持久性或记忆具有重大的环境影响。已经为原位和卫星数据分别研究土壤水分干燥已做出了许多工作。在这项工作中,我们介绍了多种英国土壤水分产品的干燥特性的比较,包括卫星合并(即TCM),原位(即cosmos-uk)(即cosmos-uk),水文模型[即Grid-to-Grid to-Grid(G2G)]生态研究支持系统(国际棋)]数据。所有网格产品的干燥衰减时间尺度(T)以1 - 2 km的前所未有的分辨率计算,该分辨率与天气和气候模型有关。由于诸如感应深度等差异,它们的t范围有所不同(SMUK和国际象棋除外),但它们的空间模式与土地覆盖率和土壤类型相关。我们进一步分析了Cosmos-UK站点干燥事件的发生。我们表明,土壤水分干燥状态表现出强烈的季节性依赖性,因此,夏季,土壤比冬季更快地干燥。这些季节性依赖性在模型基准测试和评估过程中很重要。我们表明,基于宇宙和LSM的拟合t良好,cosmos的偏差为较低的t。我们的发现有助于越来越多的文献来表征T,目的是开发一种方法,以系统地验证一系列尺度的模型土壤水分产品。