BR112019012178B1 - Classificação de textura e teor do solo por espectroscopia no infravermelho próximo - Google Patents
Classificação de textura e teor do solo por espectroscopia no infravermelho próximo Download PDFInfo
- Publication number
- BR112019012178B1 BR112019012178B1 BR112019012178-1A BR112019012178A BR112019012178B1 BR 112019012178 B1 BR112019012178 B1 BR 112019012178B1 BR 112019012178 A BR112019012178 A BR 112019012178A BR 112019012178 B1 BR112019012178 B1 BR 112019012178B1
- Authority
- BR
- Brazil
- Prior art keywords
- soil
- soil sample
- texture
- sample
- estimate
- Prior art date
Links
- 239000002689 soil Substances 0.000 title claims abstract description 194
- 238000004497 NIR spectroscopy Methods 0.000 title abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 239000004927 clay Substances 0.000 claims abstract description 37
- 239000004576 sand Substances 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 74
- 238000012549 training Methods 0.000 claims description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 239000004016 soil organic matter Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000001035 drying Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000007873 sieving Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 238000010298 pulverizing process Methods 0.000 claims 1
- 238000007560 sedimentation technique Methods 0.000 claims 1
- 238000011282 treatment Methods 0.000 abstract description 6
- 239000003337 fertilizer Substances 0.000 abstract description 3
- 230000002363 herbicidal effect Effects 0.000 abstract description 2
- 239000004009 herbicide Substances 0.000 abstract description 2
- 239000000575 pesticide Substances 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 46
- 238000004458 analytical method Methods 0.000 description 11
- 238000010200 validation analysis Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000009418 agronomic effect Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000001594 aberrant effect Effects 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 238000010238 partial least squares regression Methods 0.000 description 3
- 238000004062 sedimentation Methods 0.000 description 3
- 229910019142 PO4 Inorganic materials 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010452 phosphate Substances 0.000 description 2
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005527 soil sampling Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000010963 scalable process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- -1 silt Substances 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Geology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Modelo preditivo para estimar as proporções de areia, limo e barro em uma amostra de solo com base em espectroscopia no infravermelho próximo (NIRS) realizada nas amostras de solo. O modelo de previsão da textura do solo é treinado através do uso de dados de teste de NIRS de referência e de espectros de amostras de solo coletadas para os quais os dados de teste de referência foram coletados. As estimativas produzidas pelo modelo podem ser usadas para determinar uma variedade de propriedades da amostra de solo, tais como propriedades hidrológicas e qualidade do solo. O conhecimento dessas propriedades é útil para dar embasamento às decisões que agrônomos, produtores ou gerentes de fazenda tomam durante o ano. Por exemplo, agrônomos usam as propriedades determinadas para inferir o desempenho do solo sob qualquer tratamento ou aplicação, por exemplo, aplicação de sementes, fertilizante, pesticida e herbicida.
Description
[0001] Este pedido reivindica prioridade do Pedido de Patente Provisório dos EUA 62/435.655 depositado em 16 de dezembro de 2016.
[0002] A presente revelação refere-se de modo geral a um método de amostragem do solo para agricultura, mais especificamente para classificação de características do solo.
[0003] Há alguns métodos existentes para medir as propriedades hidrológicas do solo, tais como capacidade de campo (FC), saturação (Sat), ponto de murcha permanente (PWP) e água disponível para plantas (PAW). Um método é para medir diretamente essas quantidades no laboratório físico através do uso de uma tabela de tensão. Enquanto isso, outros métodos estimam essas propriedades hidrológicas, tais como funções de pedotransferência (PTFs), compactação, condutividade elétrica, salinidade, teor de cascalho etc., que avaliam várias propriedades do solo, inclusive: areia, barro e matéria orgânica do solo (SOM), entre outras; que derivam essas quantidades de saída através do uso de funções matemáticas associadas. PTFs, também denominadas como modelos de PTF, variam por projeto regional e podem incluir outras entradas de modelo com graus variáveis de sensibilidade.
[0004] Quando propriedades hidrológicas são estimadas através do uso de PTFs, as entradas do modelo são tipicamente adquiridas através de análise de laboratório por meio de pipeta, através de métodos de sedimentação, ou inferidas a partir do mapeamento no campo da condutividade elétrica do solo. Esses processos são dispendiosos com relação ao trabalho humano e à pegada laboratorial. Como resultado, PTFs não são usados na prática agronômica comercial devido ao custo de análise elevado. Em particular, o uso de um instrumento em campo que possa mapear espacialmente a condutividade elétrica envolve a passagem de um instrumento eletromagnético sobre o campo e a coleta da condutividade elétrica do solo sob o instrumento; esse método é caro e não se compatibiliza bem com uma grande oferta de serviço que abranja um número grande de acres.
[0005] Esta revelação refere-se a um sistema e método de planejamento de nutrientes que permite a agrônomos, produtores ou gerentes de fazendas novatos ou intermediários criar planos de nutrição de culturas de alta qualidade que permitam a produção de alimentos sustentável, eficiente e rastreável. O sistema e método fornecem em particular uma saída que pode alimentar um modelo agronômico.
[0006] Uma das saídas do sistema e método é uma estimativa da textura do solo, das proporções de areia, limo e barro em uma amostra de solo. Esta revelação fornece um método barato de determinar a textura do solo através do uso de um modelo de previsão. Um método barato de determinar a capacidade de contenção de água e a qualidade do solo também é fornecido. A capacidade de contenção de água do solo é uma medição da quantidade de água que o solo pode reter. O conhecimento dessa propriedade hidrológica pode afetar as decisões que agrônomos, produtores ou gerentes de fazenda tomam durante o ano. A capacidade de contenção de água é determinada com base no conhecimento da textura do solo. Consequentemente, ser capaz de determinar a determine textura do solo de forma exata e barata é de enorme valor para a tomada de decisões agrônomas. Ademais, a textura do solo, por sua vez, é relacionada à qualidade do solo, que pode ser usada por agrônomos para interpretar o desempenho do solo sob qualquer tratamento ou aplicação, por exemplo, a aplicação de sementes, fertilizante, pesticida, herbicida ou outros não mencionados.
[0007] Em uma modalidade, o modelo de previsão da textura do solo é treinado através do uso de dados de teste de referência de espectroscopia no infravermelho próximo (NIRS) e espectros colhidos de amostras de solo para os quais os dados de teste de referência foram coletados para ajudar a facilitar o modelo de previsão das propriedades do solo para uso com PTFs para prever as propriedades hidrológicas do solo.
