CN108449989A - 土壤条件分析系统及方法 - Google Patents

土壤条件分析系统及方法 Download PDF

Info

Publication number
CN108449989A
CN108449989A CN201680040770.6A CN201680040770A CN108449989A CN 108449989 A CN108449989 A CN 108449989A CN 201680040770 A CN201680040770 A CN 201680040770A CN 108449989 A CN108449989 A CN 108449989A
Authority
CN
China
Prior art keywords
soil
core
spectrum
attribute
condition analysis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201680040770.6A
Other languages
English (en)
Inventor
拉斐尔·比斯卡拉罗塞尔
保罗·弗利克
克雷格·雷蒙德·洛布西
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Commonwealth Scientific and Industrial Research Organization CSIRO
Original Assignee
Commonwealth Scientific and Industrial Research Organization CSIRO
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from AU2015902264A external-priority patent/AU2015902264A0/en
Application filed by Commonwealth Scientific and Industrial Research Organization CSIRO filed Critical Commonwealth Scientific and Industrial Research Organization CSIRO
Publication of CN108449989A publication Critical patent/CN108449989A/zh
Pending legal-status Critical Current

Links

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
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/02—Devices for withdrawing samples
    • G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
    • G01N1/08—Devices for withdrawing samples in the solid state, e.g. by cutting involving an extracting tool, e.g. core bit
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/2204—Specimen supports therefor; Sample conveying means therefore
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Sampling And Sample Adjustment (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

土壤条件分析系统，包括：支撑从陆地提取的细长土芯的支撑平台；被配置为测量被支撑在支撑平台上的土芯的对应特性的多个土壤感测组件；与土壤感测组件通信并且被配置为生成表示来自土壤感测组件的所测量的特性的测量数据的一个或更多个数据获取组件，其中多个土壤感测组件和支撑平台中的至少一个被安装在计算机控制的平移载物台上，以使得土壤感测组件能够在沿着细长土芯的纵向轴线的相互隔开的位置处自动地测量土芯的对应特性。该系统包括数据处理和数据分析组件，该数据处理和数据分析组件被配置为基于数学和统计方法处理测量数据以生成表示细长土芯的作为深度的函数的对应土壤属性的土壤属性数据。

Description

土壤条件分析系统及方法
技术领域
本发明涉及土壤条件分析系统及方法，并且特别地涉及测量土壤属性并且使用数学和统计方法导出作为深度的函数的土壤条件的系统和方法。
背景
需要有关土壤的条件的信息来解决关于粮食生产、水和能源安全、土地退化和气候变化的环境问题。还需要长期提供对人类福祉和经济发展具有重要意义的生态系统功能和生态系统服务。然而，尽管土壤是这些问题的核心，但是对其属性、组成、功能、多样性和分布的了解还不够。主要原因在于土壤科学受到现有土壤测量方法的不便利性和高昂成本的制约，包括过时和时不时不精确的实验室技术以及需要在下降至根部或更深处的深度进行测量。
期望提供减轻现有技术的一个或多个困难的土壤条件分析系统和方法或者期望至少提供有用的可替代方案。
概述
