Гиперспектральное зондирование и искусственный интеллект открывают новый путь для мониторинга углерода в почве
Исследователи из Университета Иллинойса показали, что новые методы машинного обучения, основанные на лабораторных гиперспектральных данных о почве, могут обеспечить столь же точные оценки содержания почвенного органического углерода. Их работа закладывает основу для использования аэро- и спутникового гиперспектрального зондирования для мониторинга поверхностного почвенного органического углерода на больших площадях.
Понимание запасов почвенного углерода в региональном, национальном или глобальном масштабе критически важно для прогнозирования здоровья почв, продуктивности сельхозугодий и глобальных углеродных циклов. Классические методы, основанные на полевом отборе и лабораторном анализе образцов, требуют много времени и средств и дают информацию только по конкретным точкам. В новом исследовании ученые провели всестороннюю оценку алгоритмов машинного обучения, используя обширную национальную базу спектральных данных лабораторий почвоведения USDA Natural Resources Conservation Service, содержащую более 37 500 полевых записей.
«Спектры — это богатые данными „отпечатки пальцев“ свойств почвы; мы говорим о тысячах точек данных для каждого образца, — говорит соавтор исследования Эндрю Маргенот. — Новизна работы — в масштабе и в том, что мы опробовали полный спектр алгоритмов машинного обучения». После выбора лучшего алгоритма исследователи протестировали его на смоделированных аэро- и космических гиперспектральных данных. Модель успешно учла «шум», присущий спектральным изображениям поверхности, и обеспечила высокоточную картину содержания углерода.
«Эта работа заложила основу для использования гиперспектральных и мультиспектральных технологий дистанционного зондирования для измерения свойств почвенного углерода на уровне поверхности, — отмечает ведущий исследователь Кайю Гуань. — Это может позволить масштабирование, возможно, на все регионы». Ведущий автор Шэн Ван добавляет, что готовность использовать новые технологии ИИ для анализа данных предстоящих гиперспектральных миссий NASA и других учреждений открывает большие возможности. Статья опубликована в журнале Remote Sensing of Environment.