XiaoMi-AI文件搜索系统
World File Search System土壤水分
基于机器学习的高分辨率土壤水分映射和时空分析：MLHRSM包装
摘要：土壤水分是关键的环境变量。缺乏软件来促进非专家在估算和分析领域的土壤水分时。本研究提出了一个新的开源R包MHRSM，可用于生成基于机器学习的高分辨率（每天30至500 m，每天到每月）土壤水分图和在0-5 cm和0-1 m的连续美国所选地点的不确定性估计。该模型基于分位数随机森林算法，集成了原位土壤传感器，卫星来源的土地表面参数（植被，地形和土壤），以及基于卫星的表面和根Zone土壤水分的卫星模型。它还提供了用于生成土壤水分图的空间和时间分析的功能。提供了一个案例研究，以证明每天在70 ha农作物领域每天生成30 m至每周土壤水分图的功能，然后进行空间 - 周期分析。
使用基于蓝牙的数据进行土壤水分测试...
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。
根据...预测土壤有机质和土壤水分含量
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。
优化作物混合物和土壤水分管理为...
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。
使用 TWI 和卫星图像进行土壤水分建模...
摘要................................................................................................................................................................ i