根据本发明的一些实施方式，提供了土壤条件分析系统，包括：
支撑平台，其支撑从陆地提取的细长土芯；
多个土壤感测组件，其被配置为测量被支撑在支撑平台上的土芯的对应特性；
一个或更多个数据获取组件，其与土壤感测组件通信并且被配置为生成表示来自土壤感测组件的所测量的特性的测量数据；
其中多个土壤感测组件和支撑平台中的至少一个被安装在计算机控制的平移载物台上，以使得土壤感测组件能够在沿着细长土芯的纵向轴线的相互隔开的位置处自动地测量土芯的对应特性。
在一些实施方式中，土壤感测组件包括对土芯进行成像的相机、长波红外(LWIR)相机、以近红外和/或中红外波长测量来自土芯的光的光谱仪以及测量透射通过土芯的伽马射线的衰减的伽马射线衰减组件。
在一些实施方式中，土壤感测组件包括x射线传感器组件以测量土壤的x射线荧光或透射通过土芯的x射线。
在一些实施方式中，土壤感测组件包括微波土壤水感测组件和激光诱导击穿(LIBS)感测组件中的至少一个。
在一些实施方式中，土壤条件分析系统包括显示组件以在数据获取期间显示土芯的至少对应部分的视觉图像以及从至少另一个土壤感测组件获取的测量数据。
在一些实施方式中，土壤条件分析系统包括数据处理组件，该数据处理组件被配置为基于表示土壤属性与所测量的特性之间的关系的光谱模型来处理测量数据以生成表示细长土芯的作为深度的函数的对应土壤属性的土壤属性数据。
在一些实施方式中，土壤属性包括下列项中的至少五项：土壤有机碳、有机碳组分(微粒、腐殖质和惰效性碳(resistant carbon))、容重、土壤碳储量、土壤水、有效水容量、粘土含量、铁矿物质、土壤颜色、粘土矿物质、阳离子交换量、总氮和pH。
在一些实施方式中，数据处理组件被配置为根据所测量的通过土芯的伽马射线的衰减和所测量的土芯的含水量，通过对由土芯的含水量对伽马射线的吸收进行补偿以生成在没有含水量的情况下的对土芯的容重的估计来生成土芯的作为深度的函数的容重的测量结果。
在一些实施方式中，土芯的含水量根据对从土芯测量的可见近红外光谱的光谱建模来确定。
在一些实施方式中，通过应用于先前测量的土壤光谱和对应土壤属性的土壤光谱库的机器学习生成光谱模型。
在一些实施方式中，通过以下操作生成光谱模型：通过实验室分析来对从待分析的公共地理区域获取的多个土芯的代表性子集进行分析以确定土芯的子集的土壤属性，并且使土芯的子集的所确定的土壤属性与对应光谱相关联；通过移除土壤光谱库中的最不代表土芯的子集的那些成员并且对土壤光谱库的其余成员添加土芯的子集的所确定的土壤属性和对应光谱，利用所确定的土壤属性与对应光谱之间的关系定制先前测量的土壤光谱与对应土壤属性的土壤光谱库，以提供为公共地理区域定制的土壤光谱库；并且从所定制的土壤光谱库生成光谱模型。
在一些实施方式中，通过迭代地移除土壤光谱库中的、通过在每次迭代中执行的对应的偏最小二乘回归所确定的、最不代表土芯的子集的对应成员来移除土壤光谱库的成员。在一些实施例中，在每次迭代中移除土壤光谱库的固定比例的剩余数量的成员。
在一些实施方式中，通过Kennard-Stone方法选择土芯的代表性子集。
在一些实施方式中，支撑平台、土壤分析组件和数据获取组件被安装在拖车上，使得系统能够被运输到土芯将被提取用于由系统进行测量的地点。
根据本发明的一些实施方式，提供了一种土壤条件分析方法，包括：通过控制计算机控制的平移载物台使被配置为测量土芯的特性的多个土壤感测组件和之上支撑土芯的支撑平台中的至少一个自动地平移，使用土壤条件分析系统生成表示在沿着细长土芯的纵向轴线的相互隔开的位置处的所测量的细长土芯的特性的测量数据。
在一些实施方式中，土壤条件分析方法包括基于表示土壤属性与所测量的特性之间的关系的光谱模型来处理测量数据以生成表示细长土芯的作为深度的函数的对应土壤属性的土壤属性数据。
在一些实施方式中，土壤属性包括下列项中的至少五项：土壤有机碳、有机碳组分(微粒、腐殖质和惰效性有机碳)、容重、土壤碳储量、土壤水、有效水容量、粘土含量、总氮、铁矿物质、粘土矿物质、土壤颜色、阳离子交换量和pH。
在一些实施方式中，数据处理组件被配置为根据所测量的通过土芯的伽马射线的衰减和所测量的土芯的含水量，通过对由土芯的含水量对伽马射线的吸收进行补偿以生成在没有含水量的情况下的对土芯的容重的估计来生成土芯的容重的测量结果。
在一些实施方式中，土芯的含水量根据对从土芯测量的可见近红外光谱的光谱建模来确定。
在一些实施方式中，通过应用于先前测量的土壤光谱和对应土壤属性的土壤光谱库的机器学习生成光谱模型。
在一些实施方式中，通过以下操作生成光谱模型：通过实验室分析对从待分析的公共地理区域获取的多个土芯的代表性子集进行分析以确定土芯的子集的土壤属性，并且使土芯的子集的所确定的土壤属性与对应光谱相关联；通过移除土壤光谱库中的最不代表土芯的子集的那些成员并且对土壤光谱库的其余成员添加土芯的子集的所确定的土壤属性和对应光谱，利用所确定的土壤属性与对应光谱之间的关系定制先前测量的土壤光谱与对应土壤属性的土壤光谱库，以提供为公共地理区域定制的土壤光谱库；并且从所定制的土壤光谱库生成光谱模型。
在一些实施方式中，土壤库的定制包括迭代地移除土壤库中的、由偏最小二乘回归确定的、最不代表土芯的子集的成员。
在一些实施方式中，在每次迭代中移除土壤库的固定比例的剩余数量的成员。
在一些实施方式中，通过Kennard-Stone方法选择土芯的代表性子集。
根据本发明的一些实施方式，提供了至少一个计算机可读存储介质，具有存储在其上的可执行指令，当通过数据处理系统的至少一个处理器执行可执行指令时使至少一个处理器执行上述方法中的任一个。