[0008] Deve-se entender que as figuras e descrições da presente revelação foram simplificadas para ilustrar elementos que são relevantes para um claro entendimento da presente revelação, enquanto elimina, para fins de clareza, vários outros elementos encontrados em um sistema típico. Os elementos versados na técnica podem reconhecer que outros elementos e/ou etapas são desejáveis e/ou exigidos na implementação da presente revelação. Contudo, uma vez que tais elementos e etapas são bem conhecidos na técnica, e uma vez que os mesmos não facilitam um melhor entendimento da presente revelação, este documento não fornece uma abordagem de tais elementos e etapas. A revelação neste documento é voltada a todas essas variações e modificações de tais elementos e métodos conhecidos aos elementos versados na técnica.
[0009] Os detalhes da presente invenção como um método podem ser obtidos parcialmente pelo estudo dos desenhos que acompanham o presente documento, nos quais as figuras são denominadas através de numerais, e são os seguintes: A Figura 1 é um diagrama em fluxo de um método exemplificativo para preparar amostras de solo para análise de NIRS, de acordo com uma modalidade. A Figura 2 é um diagrama em fluxo de um método exemplificativo para realização de análise de NIRS e de uso dos espectros do solo de saída como uma entrada para um modelo de previsão da textura do solo para estimar a textura do solo, de acordo com uma modalidade. A Figura 3 é um diagrama em fluxo de um método exemplificativo para avaliar a saída do modelo de previsão da textura do solo que inclui etapas para determinar o uso de amostras de solo avaliadas para aperfeiçoar um modelo de previsão da textura do solo treinado, de acordo com uma modalidade. A Figura 4 é um diagrama em fluxo de um método exemplificativo para treinar um modelo de previsão da textura do solo, de acordo com uma modalidade. A Figura 5 é um exemplo de uma página de sumário de barro e areia de um relatório de validação de barro, de acordo com uma modalidade. A Figura 6 é um exemplo do relatório de validação de barro e areia para um erro de previsão médio de barro, de acordo com uma modalidade. A Figura 7 é um exemplo do relatório de validação de barro e areia para os valores de componentes de barro, de acordo com uma modalidade. A Figura 8 é um exemplo de previsão para barro, de acordo com uma modalidade. A Figura 9 é um exemplo de previsão para areia, de acordo com uma modalidade. A Figura 10 é um exemplo de um espectro de NIR, de acordo com uma modalidade. A Figura 11 é um sumário de previsão exemplificativo, de acordo com uma modalidade.
[0010] Algumas porções da descrição acima descrevem as modalidades em termos de algoritmos e representações simbólicas de operações em informações. Essas descrições e representações algorítmicas são usadas comumente por aqueles versados nas técnicas de processamento de dados para transmitir a substância de seu trabalho a outros elementos versados na técnica de forma eficaz. Essas operações, embora descritas de forma funcional, computacional ou lógica, são entendidas como executadas por programas de computador que funcionam em dispositivos de computação, incluindo geralmente um processador de computador configurado para operar instruções armazenadas dentro de um meio de armazenamento legível por computador não transitório. As instruções podem ser incorporadas em softwares, firmwares, hardwares ou quaisquer combinações dos mesmos.
[0011] Conforme usado neste documento, qualquer referência a “uma [numeral] modalidade” ou “uma [artigo indefinido] modalidade” significa que um elemento, recurso, estrutura ou característica particular descrita com relação à modalidade é incluído em pelo mesmo uma modalidade. As aparições da expressão “em uma modalidade” em várias partes do relatório descritivo não se referem necessariamente à mesma modalidade.
[0012] Conforme usados neste documento, os termos “compreende”, “que compreende”, “inclui”, “incluindo”, “tem”, “que tem” ou qualquer outra variação dos mesmos visam abranger uma inclusão não exclusiva. Por exemplo, um processo, método, artigo ou aparelho que compreenda uma lista de elementos não se limita necessariamente apenas a tais elementos, mas pode incluir outros elementos não listados de forma expressa ou inerente a tal processo, método, artigo ou aparelho. Ademais, a menos que declarado de forma expressa em sentido contrário, “ou” refere-se a um “ou” inclusivo e não a um “ou” exclusivo. Por exemplo, uma condição A ou B é satisfeita por qualquer um dos seguintes: A é verdadeiro (ou presente) e B é falso (ou não presente), A é falso (ou não presente) e B é verdadeiro (ou presente), e tanto A quanto B são verdadeiros (ou presentes).
[0013] Ademais, o uso de “um” [artigo indefinido] é empregado para descrever elementos e componentes das modalidades neste documento. Isso é feito meramente para fins de conveniência e para dar um senso geral da invenção. Essa descrição deve ser lida de modo a incluir um ou pelo menos um e o singular também inclui o plural, a menos que o contrário seja óbvio.
[0014] Embora modalidades e aplicações particulares tenham sido ilustradas e descritas, deve-se entender que as modalidades reveladas não são limitadas à interpretação e aos componentes revelados neste documento. Várias modificações, mudanças e variações, que serão aparentes àqueles versados na técnica, podem ser feitas no arranjo, na operação e nos detalhes do método e do aparelho revelados neste documento se se afastar do espírito e do escopo definidos nas reivindicações em anexo.
[0015] A seguinte descrição fornece um mecanismo para determinar a textura do solo (ST) em um nível subcampo de especificidade geográfica e com economia suficiente por amostra para permitir que um usuário final, como um fazendeiro ou agrônomo, incorpore de modo econômico dados de textura do solo aos seus planos agronômicos. Isso não é viável a partir de uma perspectiva empresarial com métodos existentes. O resultado do sistema e método descrito neste documento é um processo escalonável que pode permitir, por exemplo, o processamento e a análise de milhares de amostras de solo por dia, processando o equivalente a dezenas de milhares (por exemplo, 80.000 a 120.000) de acres por dia de rendimento analítico. Processos existentes tendem a custar mais $ 30 por amostra para determinar a textura do solo ou outras propriedades derivadas. O processamento de 100.000 amostras a tal custo para um campo típico é financeiramente inviável. Em contraste, o sistema e processo descritos neste documento podem reduzir tal custo para aproximadamente $ 1 por amostra, o que resulta em uma economia significativa para fazendeiros.
