Hiperspektrális érzékelés és mesterséges intelligencia: a talaj szén-dioxid-kibocsátásának nyomon követése

Az Illinois Egyetem kutatói laboratóriumi talaj hiperspektrális adatain alapuló új gépi tanulási módszerek segítségével pontos becsléseket adhatnak a talaj szervesszénszintjéről.

A talaj szervesszéntartalmának regionális, nemzeti vagy globális szintű megértése segítheti a tudósokat a talaj általános egészségi állapotának, a növények termelékenységének és akár a világ szénciklusainak előrejelzésében.

Klasszikus módon a kutatók talajmintákat gyűjtenek a terepen, majd visszaviszik a laboratóriumba, ahol elemzik az anyagot, hogy meghatározzák annak összetételét. Ez azonban idő- és munkaigényes, költséges, és csak bizonyos helyszínekre vonatkozóan ad felvilágosítást.

Laboratóriumi talaj, hiperspektrális adatok

Egy nemrégiben készült tanulmányban az Illinois Egyetem kutatói azt állítják, hogy a laboratóriumi talaj hiperspektrális adatain alapuló új gépi tanulási módszerek ugyanilyen pontos becsléseket adhatnak a talaj szerves szén-dioxid-kibocsátásáról. Tanulmányuk megalapozza a légi és műholdas hiperspektrális érzékelés használatát a felszíni talaj szervesszéntartalmának nagy területeken történő nyomon követésére.

A tanulmány vezető szerzője, Sheng Wang és munkatársai az USDA Natural Resources Conservation Service nyilvános talajspektrum-könyvtárát használták fel, amely több mint 37 500 terepen gyűjtött adatot tartalmaz, és az Egyesült Államok összes talajtípusa szerepel benne. A talaj egyedi spektrális sávokban veri vissza a fényt, amelyeket a tudósok a kémiai összetétel meghatározásához értelmezni tudnak.

A gépi tanulási algoritmusok teljes skálája

Andrew Margenot, a növénytani tanszék adjunktusa és a tanulmány társszerzője szerint a széntartalmat egy ismeretlen minta beolvasásával és egy évtizedek óta használt statisztikai módszer alkalmazásával lehet meghatározni. „Itt azonban megpróbáltunk átvilágítani nagyjából minden lehetséges modellezési módszert. Tudtuk, hogy ezek közül néhány modell működik, de az újdonságot a skála jelenti, és az, hogy a gépi tanulási algoritmusok teljes skáláját kipróbáltuk.”

Miután a talajkönyvtár alapján kiválasztották a legjobb algoritmust, a kutatók szimulált légi és űrből származó hiperspektrális adatokkal tették próbára. A várakozásoknak megfelelően modelljük figyelembe vette a felszíni spektrális felvételekben rejlő „zajt”, rendkívül pontos és nagyméretű képet adva vissza a talaj szervesszéntartalmáról.

Kaiyu Guan, a kutatás vezetője, az ASC alapító igazgatója, az NRES docense elmondta: „Ez a munka megalapozta a hiperspektrális és multispektrális távérzékelési technológia használatát a talaj szén-dioxid-tulajdonságainak talajfelszíni szintű mérésére. Ezáltal lehetővé válik a skálázás mindenhol.”