本文还描述了一种土壤测量系统，包括：
支撑平台，其支撑从陆地提取的细长土芯；
多个土壤分析组件，其被配置为测量支撑平台上的土芯的相应属性；
数据获取组件，其被配置为从土壤分析组件获取表示由土壤分析组件所测量的土壤属性的测量数据；
其中将多个土壤分析组件和支撑平台中的至少一个安装在计算机控制的平移载物台上以使得土壤分析组件能够在沿着细长土芯的纵向轴线的相应位置处自动地测量土芯的属性。
土壤分析组件可以包括以可见光波长对土芯进行成像的相机、以热波长对土芯进行成像的相机、以近红外和/或中红外波长测量来自土芯的光的光谱仪以及测量透射通过土芯的伽马射线的衰减的伽马射线衰减组件。
土壤测量系统可以包括数据处理组件，该数据处理组件被配置为通过测量穿过土芯的伽马射线的衰减和土芯的含水量，并且对由土芯的含水量对伽马射线的吸收进行补偿以生成在没有含水量的情况下的对土芯的容重的估计，来生成土芯的容重的测量结果。
本文还描述了一种土壤测量方法，包括：
接收表示所测量的伽马射线穿过土壤样本的衰减的样本伽马衰减数据；
接收表示来自土壤样本的所测量的可见近红外光谱的光谱数据；
处理光谱数据以生成表示土壤样本的含水量的含水量数据；
处理样本伽马衰减数据和含水量数据以生成土壤伽马衰减数据，该土壤伽马衰减数据表示在没有含水量的情况下伽马射线通过土壤样本的衰减；和
处理土壤伽马衰减数据以生成表示土壤样本的容重的容重数据。
土壤测量方法可以包括处理光谱数据和样本伽马衰减数据以生成至少五个土壤性质深度函数，以确定表示对下列至少五项的估计的土壤条件数据：土壤有机碳、有机碳组分(微粒、腐殖质和惰效性有机碳)、容重、土壤碳储量、土壤水、粘土含量、总氮、铁矿物质、粘土矿物质、土壤颜色、阳离子交换量和pH。
附图简述
仅作为示例，结合附图在下文中描述本发明的一些实施方式，其中：
图1为根据本发明的实施方式的土壤条件分析系统的方框图；
图2为根据本发明的实施方式的土壤条件分析方法的流程图。
图3包括系统的土芯多传感器平台的平面图、前视图、侧视图和透视图；
图4A至4E是示出图3的土芯多传感器平台的电力和多传感器测量控制子系统的组件和连接的图；
图5是示出土芯多传感器平台的硬件组件与系统的软件组件之间的关系的框图；
图6和7分别是抽屉打开和关闭的土芯多传感器平台的基座组件的CAD图；
图8是从接入活板打开的后方示出的、土芯多传感器平台的罩组件的CAD图；
图9是安装到基座组件以形成土芯多传感器平台的壳体的罩组件的CAD图；
图10是安装在图9的壳体内的土芯多传感器平台的CAD图；
图11是示出了壳体的基座右前方的计算机安装平台的CAD图。
图12是图2的方法的土芯多传感器平台测量过程的流程图；
图13是当设定新的测量时显示给系统的操作者的、系统的图形用户界面(GUI)屏幕的屏幕截图；
图14是系统的“测量设置”屏幕的屏幕截图；
图15是在土芯的测量期间向操作者显示的系统的“测量”屏幕的屏幕截图，示出了具有指示器的摄影图像，该指示器示出沿着被分析的芯的当前深度/位置，在其上方示出了该深度/位置的分析频谱；
图16是系统的控制计算机的框图；以及
图17是示出了系统的接触式探测器土芯附接件从高位(左侧图像)移动到与设置在系统的伽马辐射源与伽马射线检测器之间的细长土芯直接接触(右侧图像)的一对摄影图像；
图18是示出根据系统的可替代实施方式的、系统的ROS节点及它们在两个计算机系统之间的分布的框图；
图19是示出可替代实施方式的系统的各种操作状态的状态图；
图20包括沿着土芯获取的摄影图像(最左边)、伽马射线穿过土芯到达伽马射线检测器的对应深度分布曲线(表示容重)以及在沿土芯的不同深度处获取的对应的可见NIR光谱(并且被用于估算不同深度处的含水量和其他土壤属性)；
图21是通过系统确定的、作为沿着土芯的深度的函数的阳离子交换量(CEC)、粘土含量和有机碳含量以及不确定性的一组图表，演示了对土壤属性分布曲线的过滤以及它们的改进的准确性；
图22和23分别是由系统确定的、特定的第一和第二土芯的作为深度的函数的各种土壤属性的第一和第二组的14个图表；
图24是示出安装在拖车上并用于现场测量土芯的特性的土芯测量组件的一组三张照片；和
图25是该系统的土芯数据分析过程的流程图。
详细描述
如图1的实施方式所示，土壤条件分析系统100包括土芯测量组件102和土壤数据分析组件104。系统100执行如图2所示的土壤条件分析方法，其测量沿着土芯的长度的作为深度的函数的一些土壤特性，并且处理所得到的测量数据以确定土壤属性深度函数从而评估土壤条件。土壤属性包括土壤有机碳含量、有机碳组分(微粒、腐殖质和惰效性碳)、容重、土壤碳储量、土壤水、有效水容量、粘土含量、总氮、铁和粘土矿物质、土壤颜色、阳离子交换量和pH中的至少五种。
土芯测量组件102包括感测和分析硬件组件106，(电气的和气动的)电源、安全联锁装置(safety interlock)、控制和数据获取子系统108以及耦合到触摸屏显示装置112的控制计算机110。存在与主计算机触摸屏并行运行的独立的PILZ(https://www.pilz.com/en-AU/)安全系统。特别地，在系统的安全方面我们拥有销往海外的PILZ安全继电器。
如图3所示，感测和分析硬件组件106包括细长的外壳302，该细长的外壳具有细长的支撑床或平台304以在大致水平的方向上支撑土芯306。在所描述的实施例中，支撑平台304可以容纳具有高达1.5m的长度且直径在约50mm至85mm范围内的土芯306；然而，对于本领域技术人员来说将显而易见的是，在其他实施例中，系统100可以被配置为容纳具有基本上具有任意实际尺寸的土芯。