[0016] A textura do solo influencia fortemente a capacidade de retenção de água do solo. A capacidade de retenção de água é a capacidade de um solo de reter. O conhecimento da capacidade de contenção de água de um campo pode ajudar a dar embasamento às decisões de um usuário final acerca tanto de cultivo em terra seca (dependente de precipitação) quanto de cultivo sob irrigação. Tornar os dados de textura do solo mais facilmente disponíveis permite que usuários finais desenvolvam planos aperfeiçoados de cultura, nutrientes e outros planos. Esses planos, que são comumente rotulados sob a alcunha de “agricultura de precisão”, geralmente incluem conjuntos de tarefas ou ações a serem realizadas a nível de subcampo, por exemplo, que descrevem prescrições de nutrientes dinâmicos a serem aplicados como função da posição geográfica no campo.
[0017] Visto que o sistema e método descrito neste documento reduz de modo geral o custo da obtenção de dados de textura do solo, isso permite que planos de agricultura de precisão cada vez mais granulares sejam desenvolvidos, em que granularidade se refere à distância geográfica entre as determinações e/ou localizações de textura do solo, em que tais planos de agricultura de precisão variariam entre tais localizações. Consequentemente, a textura do solo ao longo de um campo pode ser representada de forma compreensiva como uma camada adicional de tomada de decisões, a qual é usada em conjunto com outras camadas de dados como parte de um plano agronômico.
[0018] O uso de textura do solo e outras camadas de dados agronômicos pode ser usado em uma variedade de formas. Em uma modalidade, a camada de dados de textura do solo pode ser incorporada a um sistema de recomendação de fertilidade de laboratório. Taxas de fertilizantes podem ser otimizadas dependendo da textura do solo. Como um exemplo, solos que possuem uma textura mais leve receberiam uma recomendação com quantidades menores de fosfato. Tipicamente, solos de menos textura permitem uma maior mobilidade de fosfato, enquanto solos de mais textura mantém mais umidade da primavera. Esse atributo afeta bastante o rendimento (mais água se traduz em um maior rendimento), e quanto maior o rendimento (na maioria das culturas), mais fertilizante de nitrogênio é necessário para obter o potencial de rendimento completo. Em outra modalidade, um agrônomo pode usar diretamente a camada de dados de textura do solo, ou alguma camada derivada de dados relacionados, tais como uma camada de dados de capacidade de retenção de água para interpretar e realizar sua própria análise. Em outra modalidade, a camada de dados de textura do solo pode ser usada como uma entrada para um sistema de apoio de decisões agronômicas automatizado. A expansão do sistema de recomendação do laboratório para acomodar um sistema de gerenciamento mais intensivo (como o FarmCommand™), por fornecer um sistema de recomendação de gerenciamento holístico que combina várias camadas de entrada (por exemplo, dados meteorológicos, fertilidade, plantio, imageamento, plantio, colheita e etc.), se beneficiaria dos dados de textura do solo coletados para uso como uma camada adicional, ou entrada para o sistema.
[0019] De modo geral, o sistema e método produzem medições exatas e confiáveis da textura do solo de solos minerais através da coleta de espectros de amostras de solo espectroscópicos no infravermelho próximo e do processamento dos espectros coletados através de um modelo de previsão, denominado neste documento como o modelo de previsão da textura do solo, para gerar uma estimativa da textura do solo para a amostra de solo. O sistema e método podem incluir ainda a derivação de outras propriedades do solo.
[0020] O modelo Solo-Planta-Ar-Água (SPAW) gerado por Saxton/Rawls/Willey foi definido claramente no artigo “Using the Soil Water Characteristic Estimates by Texture and Organic Matter for Hydrologic Solutions” por K.E. Saxton e W.J. Rawls, publicado em Solo Sci. Soc. AM J. 70:1.569-1.578 (2006). Soil and Water Management & Conservation, Soil Physics doi: 10.2136/assaj2005.0117. O modelo SPAW prevê: classe de textura, ponto de murcha permanente, capacidade de campo, ponto de saturação, água disponível, condutividade hidráulica saturada e densidade de volume.
[0021] Outros exemplos de propriedades que podem ser derivados a partir da estimativa da textura do solo incluem, entre outros, propriedades hidrológicas como capacidade de contenção de água do solo, bem como propriedades não hidrológicas, tais como classe de solo, que descreve a adequação do solo para o cultivo de culturas específicas.
[0022] Conforme introduzido acima, o modelo de previsão toma uma entrada de espectros no infravermelho próximo (NIRS) coletados a partir de uma amostra de solo e exibe uma estimativa da textura do solo que compreende a composição percentual de barro e areia; ou limo e areia; na amostra de solo. O próprio modelo de previsão compreende uma ou mais funções matemáticas e um conjunto de pesos, coeficientes, valores críticos aprendidos, ou quaisquer outros parâmetros numéricos ou categóricos similares que, juntos, convertem os espectros de entrada em uma estimativa de textura do solo. Esses também podem ser denominados “equações de calibração” por conveniência. Dependendo da modalidade, cada uma dessas equações de calibração pode se referir à equação para determinar a contribuição de um dentre areia, limo e barro, ou alguma outra disposição de equações pode ser usada.
[0023] A fim de treinar o modelo e determinar os valores para os parâmetros do modelo (ou seja, para as equações de calibração), espectros NIR para “treinamento” das amostras de solo são coletados como entradas de treinamento para o modelo. Ademais, métodos de referência são usados para obter valores exatos da textura real (verdadeira) do solo para as amostras de solo. Coletivamente, esses espectros NIR de amostra de solo de treinamento e valores de textura do solo de referência podem ser denominados como um conjunto de calibração. Os parâmetros do modelo de previsão são determinados inserindo-se a função, os espectros do solo de treinamento e os valores verdadeiros correspondentes em um algoritmo de aprendizado de máquina supervisionado.
[0024] Em uma modalidade, qualquer um dos próprios espectros ou um derivado dos espectros são usados para trainar o modelo. Geralmente, os espectros consistem em intensidades de luz sobre uma faixa de comprimentos de onda na faixa de infravermelho próximo. Dependendo da proporção relativa de areia, limo e barro em uma amostra, espectros diferentes serão produzidos. Mesmo para qualquer componente dado (ou seja, areia, limo e barro) os espectros (ou o primeiro derivado dos mesmos) gerados por diferentes amostras variará. O modelo codifica as propriedades latentes do solo que causam esses espectros variáveis.
