基于pH、电导率和酸碱溶液平均功率的土壤微量营养盐水平预测：一种机器学习方法
机器学习
2025-04-08 v1 人工智能
生物物理
定量方法
摘要
土壤微量营养盐，特别是钾离子(K^+)，对于植物健康至关重要，构成了各种生理和生物学过程的基础，并有助于管理生物学和非生物学应激。微量营养盐不足会导致生长受阻、成熟延迟以及对环境胁迫的增加，从而加剧了对精确土壤养分监测的必要性。传统技术，如化学测定、原子吸收光谱、电感耦合等等虽然先进，但成本高昂且耗时，因此不适用于实时养分监测。本研究提出了一种创新的土壤检测方案，利用源自合成溶液的数据集来建模土壤行为。数据集包括电导率和pH等物理属性，重点关注三种关键微量营养盐：氮(N)、磷(P)和钾(K)。本研究应用了四种机器学习算法，对数据集进行建模，其中随机森林回归器和神经网络被选用于预测土壤营养盐浓度。与实验室土壤检测结果的比较显示，使用随机森林模型对磷的预测误差为23.6%，对钾的预测误差为16%；使用神经网络模型对磷的预测误差为26.3%，对钾的预测误差为21.8%。这种方法论证了一种具有成本效益且高效的策略，用于实时土壤养分监测，为传统技术提供了显著的进步，增强了维持有利于健壮作物生长的最佳营养水平的能力。
引用
@article{arxiv.2504.04138,
title = {Predicting Soil Macronutrient Levels: A Machine Learning Approach Models Trained on pH, Conductivity, and Average Power of Acid-Base Solutions},
author = {Mridul Kumar and Deepali Jain and Zeeshan Saifi and Soami Daya Krishnananda},
journal= {arXiv preprint arXiv:2504.04138},
year = {2025}
}