如图4所示，使用安全联锁继电器系统(Pilz，PNOZ S4)保护操作者。安全联锁装置包括紧急停止开关307、复位安全联锁装置的多传感器测量平台启用按钮和检测多传感器平台门的关闭的传感器。联锁装置通过伺服驱动器和与操作者安全相关的气动组件来禁用线性平移载物台310(线性致动器)的操作，例如，在传感器组件308包括有源伽马射线衰减传感器的情况下，在联锁装置工作时不打开伽马射线源的气动操作的保护性光闸。
土壤分析组件308被安装到线性平移载物台310，该线性平移载物台允许借助于(在图3的正等轴测图中部分可见的)线性致动器，利用由缆车支撑的相关联缆线将该分析组件308沿着土芯306的整个长度移动到任何期望的位置。线性致动器通过具有编码器反馈的伺服驱动器(Copely Controls-Accelnet)而处于计算机110的控制之下。典型地，这被用于以连续或逐步的方式沿着土芯306的整个长度自动地平移载物台310，在载物台310在相继的平移步骤之间移动或静止时从分析组件308获取数据，以在沿着土芯306的长度的多个位置处获取数据。光学接近传感器(未示出)被安装在线性平移载物台310上以确定在支撑平台304上的土芯306的绝对位置和长度。
土壤分析组件308包括不同类型的分析组件，以便获取相应类型的分析数据，并且从而更全面地表征土芯306的组成和结构。在所描述的实施方式中，土壤分析组件308至少包括有源伽马射线衰减传感器(来自德国Berthold Technologies GmbH的LB444传感器)、可见光至近红外(vis-NIR)光谱仪和接触式探测器(两者均来自美国科罗拉多州博尔德的PANalytical，前身为Analytical Spectral Devices Inc.(ASDI))以及数码相机(Logitech C920)。在一些实施方式中，系统100还包括用于土壤元素分析的X射线荧光(XRF)分析组件、X射线透射(衰减)传感器、中红外(MIR)光谱仪、微波土壤水分析组件和/或激光诱导击穿光谱(LIBS)分析组件中的一个或更多个。
接触式探测器用高强度卤素灯泡(2901+10K)照射出直径10mm的光点，以减少杂散光进入光谱仪所产生的误差。如图17所示，系统102包括用于接触式探测器1704的附接件1702，其防止探测器1704的窗口与土芯1706接触并且用于额外的光学屏蔽。可以用PVC手工制作或从尼龙3D打印的附接件包括其内曲率与土芯1706的外曲率相匹配的部分圆柱形壳体。在使用中，具有附接件1702的探测器1704气动下降，直到它与土芯1706相接触，使得接触式探测器1704被定位成靠近土芯1706的表面。
在所描述的实施方式中，伽马射线传感器是来自德国的Berthold TechnologiesGmbH的LB444传感器，并且如下所述被用于进行土壤容重的伽马射线衰减测量。该传感器包括具有185MBq的活度并发射能量为0.662MeV的伽马射线的屏蔽137Cs伽马射线源1708。源1708配备有由多传感器平台的安全联锁装置控制的气动操作的光闸。检测器1710是具有25mm直径和25mm长度的未校准的NaI闪烁晶体的LB5441-01(Berthold Technologies135GmBH，德国)。如图17所示，源1708和检测器1710位于土芯1706的相对侧上，以使得能够测量沿贯穿每个圆柱形土芯的薄圆盘部分的路径的穿过芯1706的伽马射线的衰减。
在所描述的实施方式中，控制计算机110是诸如基于Intel IA-64的计算机系统的计算机系统，如图16所示，并且由系统100执行的过程被实现为存储在与计算机系统相关联的非易失性(例如，硬盘或固态驱动器)存储器1604上的软件模块1602的编程指令，如图3所示。然而，将显而易见的是，在其他实施方式中，例如，至少部分过程可以可选择地实现为一个或多个专用硬件组件(诸如专用集成电路(ASIC))和/或作为一个或多个现场可编程门阵列(FPGA)的配置数据。对于本领域技术人员来说也将是显而易见的是，在其他实施例中，控制计算机110的各种组件可以以除本文所述的那些之外的各种可替代方式和/或在多种可替代的位置进行分布和/或组合。
控制计算机110包括全部由至少一条总线1616互连的标准计算机组件，该标准计算机组件包括随机存取存储器(RAM)1606、至少一个处理器1608以及外部接口1610、1612、1614。外部接口包括通用串行总线(USB)接口1610、提供以太网连接的网络接口连接器(NIC)1612、RS-232接口1614以及连接到诸如触摸屏LCD面板显示器1622的显示装置的显示器适配器1616。
控制计算机110还包括多个标准软件模块1626至1630，包括诸如Linux的操作系统1624、可以从ROS网站http://www.ros.org获得的机器人操作系统(ROS)组件1626以及可以从http://www.python.org获得的Python编程语言支持1628。如本领域技术人员所知，ROS软件框架使得机器人控制应用能够被实现为被称为“节点”的可执行组件的分布式网络，该节点经由基于IP的发布和订阅消息彼此通信。在所描述的实施方式中，如下所述，由系统100执行的过程被实现为以Python和C++编写的ROS包1630以实现各自的ROS节点502至514。每个节点可以订阅一个或多个“主题”，并且然后接收由其他节点发布到那些主题的消息。