[0025] O tipo de função de modelagem pode variar por implementação. Em uma modalidade, técnicas de regressão como ElasticNet, linear, logística ou outras podem ser usadas. Outras técnicas também podem ser usadas, cujos exemplos incluem Classificadores de Floresta Aleatória, Redes Neurais, Máquinas de Vetores de Suporte e etc. O modelo nesse exemplo usou o método de mínimos quadrados parciais.
[0026] O modelo de previsão pode ter várias saídas diferentes, dependendo da implementação. Uma implementação pode gerar uma previsão para a presença, relativa ou absoluta, de cada um dentre areia, limo e barro na amostra de solo. Outra implementação pode gerar uma previsão para a presença de dois dos três (por exemplo, areia e limo, mas não barro) e então derivar a proporção do terceiro por exemplo, barro) através da subtração das presenças proporcionais de areia e limo de 100%, sob a presunção de que esses três materiais compõem 100% da composição do solo. Qualquer permutação está dentro do escopo desta revelação com relação a quais dois materiais são previstos diretamente e qual material é derivado com base na presença relativa dos outros dois.
[0027] Uma vez treinado, o modelo de previsão resultante pode então ser usado para prever as texturas do solo de solos minerais desconhecidos. Geralmente, o modelo de previsão é capaz de lidar com ambas as amostras de solo coletadas da superfície, bem como amostras de solo (amostras de solo superficial) coletadas mais profundamente abaixo da superfície (amostras de solo subsuperficiais). De modo geral, a textura do solo não varia significativamente entre solo superficial e solo subsuperficial. Isso posto, diferenças em teor de limo, barro e areia entre amostras superficiais e amostras subsuperficiais podem ser avaliadas. Por exemplo, a correlação estatística da areia e do barro medidos no conjunto de calibração versus os valores da textura do solo previstos pelo modelo de previsão pode ser superior no conjunto de calibração para das amostras subsuperficiais em comparação às amostras superficiais. Esse efeito pode ser atribuído a diferenças na composição dos solos superficial e subsuperficial. Essa diferença pode ser usada para computar numericamente uma medida de incerteza para os valores previstos de areia e barro gerados pelo modelo de previsão. Isso pode fornecer, junto com a textura do solo prevista ou quaisquer quantidades derivadas, um indicativo da exatidão e/ou precisão relativas da previsão.
[0028] Para obter os espectros NIR para qualquer das amostras de solo de treinamento ou amostras de solo desconhecidas, os espectros podem ser gerados por meio do uso de um espectrômetro NIRS Bruker Matrix-I ou um sistema de amostragem automático Bruker HTS 250, ou outro dispositivo similar.
[0029] As texturas do solo previstas pelas equações de calibração podem ser usadas para prever outras propriedades do solo. Como um exemplo, as propriedades hidrológicas do solo são deduzidas através da aplicação do teor de areia, limo e barro do solo conforme previsto pelo modelo e uma medição separada de SOM e condutividade elétrica a um PTF para gerar uma medição de saída de uma propriedade hidrológica, como capacidade de contenção da água. De modo geral, qualquer um dentre vários PTFs podem ser aplicados à estimativa da textura do solo fornecida pelo modelo para derivar qualquer um dentre algumas propriedades hidrológicas, cujos exemplos incluem, entre outros, a capacidade de campo (FC), a saturação (Sat), o ponto de murcha permanente (PWP) e a água disponível para plantas (PAW). Em uma modalidade, o PTF é calibrado para a região geográfica na qual os solos se encontram. Geralmente, regiões geográficas têm propriedades do solo diferentes entre si, tais como a diferença entre o solo do Centro-Oeste dos Estados Unidos e o do Noroeste canadense.
[0030] Em uma modalidade, Saxton e Rawls (Soil Water Characteristics Estimates by Texture and Organic Matter for Hydrologic Solutions) podem ser a base para estimar as características hidrológicas do solo através do uso da saída de previsões pelo modelo de previsão (por exemplo, previsões de areia e barro para os espectros coletados pelo NIRS). As seguintes equações fornecem exemplos de como previsões de Areia (S) e Barro (C) podem ser usadas junto com uma medição de Matéria Orgânica (OM) para calcular algumas características hidrológicas de uma amostra de solo.
[0031] As definições dos símbolos para as equações acima seguem abaixo.
[0032] A Figura 1 é um diagrama em fluxo de um método exemplificativo para preparar amostras de solo para análise de NIRS, de acordo com uma modalidade. Dados de imagem do Sistema de Informações Geográficas (GIS) são coletadas através das imagens de satélite. As imagens do GIS são usadas para identificar as zonas do campo, 1-A. Um acúmulo de todas as zonas em um campo é usado para definir um mapa de zona. Assim que o mapa é aprovado, amostras de solo são coletadas de cada zona pré-selecionada da qual uma amostra de solo será coletada, 1-B. A densidade da coleta da amostra de solo pode variar com base nas necessidades do coletor, mas geralmente, devido ao custo diminuído desse processo, maiores densidades de amostragem do solo podem ser obtidas a um custo menor em relação a processos existentes. As amostras são recebidas em um laboratório, registradas com informações de identificação e processadas no sistema, 1-C. Assim que a amostra de solo é cadastrada e registrada, o solo é preparado para análise, por exemplo, para processamento por um Bruker Matrix-I NIRS, 1-D. A preparação do solo inclui secagem e desidratação para evitar a reação do solo. O solo é pulverizado em amostras homogêneas. Assim que o solo é preparado, amostras (por exemplo, 250) são coletadas a partir de seis polegadas (ou mais abaixo) de solo subsuperficial, 1-E. A partir de cada amostra de solo, alguma porção de tal amostra de solo (por exemplo, vinte e cinco gramas) é colocada no dispositivo, tal como em células inferiores de quartzo do dispositivo Bruker mencionado acima, 1-F, e carregada na bandeja do sistema de amostragem automático 1-G. As amostras podem ser carregadas no instrumento automaticamente pelo braço robótico, 1-H. A máquina gera os espectros, 1-I.
