利用可见光-近红外光谱与机器学习方法诊断甘蔗土壤化学性质
机器学习
2021-05-12 v3
摘要
了解土壤化学性质可能对作物管理和总产量具有决定性意义。传统的土壤性质估算方法耗时且需要复杂的实验室装置，使农民难以及时采取最优种植措施。基于土壤光谱信号（vis-NIRS）估算土壤性质已成为一种低成本、非侵入且非破坏性的替代方案。现有方法使用数学与统计技术，回避机器学习框架。本方案将 vis-NIRS 用于甘蔗土壤，并采用三种回归与六种分类等机器学习技术。其范畴是评估预测和推断常见土壤性质（pH、土壤有机质 OM、Ca、Na、K 和 Mg）类别的性能，以最常用的指标进行评价。我们使用回归估算性质，使用分类评估土壤性质状况。在这两种情况下，我们在文献报道的类似装置上取得了可比较的性能：验证集中 pH(=0.8, =0.89)、OM(=0.37, =0.63)、Ca(=0.54, =0.74)、Mg(=0.44, =0.66)。
引用
@article{arxiv.2012.12995,
title = {Using vis-NIRS and Machine Learning methods to diagnose sugarcane soil chemical properties},
author = {Diego A. Delgadillo-Duran and Cesar A. Vargas-García and Viviana M. Varón-Ramírez and Francisco Calderón and Andrea C. Montenegro and Paula H. Reyes-Herrera},
journal= {arXiv preprint arXiv:2012.12995},
year = {2021}
}