在系统100中，每个土壤分析组件308与将数据发布到发布/订阅网络中的对应的ROS软件节点相互作用，并且控制器节点512管理所有的数据收集。在测量运行的同时，控制器节点构建所有样本的内存中数据结构，并且然后将该数据以开放格式的YAML文件保存到磁盘中供其他应用处理。
在图5的实施方式中，系统100的ROS架构包括以下七个节点：
(i)accelnet节点502(以控制线性平移载物台)；
(ii)uvc_capture节点504(由USB相机拍摄数字图像)；
(iii)advantys节点506(ADC和数字i/o)；
(iv)伽马节点508(伽马密度传感器)；
(v)asd_labspec节点510(vis-NIR光谱仪)；
(vi)scanner_controller节点512(中央控制器、数据管理、采样)；和
(vii)gui_desktop节点514(用户界面、可视化)。
在所描述的实施方式中，土芯测量系统100被安装在保护性壳体内，如图3和6至10所示。壳体包括如图6和7所示的基座组件600，土壤测量系统100经由橡胶振动隔离组件被安装在该基座组件上。该基座组件600包括滑动抽屉形式的储存室，用于储存土芯样本和通用储存器，包括用于发电机和压缩机(发电机Honda EP2200CX和压缩机Maxus CHWX1001)的储存室。如图8所示的罩组件800位于基座组件600的顶部，如图9所示，以便保护系统100免受元件损坏。罩组件800包括可操作为允许接近电源和多传感器平台控制子系统108的后活板802。
图10示出了安装在壳体内的感测和分析硬件组件106的细长外壳302以及壳体的处于打开位置的透明检修门以允许接近土芯和土壤分析组件308。
图11是基座组件600的前右侧储存室的特写，示出了在一些实施方式中可以安装触摸屏显示装置112的可选关节臂。
在所描述的实施例中，壳体安装在如图24所示的轮式拖车上，这允许土芯多传感器平台测量组件102被车辆拖曳到基本上车辆可到达的任何期望的位置。特别地，土芯多传感器平台测量组件102的便携性允许其被运输到土芯待被提取的位置或地点，允许对所提取的土芯立即进行分析并且避免输送土芯的任何要求(这可能诱发土壤中的结构和组成(生物化学)变化)，并因此减少土芯中的含水量或其他成分的结构上的任何变化和/或损失。在一些实施方式中，土芯多传感器平台组件102包括3G或4G移动电信网络接口，使得可以远程控制系统100的操作，并且由土芯多传感器平台组件102获取和/或生成的数据可以被发送到云存储器和/或土壤数据分析组件104以供实时分析。
如图2的流程图所示，系统100被用于通过分析从在步骤202使用提取土芯的钻机在感兴趣区域(例如，农场产权)的所选择的采样位置处从大地提取的土芯所记录的传感器或测量数据，来评估确定作为深度的函数的土壤有机碳储量和土壤条件的土壤属性。在所描述的实施方式中，提取具有约45至85mm直径的完整的土芯。可以使用例如推管形式的土芯提取器(例如，来自堪萨斯州的萨莱纳的Geoprobe(geoprobe.com)的GeoprobeTM 7822DT钻机和具有样本套筒的DT325采样系统)来进行提取。每个土芯可以被直接采样到推管内的塑料套筒中。使用切割工具(例如Geoprobe TM DT325套筒切割器)去除套筒的纵向截面以在进行分析之前暴露土壤内芯表面。如果将土芯运输到偏远位置进行分析，那么塑料的芯套筒被保持完好并使用端盖进行密封，塑料的芯套筒被保持完好并使用端盖进行密封。可选择地，当使用其他取芯系统时，将土芯从推管中取出并滑入细长的薄塑料管中以防止土芯在分析前变干。可选择地，每个土芯可以被提取至对应长度的纵向对开的PVC管中，然后将土芯和管包裹在塑料中以防止运输过程中的水分损失。然而，土芯多传感器平台组件102的便携性允许它被运输到感兴趣的区域，使得从那个区域提取的每个土芯可以立即被放置在土芯多传感器平台组件102中，并且如果需要的话被毫不拖延地进行分析。
在步骤204中，通过将土芯多传感器平台组件102在水平方向上小心地放置在支撑床或平台304上来接收所提取的土芯。在步骤204，土芯多传感器平台组件102的操作者然后通过触摸屏装置(或者小键盘/键盘输入装置，视情况而定)112将期望的土芯测量参数录入到土芯多传感器平台组件102中。
图13是当系统100准备好开始新的测量时在触摸屏装置112上显示的初始图形用户界面(GUI)或开始屏幕1300的屏幕截图。开始屏幕1300包括文本框1302，该文本框允许系统100的操作者录入定义该特定土壤多传感器测量是其一部分的项目的名称的文本数据、从中提取土芯的地点的名称、操作者的姓名或标识符以及将要被测量的特定土芯的名称或标识符。“校准伽马”按钮控件1304允许操作者自动校准伽马射线衰减传感器(通常，辐射计每天仅在执行当天的第一次土芯测量之前校准一次)。在包括额外的传感器/检测器/光谱仪/分析组件的实施方式中，开始屏幕1300包括用于校准需要校准的对应组件的附加的按钮控件。开始屏幕可视地显示土芯多传感器测量系统的状态(诸如安全联锁装置的状态)、供气压力和最新的传感器校准。在系统允许开始土芯测量之前必须满足这些条件。
当由操作者触摸(或如在将除了触摸屏之外的输入装置用于提供输入的其他实施方式中按压或点击)，“传感器测量设置”按钮控件1308使得触摸屏装置11至2显示如图14所示的“传感器测量设置”GUI或屏幕1400，其允许操作者保留默认值或定义土芯测量的技术参数，包括深度分辨率(即，平移载物台步长)和定义用于每个土壤分析组件308的分析参数。