[0033] A Figura 2 é um diagrama em fluxo de um método exemplificativo para realização da análise de NIRS e de uso dos espectros do solo de saída como uma entrada para um modelo de previsão da textura do solo, de acordo com uma modalidade. Após as amostras serem carregadas, 2-A, as amostras são digitalizadas, 2-B. Em uma modalidade, a resolução espectral é definida para 16 centímetros recíprocos (16 cm-1), as amostras são digitalizadas 32 vezes, bem como 32 digitalizações de fundo. Em uma modalidade, a faixa espectral é definida de 12.500 cm-10 a 3.600 cm-1. No dispositivo Bruker, os espectros são coletados com apresentação de amostra rotatória. Em uma modalidade, o dispositivo usa uma função de Apodização de Transformada de Fourier com Blackman-Harris de 3 termos. Uma combinação de tratamentos é aplicada aos espectros coletados e que é específica para a região (por exemplo, referências de espectros definidas para as pradarias canadenses serão diferentes dos espectros coletados do Centro-Oeste dos EUA). Os espectros coletados para cada amostra são então retirados para inserção no modelo de previsão, 2-C. Embora um método particular para realização de análise de NIRS tenha sido descrito neste parágrafo, um elemento versado na técnica compreenderá que diferentes configurações de espectrômetro e técnicas e configurações de digitalização podem ser usadas para obter espectros NIR similares que estejam dentro do escopo desta descrição.
[0034] A Figura 3 é um diagrama em fluxo de um método exemplificativo para avaliar a saída do modelo de previsão da textura do solo que inclui etapas para determinar o uso de amostras de solo avaliadas para aperfeiçoar um modelo de previsão da textura do solo treinado, de acordo com uma modalidade. Além de gerar uma estimativa da textura do solo, o modelo de previsão pode ser configurado ainda para gerar uma determinação quanto ao espectro coletado estar dentro da confiança estatística do modelo calibrado de NIRS, ou seja, se a previsão foi “aprovada” ou “reprovada”, 3-A. Os espectros de resultado da amostra são comparados àqueles dos espectros de calibração, se os resultados se alinharem à confiança estatística da calibração do modelo, o resultado é considerado “aprovado”. Caso o resultado da amostra coletada esteja fora da confiança estatística da calibração do modelo, o resultado é identificado como “reprovado”. Caso o resultado seja considerado aprovado, 3-B, o resultado relatável é transferido, 3-C, para um banco de dados de produção em que os resultados da textura do solo podem, entre outras coisas, ser disponibilizados ao apresentador 3D. Por outro lado, se o resultado for considerado “reprovado”, 3-E, um alerta ou notificação automatizada que indica que o resultado da amostra foi reprovado ou que não foi feita previsão para o apresentador e/ou para o administrador do modelo de previsão, 3-F. Resultados reprovados também são armazenados em um banco de dados, 3-G. Investigação adicional quanto aos resultados da reprovação exigem uma avaliação manual, 3-H, e uma determinação sobre se a amostra de solo reprovada deve ser adicionada ao modelo como outra amostra de solo de treinamento, 3-I. A investigação é uma revisão manual da amostra. Se a decisão for de adicionar o resultado da amostra de solo ao modelo, 3-J então o processo para analisar amostras de treinamento, conforme abordado acima e com relação à Figura 4 abaixo é realizado. Se a decisão for de não adicionar a amostra de solo ao modelo, em 3-K, a mesma é descartada. Um bom exemplo de uma amostra que não deve ser adicionada ao modelo seria amostras de solo que são não minerais ou amplamente não minerais em natureza.
[0035] A Figura 4 é um diagrama em fluxo de um método exemplificativo para treinar um modelo de previsão da textura do solo, de acordo com uma modalidade. Um processo para preparar amostras de solo de teste é realizado, em 4-A. Esse pode, por exemplo, ser o processo exemplificativo da Figura 1, porém, outros processos similares também podem ser realizados. Os dados de textura do solo de referência podem ser coletados por um método de química líquida, 4-B. Os dados de textura do solo de referência coletados se tornam o conjunto de dados das amostras coletadas, que, por sua vez, é usado para a computação do modelo. Caso os valores existam no conjunto de dados, 4-C, os espectros são processados através do modelo e uma previsão é dada. A previsão é obtida através do relacionamento dos valores dos dois conjuntos de dados, ou seja, a amostra coletada e o agrupamento de dados de referência existente, por meio da aplicação de tratamentos matemáticos no modelo. Algoritmos de processamento são otimizados no escalonamento iterativo, definir o pré-processamento e então definir as faixas e então selecionar a otimização. O mais adequado lança os tratamentos a partir do assistente de configuração, define o tratamento e a validação. Permutações, regiões e então resultados são classificados. Dados aberrantes, ou seja, os valores aberrantes estatísticos de saída. Se a calibração existir, então o modelo é aperfeiçoado pelo acréscimo dos novos dados de referência e seus espectros associados, 4-F. Então, os dados são adicionados aos dados de calibração configurados nos dados de calibração de espectros, 4-G. Se a calibração não existir no modelo, 4-D, então o projeto experimental de calibração é os dados de referência. Equações definidas e fórmulas para espectros para fornecer o produto calibrado 4-E e então adicionadas ao banco de dados de calibração dos espectros. Em uma implementação exemplificativa, os dados espectrais coletados são armazenados em um banco de dados relacional para análise adicional e nova previsão com calibrações subsequentes.
[0036] Para determinar valores de textura do solo de referência para as amostras de solo de treinamento, qualquer uma dentre algumas técnicas conhecidas pode ser usada. Por exemplo, para determinar a proporção de barro em uma amostra de solo de treinamento, a sedimentação pode ser realizada através do uso de um hidrômetro. Na sedimentação, a amostra de solo é colocada em suspensão e após uma duração, a quantidade de barro ainda na solução é medida depois que a areia e o limo houverem caído da suspensão. Como outro exemplo, para determinar a proporção de areia em uma amostra de solo de treinamento, pode-se realizar peneiramento a úmido. Em um exemplo, uma peneira de 53 micrômetros de tamanho de abertura é usada. Outras técnicas também podem ser como o método de pipeta para barro ou difração de laser, caso apropriado. Em uma modalidade, areia e barro são medidos, e o limo é medido através da tomada do total de areia e barro e encontrando-se a diferença do teor de solo total. O lodo é inferido através da tomada de 100% do teor do solo e da subtração da porcentagem de areia, e subtraindo a porcentagem de barro, deixando o valor percentual de limo. (por exemplo, 100% - x% areia - x% barro = % limo).
