基于卫星、气象、黏土和产量数据的土壤参数预测的机器学习模型
机器学习
2025-03-31 v1 人工智能
摘要
高效营养管理和精准肥料配置是推动现代农业，尤其是在致力于可持续提高作物产量的地区，的关键任务。AgroLens 项目致力于开发基于机器学习（ML）的方法，用于预测土壤养分水平，无需依赖实验室检测。该项目运用最先进的技术，为资源受限地区（如非洲）的农业生产提供可操作的见解。方法首先开发了基于 LUCAS 土壤数据集和 Sentinel-2 卫星影像的欧洲模型，用于估计关键土壤属性，包括磷、钾、氮含量以及 pH 水平。随后，模型通过整合气象数据、收获率和黏土 AI 生成的嵌入向量进行增强。本报告详细阐述了方法论框架、数据预处理策略以及所采用的 ML 流程。实现了包括随机森林、极端梯度提升（XGBoost）和全连接神经网络（FCNN）在内的多种高级算法，并进行精细调优，以实现精准的养分预测。结果显示，模型性能稳健，均方根误差值达到了严格的准确性阈值。通过建立可复制且可扩展的土壤养分预测管道，本研究为实现精准肥料配置和改善资源分配，尤其是在资源受限地区（如非洲），铺平了变革性农业应用的道路。
引用
@article{arxiv.2503.22276,
title = {Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data},
author = {Calvin Kammerlander and Viola Kolb and Marinus Luegmair and Lou Scheermann and Maximilian Schmailzl and Marco Seufert and Jiayun Zhang and Denis Dalic and Torsten Schön},
journal= {arXiv preprint arXiv:2503.22276},
year = {2025}
}
备注
This technical report is the documentation of a student project collaboration between Technische Hochschule Ingolstadt and MI4People