可选择地，操作者可以使用“采样方案”文本文件重写统一的步长，该文本文件给为每个传感器单独指定的土芯上的所需绝对测量位置提供值的列表。这可以用来优化土芯传感器测量过程的细节(分辨率)和测量时间。例如，分析位置可以是沿着土芯的等距离的位置或者可以可选择地随着位置/深度而变化(例如，从表面到30cm每隔1cm测量一次，然后从30cm到60cm每隔5cm测量一次，然后从60cm到100cm每隔10cm测量一次)，沿土芯长度的分析位置之间的典型值为2厘米。可以为每个传感器单独指定位置以适应传感器的特性(例如，仅以5cm的间隔拍摄数字图像)。
在所描述的实施方式中，在土壤分析组件308包括光谱仪的情况下，传感器测量设置屏幕1400包括光谱仪文本框1404，操作者分别出于传感器校准的目的将光谱的数目(默认值50)录入光谱仪文本框以取平均值以及将在光谱测量期间从光谱仪获取和取平均值的测量光谱的数量(默认值为30)录入光谱仪文本框(以改善信噪比)。光谱仪在每个土芯的起始处使用固定在土芯支撑轨上的位置处的白色参考标准自动校准。以1nm的波长分辨率记录光谱，并且每个光谱提供在2151个不同波长处的反射比。
在所描述的实施方式中，在土壤分析组件308包括伽马射线衰减传感器的情况下，传感器测量设置屏幕1400还包括对应的伽马射线分析文本框1406，操作者可以向其录入值以定义伽马衰减测量的完成。尽管可以通过指定最小和最大分析时间针对任何测量重写此标准，但可以通过信号漂移(漂移阈值)来指定测量的完成。通过对最近五次伽马密度测量结果进行线性回归来评估给定时间的信号漂移。一旦生成的斜率小于漂移阈值的配置值，那么认为伽马射线衰减传感器足够稳定，并且因此完成伽马射线测量。传感器测量设置屏幕还包括文本框，其中操作者可以输入伽马衰减校准标准的各个质量密度。一旦操作者对土芯多传感器平台测量参数满意，则操作者选择“确认”按钮控件1408返回到开始屏幕1300。
在土壤分析组件308包括伽马射线衰减传感器的情况下，开始屏幕1300包含允许操作者执行伽马射线衰减传感器的校准的“校准伽马”控制按钮。操作者被提示在土芯支撑平台304上安装校准标准。操作者可以通过选择“开始”按钮启动校准。由控制计算机110移动线性平移载物台310，以使用安装在线性平移载物台304上的光学接近传感器(未示出)来确定在支撑平台304上的校准标准的绝对位置。
用户然后可以从开始屏幕1300选择“开始测量”按钮控件1310，以便在控制计算机110的控制下在步骤208处启动自动土芯测量和土芯的数据采集。
在所描述的实施方式中，传感器测量控制子系统108是由施耐德电气公司制造的AdvantysTM STB模块化装置集成I/O系统，如http://www.schneider-electric.com所述。AdvantysTM系统允许多达32个各种类型的模块与公共通信总线互连，使用USB和RS-232通信协议和连接向各种感测和分析硬件组件106提供电力以及数字和模拟信号分配以及提供来自各种感测和分析硬件组件106的电力以及数字和模拟信号分配(也可在需要时使用以太网)。AdvantysTM系统因此提供感测和分析硬件组件106与控制计算机110之间的接口。图4中示出了系统100的AdvantysTM系统配置。
Advantys STB(经由连接到advantis节点506的以太网)与控制计算机相互作用并且与以下系统组件相互作用：
输入端：
土芯检测传感器(光学接近传感器)
气压计
紧急停止按钮状态
(来自PNOZ)的紧急停止状态
光谱仪传感器位置-在移动线性载物台之前，控制软件对此进行检查(即，传感器处于上面的位置)以防止损坏土芯或光学器件
输出端：
前面板指示灯(启用)与紧急停止和重置按钮
伽马射线源光闸的气动控制
土芯检测(光学接近传感器)启用
光谱仪传感器的气动控制
数码相机的LED照明
由控制计算机直接操纵从土壤分析组件308的数据采集，其如下相互作用：光谱仪(通过以太网)、伽马射线衰减传感器(通过RS232)和数码相机(通过USB)。控制计算机110的accelnet节点502使用RS232接口1614与Accelnet电机驱动器通信。所有多传感器平台控制装置(除独立安全联锁装置之外)由控制计算机110的scanner_controller节点512操纵。
如图12所示，土芯多传感器平台测量过程208由scanner_controller节点512实现并由控制计算机110的至少一个处理器执行。在土壤分析组件308包括光谱仪的情况下，通过自动校准光谱仪开始土芯多传感器测量过程208。由控制计算机110将线性平移载物台310移动到固定位置，在该固定位置，合适的光学参考面板(白色参考面板)被安装在土芯支撑轨304上。使用光谱仪收集参考测量结果并且该参考测量结果用于校正当前土芯的后续测量结果。
在步骤502通过自动地确定土芯的两端的位置以及土芯与它们相距的长度和位置继续(或在不包含光谱仪的实施例中开始)土芯多传感器平台测量过程208。由控制计算机110沿土芯支撑平台移动线性平移载物台310，并且使用安装在线性平移载物台上的光学接近传感器来检测土芯。位置是通过使用位于电机上的光学编码器来确定的。
在确定了土芯的两端相对于支撑床平台的绝对位置之后，控制计算机110计算由绝对测量位置和对应的传感器测量结果组成的“采样方案”，从而以在采样方案中由操作者指定的位置和分辨率收集对土芯进行的测量结果。控制计算机使用距离线性平移载物台上的基点(datum)的预先编程偏移测量结果来说明不位于同一位置的传感器。记录每个传感器相对于传感器头基点的偏移，传感器头基点被定义为主安装板的位置。这些配置参数都存储在土芯多传感器平台PC上。一旦土芯检测过程完成，传感器偏移和测量方案被用来计算每个绝对测量位置。如果绝对头部位置对于多个传感器对齐，则同时执行这些测量采集。下一个测量位置被选择为土芯上的下一个最接近的绝对位置以减少头部行进时间。