[0037] A Figura 5 é um exemplo de uma página de sumário de barro e areia de um relatório de validação de barro, de acordo com uma modalidade. Esta é uma visão geral resumida com dados administrativos sobre a amostra e o método usado pelos espectros que são gerados pelo instrumento. O resumo inclui uma imagem instantânea da amostra que foi coletada. O método que o modelo usou é identificado sob “Informações Gerais”, “Arquivo do método Clay 2016-09-12.q2”. O método usado para esse caso foi o de mínimos quadrados parciais. O valor fornecido no “Padrões (total)” representa o número total de registros que o instrumento validou para o modelo. Por outro lado, o valor “Espectros de calibração” é a representação dos registros no conjunto de dados que foi usado pelo modelo. “Classificação” representa quantos fatores foram aplicados aos recursos espectrais. Fatores são os autovetores da matriz de concentração de amostra e os autovetores da matriz espectral correspondente. A matriz espectral tem algumas linhas que se baseiam no número de amostras de solo de treinamento usado para treinar o modelo de previsão da textura do solo, e colunas for cada valor espectral (ou para cada faixa binária de valores espectrais). A matriz de concentração da amostra tem algumas linhas com base no número de amostras de solo de treinamento usado para treinar o modelo de previsão da textura do solo, e colunas para cada valor de concentração de amostra, ou faixa de valores de concentração.
[0038] Na modalidade exemplificativa da Figura 5, o modelo de previsão da textura do solo é treinado por meio do uso de regressão de mínimos quadrados parciais (PLS) que identifica, para uma determinada função, os coeficientes que melhor (de acordo com o erro de PLS) correlacionam os autovetores da matriz de concentração de amostra obtidos a partir de cada uma dentre algumas amostras de treinamento aos autovetores da matriz espectral correspondente a cada uma dessas amostras de treinamento. O relatório indicará a Faixa de Componente, em porcentagem, como a validação foi obtida, e quantas, se quaisquer amostras foram deixadas de fora.
[0039] A Figura 6 é um exemplo do relatório de validação de barro e areia para um erro de previsão médio de barro, de acordo com uma modalidade. Aqui, a classificação representa quantos fatores foram aplicados aos recursos espectrais.
[0040] A Figura 7 é um exemplo do relatório de validação de barro e areia para os valores de componentes de barro, de acordo com uma modalidade. Os valores de componentes indicam quão aproximadamente o modelo calculou a previsão e validou em relação a um conjunto conhecido de dados. Esse relatório exemplificativo fornece uma previsão sobre a amostra, enquanto o instrumento usa os espectros coletados para calibrar, o mesmo usará os espectros para a previsão. O modelo move-se através de iterações de amostras, e a classificação identifica quantos fatores foram aplicados a cada amostra. De modo geral, a coluna “Diferença” fornece a variação entre o valor testado e o valor previsto. Uma soma da variação no final do relatório é igual a zero.
[0041] As previsões em relação aos conjuntos de dados de referência são validades através da tomada dos casos de teste e da relação das mesmas de volta aos valores verdadeiros de um modelo tradicional, por exemplo, métodos de química líquida, em esforço para validar que o modelo funciona. A validação envolve relacionar as previsões do modelo aos valores verdadeiros coletados que foram coletados. A seguinte tabela exemplificativa demonstra o número de amostras que foi previsto em uma execução do modelo de treinamento exemplificativo sobre amostras coletadas a partir das pradarias canadenses durante o outono de 2017, e delineia o nível de certeza do modelo.
[0042] O valor aberrante de Mahalanobis é identificado na coluna “Mah out” e representa a contagem total, enquanto o % mah out representa o percentual. A contagem total de valores aberrantes de espectros é representada pelo Spec Out e, de modo similar, o percentual é capturado na coluna “% spec out”. O valor aberrante de espectros captura a confiança total acerca de o resíduo dos espectros se enquadrar como valor aberrante.
Claims (15)
1. Método, caracterizado por compreender: receber uma amostra de solo; processar a amostra de solo para gerar uma amostra de solo preparada; analisar a amostra de solo preparada com um espectrômetro capaz de gerar espectros na faixa de infravermelho próximo para gerar um conjunto de dados espectrais no infravermelho próximo para a amostra de solo preparada; realizar a entrada, com um computador, dos dados espectrais de infravermelho próximo configurados em um modelo de previsão da textura do solo para gerar uma estimativa da textura do solo para a amostra de solo, sendo que a estimativa da textura do solo compreende pelo menos dois dentre: uma proporção de areia, uma proporção de limo, e uma proporção de barro; e fornecer a estimativa da textura do solo.
2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que receber a amostra de solo compreende: identificar a amostra de solo e associar a amostra de solo a uma localização geográfica.
3. Método, de acordo com a reivindicação 1 caracterizado pelo fato de que processar a amostra de solo para gerar a amostra de solo preparada compreende: secar a amostra de solo; e pulverizar a amostra de solo até que a amostra de solo seja substancialmente homogênea.
4. Método, de acordo com a reivindicação 1 caracterizado pelo fato de que analisar a amostra de solo preparada com o espectrômetro compreende digitalizar a amostra de solo sobre uma faixa espectral que compreende 12.500 cm- 10a 3.600 cm-1.
5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que analisar a amostra de solo preparada com o espectrômetro compreende digitalizar uma pluralidade de vezes.
6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o modelo de previsão da textura do solo compreende: um conjunto de parâmetros aprendidos com base em: dados de saída rotulados que compreendem estimativas de textura do solo de referência a partir de amostras de solo de treinamento coletadas anteriormente, sendo que os rótulos indicam pelo menos dois dentre: uma proporção de areia, uma proporção de limo e uma proporção de barro; dados de entrada que compreendem espectros no infravermelho próximo para cada uma das amostras de solo de treinamento; uma função configurada para receber os espectros NIR como entrada e, junto com os parâmetros, gerar a estimativa da textura do solo.
7. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que o conjunto de parâmetros foi aprendido através do uso de uma técnica de aprendizado supervisionado.
8. Método, de acordo com a reivindicação 7, caracterizado pelo fato de que a técnica de aprendizado supervisionado é uma do grupo que consiste em: uma regressão, uma rede neural, uma máquina de vetor de suporte e um classificador de floresta aleatória.
9. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que as amostras de solo de treinamento usadas para determinar a textura do solo de referência estimada são processadas através do uso de um processo igual ao processamento da amostra de solo.
10. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que as estimativas da textura do solo de referência para as amostras de solo de treinamento são geradas através do uso de pelo menos uma técnica do grupo que consiste em uma técnica de sedimentação, uma técnica de peneiramento a úmido e uma técnica de pipeta.
11. Método, de acordo com a reivindicação 1, caracterizado por compreender: realizar a entrada, com um computador, da estimativa da textura do solo em uma função de pedotransferência para determinar uma propriedade hidrológica da amostra de solo.
12. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que realizar a entrada da estimativa da textura do solo na função de pedotransferência compreende ainda determinar um teor de matéria orgânica do solo da amostra de solo e realizar a entrada do mesmo na função de pedotransferência para determinar a propriedade hidrológica.
13. Método, de acordo com a reivindicação 12, caracterizado pelo fato de que a propriedade hidrológica da amostra é uma do grupo que consiste em: capacidade de contenção de água do solo, capacidade de campo, marcas de água altas e baixas, ponto de saturação, ponto de murcha permanente e água disponível para plantas.
14. Método, de acordo com a reivindicação 1, caracterizado por compreender ainda: determinar se a estimativa da textura do solo é aprovada ou reprovada em um teste; responsivo à reprovação no teste da estimativa da textura do solo, gerar uma nova estimativa da textura do solo de referência para a amostra de solo; e determinar quanto a adicionar a amostra de solo e a nova textura do solo de referência às amostras de solo de treinamento usadas para determinar os parâmetros do modelo de previsão da textura do solo.
15. Método, de acordo com a reivindicação 14, caracterizado pelo fato de que o teste avalia um teor de matéria orgânica do solo da amostra de solo.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201662435655P | 2016-12-16 | 2016-12-16 | |
| US62/435,655 | 2016-12-16 | ||
| PCT/CA2017/051508 WO2018107287A1 (en) | 2016-12-16 | 2017-12-13 | Classification of soil texture and content by near-infrared spectroscopy |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BR112019012178A2 BR112019012178A2 (pt) | 2019-11-05 |
| BR112019012178B1 true BR112019012178B1 (pt) | 2023-04-04 |
Family
ID=62556916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112019012178-1A BR112019012178B1 (pt) | 2016-12-16 | 2017-12-13 | Classificação de textura e teor do solo por espectroscopia no infravermelho próximo |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US10175218B2 (pt) |
| AR (1) | AR110372A1 (pt) |
| AU (1) | AU2017377078B2 (pt) |
| BR (1) | BR112019012178B1 (pt) |
| CA (1) | CA3041142C (pt) |
| WO (1) | WO2018107287A1 (pt) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4241549A3 (en) | 2016-11-07 | 2024-03-20 | Climate LLC | Agricultural implement for soil analysis |
| US10837926B2 (en) * | 2017-09-01 | 2020-11-17 | Case Western Reserve University | Multi-modal spectroscopic analysis |
| US11610272B1 (en) | 2020-01-29 | 2023-03-21 | Arva Intelligence Corp. | Predicting crop yield with a crop prediction engine |
| US11715024B1 (en) | 2020-02-20 | 2023-08-01 | Arva Intelligence Corp. | Estimating soil chemistry at different crop field locations |
| US11704581B1 (en) | 2020-01-29 | 2023-07-18 | Arva Intelligence Corp. | Determining crop-yield drivers with multi-dimensional response surfaces |
| US11704576B1 (en) | 2020-01-29 | 2023-07-18 | Arva Intelligence Corp. | Identifying ground types from interpolated covariates |
| CN111508569B (zh) * | 2020-03-19 | 2023-05-09 | 中国科学院南京土壤研究所 | 一种基于土壤传递函数的目标土壤性质含量预测方法 |
| CN111488926B (zh) * | 2020-04-07 | 2024-03-29 | 中国科学院南京土壤研究所 | 一种基于优化模型的土壤有机质测定方法 |
| CN112903626B (zh) * | 2021-01-25 | 2023-02-28 | 山东省科学院海洋仪器仪表研究所 | 一种反射光谱法测定土壤/沉积物中元素形态的建模方法及测定方法 |
| US11895942B2 (en) | 2021-03-10 | 2024-02-13 | Earth Scout GBC | Plant growth platform |
| CN113485218B (zh) * | 2021-08-04 | 2022-06-07 | 广德绿巨人环境管理咨询有限公司 | 一种基于5g的智慧物联监管平台 |
| CN114354545B (zh) * | 2021-12-22 | 2023-11-28 | 东北林业大学 | 一种考虑有机质影响的土壤水分遥感反演方法 |
| CN114324216B (zh) * | 2022-01-06 | 2023-08-01 | 中国科学院南京土壤研究所 | 一种基于土层组合特征的土壤数值分类方法 |
| CN114509404A (zh) * | 2022-02-16 | 2022-05-17 | 安徽农业大学 | 一种高光谱土壤有效硼含量预测方法 |
| CN114441455A (zh) * | 2022-02-23 | 2022-05-06 | 中南大学 | 一种利用机器学习预测土壤物化性质的方法 |
| CN116930459B (zh) * | 2023-07-25 | 2024-03-12 | 江苏龙环环境科技有限公司 | 一种土壤原位探测装置及其探测方法 |
| CN116881664B (zh) * | 2023-07-31 | 2024-02-02 | 长春师范大学 | 一种基于局部-全局依存关系的土壤质地预测方法 |
| CN117110274B (zh) * | 2023-10-25 | 2024-07-05 | 华谱智能科技(天津)有限公司 | 土壤成分全自动现场快速检测方法、装置及设备 |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX173027B (es) | 1989-09-18 | 1994-01-28 | Univ Washington | Metodo para analizar propiedades de una materia de origen biologico que contiene agua, utilizando espectroscopia cercana al infrarrojo |
| US5145785A (en) | 1990-12-11 | 1992-09-08 | Ashland Oil, Inc. | Determination of aromatics in hydrocarbons by near infrared spectroscopy and calibration therefor |
| US5349188A (en) | 1990-04-09 | 1994-09-20 | Ashland Oil, Inc. | Near infrared analysis of piano constituents and octane number of hydrocarbons |
| CA2220913C (en) | 1997-11-12 | 2003-01-21 | Kvaerner Chemetics Inc. | Determination of anionic species concentration by near infrared spectroscopy |
| JP3906326B2 (ja) | 1999-03-15 | 2007-04-18 | 財団法人くまもとテクノ産業財団 | 精密農業用の土壌特性測定装置とシステム |
| JP3831249B2 (ja) * | 1999-07-08 | 2006-10-11 | 農工大ティー・エル・オー株式会社 | 土壌測定装置、土壌測定支援装置及び方法並びにプログラムを記録した記録媒体及びデータを記録した記録媒体並びに土壌モデルデータベース管理システム |
| GB0031522D0 (en) | 2000-12-22 | 2001-02-07 | Enigma Nv | Use of NIR (near-infra red spectroscopy) in composite production |
| NZ524645A (en) | 2003-03-07 | 2005-10-28 | Agres Ltd | A method for the preparation of soil samples |
| EP2674408B1 (en) | 2008-04-09 | 2017-06-07 | Tosoh Corporation | Translucent zirconia sintered body and use of the same |
| US9285501B2 (en) | 2008-11-04 | 2016-03-15 | Veris Technologies, Inc. | Multiple sensor system and method for mapping soil in three dimensions |
| US8144319B2 (en) | 2009-05-07 | 2012-03-27 | Solum, Inc. | Automated soil measurement device |
| EP2577293B1 (en) | 2010-06-04 | 2018-01-10 | The University of Sydney | A method of quantifying soil carbon |