在步骤504，传感器头部移动到土芯支撑平台上的固定“开始”位置。控制计算机110然后确定“采样方案”中距其当前位置最接近的采样位置。由控制计算机110将线性平移载物台310移动到这个位置并且开始使用所需的传感器针对这个位置进行测量。在多个传感器测量可以在相同的传感器头位置处执行(考虑到传感器之间的任何相对偏移)的情况下，这些被并行收集以减少整体测量时间。在步骤506，在土壤分析组件308包括伽马射线衰减传感器并且将在这个测量位置处执行伽马射线衰减测量的情况下，辐射源上的保护性光闸被打开。这个光闸保持打开直到所有伽马射线衰减测量完成。如果控制计算机110确定伽马射线衰减传感器已经超过了土芯的端部位置，则关闭保护性光闸以防止损坏检测器。在多传感器测量过程中，在多传感器平台控制组件的触摸屏显示器112上显示土芯的对应部分的数字图像以及当前从用户选择的一个土壤分析组件308获取的光谱，该光谱被重叠在先前从同一土壤分析组件获取的光谱，这些光谱以灰色显示，而采集的光谱以黑色显示，如图15所示。另外，操作者可以使用触摸屏(或其他输入装置)来选择沿着土芯的任何其他深度/位置，以显示先前在所选深度/位置处获取的对应光谱。另外，操作者可以从下拉菜单中选择土壤分析组件308中的任何一个，以便显示来自所选择的土壤分析组件的对应测量结果(例如，光谱、密度、计数)。
在多传感器平台测量过程中，所有的传感器测量结果都存储在控制计算机110的RAM中。在步骤512，将传感器头的下一个位置确定为“采样方案”中最接近的未采样位置。控制计算机110将线性平移载物台310移动到这个位置，并且从适当的传感器收集在这个位置处的测量数据。如果“采样方案”中没有剩余的采样位置，则过程208完成。在土芯的传感器测量完成后，整个土芯的获取数据(连同提供土芯特性、vis-NIR和伽马射线传感器校准、项目、地点和操作者姓名、日期和时间的元数据)存储在控制计算机110上的分层目录/文件夹结构(基于项目名称)中。参考图2的流程图，方法200继续使用土芯数据分析过程210来处理土芯的所有的获取数据，如图25所示。
多传感器平台测量过程可以通过操作者使用“取消”按钮以软件方式终止，或通过激活紧急停止(使用紧急停止按钮)或通过打开多传感器平台的防护罩以硬件方式终止。如果使用取消按钮或紧急停止按钮终止多传感器测量，多传感器测量可以使用“开始”按钮从其之前的状态开始恢复。如果土芯多传感器平台的防护罩在任何时候都打开，则在支撑平台上的土芯的绝对位置是无效的，因为它可能已经被操作者移动。多传感器测量过程然后将在步骤502重新开始。
如图6所示，在步骤602通过将由数码相机获取的图像拼接在一起以生成整个土芯的单色数字图像来开始土芯数据分析过程210。单独的图像被分开存储以供后续处理。然而，在多传感器测量期间，可视化系统执行对图像的简单实时平铺。因为采样位置是已知的，并且土芯上方的高度是恒定的，所以平铺重叠被近似为样本位置的函数。确切的功能通过图形用户界面中的反馈进行可视化配置以操纵相机位置和视野的任何变化。每个单独的图像进行旋转校正、提取子图像并将所有子图像拼接在一起以生成土芯的合成完整图像。相机采样方案保持固定(即，它不遵循用户提供的采样方案，因为它仅主要用于获取用于可视化目的的土芯图像)。重叠仅在相机位置改变或者使用新的相机时需要重新配置。
在步骤604，使用计算机视觉技术以提取可见的RGB颜色测量结果并将它们与其他颜色空间模型和土壤属性相关联来进一步分析土芯图像以提供附加信息(如ViscarraRossel,RA,Minasny B,Roudier,P,McBratney,AB.2006,Colour space models for soilscience,Geoderma 133:320-337所述)
如下所示，来自伽马和光学传感器的数据被用于推断沿着土芯在(由用户确定的)测量位置处的土壤属性。
vis-NIR测量
vis-NIR光谱仪测量土芯的有机和矿物组分。当NIR辐射与土壤样本相互作用时，检测到中红外(mid-IR)区域中的基频振动的倍频峰(overtones)和组合。分子官能团可以在mid-IR中吸收在mid-IR和NIR区域两者中检测到的一系列阶数逐渐减弱的倍频峰。在可见光区域，电子激发是辐射能量高时的主要处理。vis-NIR光谱包含关于土壤中有机和无机物质的有用信息。在可见光区域(400-700nm)中的吸收主要与有机质和含有铁的矿物(例如，赤铁矿、针铁矿)有关。土壤有机质也可以在可见光区域具有宽的吸收带，这些吸收带以发色团和有机质的黑色为主。在NIR区域(700-2500nm)中的吸收由OH、SO4和CO3基团的倍频峰以及H2O和CO2的基频特征的组合生成。由于金属-OH弯曲加O-H拉伸组合，粘土矿物可以在vis-NIR区域中显示吸收。碳酸盐在近红外中也有弱吸收峰。水对土壤的vis-NIR光谱有很大的影响。这些数据可以因此被模型化以推断土壤属性。