| CN101975764B (zh) | 2010-09-29 | 2013-01-30 | 中国农业大学 | 基于近红外光谱技术的多波段土壤氮素检测装置和方法 |
| US9329122B2 (en) | 2011-08-15 | 2016-05-03 | Schlumberger Technology Corporation | Diffuse reflectance infrared fourier transform spectroscopy for characterization of earth materials |
| EP2751725B1 (en) | 2011-09-01 | 2020-12-09 | Biogen MA Inc. | Use of nuclear magnetic resonance and near infrared to analyze biological samples |
| US9401030B2 (en) | 2014-04-25 | 2016-07-26 | Tazco Soil Service Co. | Image processing system for soil characterization |
| WO2015195988A1 (en) | 2014-06-18 | 2015-12-23 | Texas Tech University System | Portable apparatus for soil chemical characterization |
| US10564316B2 (en) | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
| WO2016077421A1 (en) | 2014-11-14 | 2016-05-19 | Pioneer Hi-Bred International, Inc. | Systems and methods for soil mapping and crop modeling |
| NL2014836B1 (en) | 2015-05-21 | 2017-01-31 | Tree Of Knowledge Patents B V | A method for calibrating an near infrared measurement unit, a near infrared measurement unit and a computer program product. |
| NZ738266A (en) | 2015-06-15 | 2022-11-25 | Commw Scient Ind Res Org | Soil condition analysis system and process |
-
2017
- 2017-12-13 CA CA3041142A patent/CA3041142C/en active Active
- 2017-12-13 BR BR112019012178-1A patent/BR112019012178B1/pt active IP Right Grant
- 2017-12-13 WO PCT/CA2017/051508 patent/WO2018107287A1/en active Application Filing
- 2017-12-13 US US15/840,575 patent/US10175218B2/en not_active Expired - Fee Related
- 2017-12-13 AU AU2017377078A patent/AU2017377078B2/en not_active Ceased
- 2017-12-14 AR ARP170103513A patent/AR110372A1/es active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| CA3041142A1 (en) | 2018-06-21 |
| CA3041142C (en) | 2021-06-15 |
| AU2017377078B2 (en) | 2020-07-09 |
| WO2018107287A1 (en) | 2018-06-21 |
| AR110372A1 (es) | 2019-03-20 |
| AU2017377078A1 (en) | 2019-05-16 |
| BR112019012178A2 (pt) | 2019-11-05 |
| US20180172659A1 (en) | 2018-06-21 |
| US10175218B2 (en) | 2019-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BR112019012178B1 (pt) | Classificação de textura e teor do solo por espectroscopia no infravermelho próximo | |
| Nawar et al. | Optimal sample selection for measurement of soil organic carbon using on-line vis-NIR spectroscopy | |
| Sudduth et al. | Comparison of electromagnetic induction and direct sensing of soil electrical conductivity | |
| Shi et al. | Prediction of soil organic matter using a spatially constrained local partial least squares regression and the C hinese vis–NIR spectral library | |
| US20180292339A1 (en) | Systems and methods for high resolution plant root zone soil mapping and crop modeling | |
| Franz et al. | The role of topography, soil, and remotely sensed vegetation condition towards predicting crop yield | |
| Mahmood et al. | Sensor data fusion to predict multiple soil properties | |
| Lobsey et al. | rs‐local data‐mines information from spectral libraries to improve local calibrations | |
| Abdolalizadeh et al. | Rangeland canopy cover estimation using Landsat OLI data and vegetation indices in Sabalan rangelands, Iran | |
| Massmann | Identification of factors influencing hydrologic model performance using a top‐down approach in a large number of US catchments | |
| Liu et al. | Predicting soil salinity with Vis–NIR spectra after removing the effects of soil moisture using external parameter orthogonalization | |
| Mishra et al. | Machine learning for cation exchange capacity prediction in different land uses | |
| Hicks et al. | Developing the Australian mid-infrared spectroscopic database using data from the Australian Soil Resource Information System | |
| Van Vuuren et al. | Potential use of near infrared reflectance monitoring in precision agriculture | |
| Tiruneh et al. | Geospatial modeling and mapping of soil organic carbon and texture from spectroradiometric data in Nile basin | |
| Nguyen et al. | Using categorical soil structure information to improve soil water retention estimates of tropical delta soils | |
| Zhang et al. | A Phenology-guided Bayesian-CNN (PB-CNN) framework for soybean yield estimation and uncertainty analysis | |
| An et al. | The optimal soil water content models based on crop-LAI and hyperspectral data of winter wheat | |
| Nassar et al. | To what extend does the Eddy Covariance footprint cutoff influence the estimation of surface energy fluxes using two source energy balance model and high-resolution imagery in commercial vineyards? | |
| Izaurralde et al. | a Pilot Soil Carbon Sequestration Project | |
| Conway et al. | Soil organic matter prediction with benchtop and implement‐mounted optical reflectance sensing approaches | |
| Vogeler et al. | Sensitivity analysis of soil parameters in the Agricultural Production Systems sIMulator (APSIM) | |
| Lian et al. | Retrieval of leaf chlorophyll content in Gannan navel orange based on fusing hyperspectral vegetation indices using machine learning algorithms | |
| Zhang et al. | Effect of takyr solonetzs on vegetation canopy spectral characteristics and growth prediction | |
| Zhao et al. | Developing Vis–NIR libraries to predict cation exchange capacity (CEC) and pH in Australian sugarcane soil |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
| B06W | Patent application suspended after preliminary examination (for patents with searches from other patent authorities) chapter 6.23 patent gazette] | ||
| B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
| B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 13/12/2017, OBSERVADAS AS CONDICOES LEGAIS |