为了使用vis-NIR光谱估计土壤属性，使用(在Viscarra Rossel,R.A.,Webster,R.,2012,Predicting soil properties from the Australian soil visible-nearinfrared spectroscopic database,European Journal of Soil Science 63,848-860doi:10.1111/j.1365-2389.2012.01495.x所描述的)澳大利亚光谱库来导出通用光谱模型。使用(如在Quinlan,J.,1992.Learning with continuous classes.,在：Adams，A.，Sterling,L.(Eds.),会议记录AI’92，关于人工智能的第五次澳大利亚会议，世界科学，新加坡，第343-348页所描述的)机器学习算法Cubist演进光谱模型。这些模型允许同时估计体积含水量(θ)、有机C、粘土含量、阳离子交换量(CEC)、pH、总氮、总磷、铁含量、含水量和许多其他土壤属性。澳大利亚土壤有机碳组分(微粒、腐殖质和惰效性C)是使用(在ViscarraRossel，R.A.，Hicks，W.S.，2015年，Soil organic carbon and its fractions estimatedby visible-near infrared transfer function，European Journal of Soil Science66,438-450.doi:10.1111/ejss.12237)中描述的)澳大利亚碳vis-NIR组分库估计的。可用水容量可以使用为澳大利亚土壤开发的土壤水库进行估计。
使用不同的方法进行光谱建模来得出对土壤属性的估计，这取决于本地数据和应用的可用性。在没有任何本地数据(即来自同一地理位置例如田地的数据)的情况下，借助利用上面介绍的澳大利亚土壤属性光谱库、土壤有机C组分库和土壤水库导出的Cubist模型对土壤属性进行估计。
相反地，当本地样本可用时，使用下面描述的“rs-local”方法来形成校准，该方法使用少量代表性本地样本以及大型光谱库的精选子集利用CUBIST校准。在提交给EuropeanJournal of Soil Science的Lobsey,C.,Viscarra Rossel,R.,Roudier,P.和Hedley,C.2016,Can Large soil spectra libraries improve local calibrations of soilorganic carbon？(“Lobsey I”)中提供了关于rs-local方法、与其他方法的比较以及方法的验证的更广泛的讨论，其全部内容通过引用并入本文。
“RS-Local”方法
“rs-local”方法使用重采样以进行评估，并且然后从土壤光谱库(例如上面描述的澳大利亚光谱库)移除单个光谱，使得剩下的光谱对于导出本地校准是最适合的。该方法仅需要代表例如用Kennard-Stone或DUPLEX算法(Kennard和Stone,1969；Snee,R.D.,1977.Validation of regression models:methods and examples.Technometrics,19(4),415-428)所选择的地点的小的本地数据集。
对于每个感兴趣的“目标”土壤参数，rs-local方法如下进行：
(i)将K初始化为土壤光谱库的子集，其中K最初包含整个库；
(ii)通过随机采样从K采样大小为k的训练数据集(仅在紧接着步骤(i)之后的第一次执行不置换，而在随后的每次重复(从步骤(v)循环)中置换。
(iii)使用训练数据集k，推导偏最小二乘回归(PLSR)来预测目标土壤属性；
(iv)使用本地数据集对模型进行验证，并且这个验证的均方根误差(RMSE)被生成并被分配给所选择的k个样本；
(v)重复步骤(ii)至(iv)B次。尽管k先前在步骤(ii)中被采样而没有置换，这些样本在每次重复之前被置换。在步骤(iv)中生成的均方根误差(RMSE)在B次重复中被累积地分配给每个所选择的样本。B＝长度(K)×(b/k)，其中b是B次重复之后样本应该被抽取(测试)的次数；
(vi)通过累积的RMSE对光谱库子集K进行排序，并且从SSL子集移除具有最大累积RMSE值的比例为r的样本(即在最差的执行模型中一致地使用的那些样本)。r被定义为光谱库子集的固定比例，使得随着光谱库的大小减小，所移除的量逐渐变小。在B次重复中每个样本被选择的次数被跟踪并在移除样本之前用于归一化累积RMSE；
(vii)保留光谱库子集中的剩余样本，并形成新的、更特定的、定制或“调谐的”光谱库子集K的一部分；
(viii)重复步骤(i)到(vii)直到光谱库的大小减小到使得k不再被采样，即，直到K的大小等于k×(1+r)；
(ix)一旦导出了“经调谐的”光谱库子集，步骤(iv)中的本地数据集就被用来通过尖峰形成对它进行增强，并且确定本地校准以预测目标性质。
该方法的伪代码实现如下：
为了实现rs-local，需要确定三个参数。它们是从用于建模的光谱库子集抽取的训练样本的数量k、在B次重复中取将抽样本的次数b以及每次抽取形成光谱库的新的光谱库子集时光谱库子集的被移除的比例r。如Lobsey I所述，r和b的推荐参数值为r≤0.2，b≥20。较小的r值和较大的b值增加计算时间。k值在由Lobsey等人所测试的范围上是一致的。但他们使用k＝300。
如上所述，还使用不同的颜色空间模型测量土壤颜色，并且如Viscarra RosselR.A.,Cattle S.A,Ortega A,Fouad,Y.所述，从连续移除的光谱上的它们的对应特定吸收的宽度和高度来估计赤铁矿、针铁矿、高岭石、伊利石和蒙脱石的相对丰度。通过vis-NIRspectroscopy Geoderma 150(2009)253-266doi:10.1016/j.geoderma.2009.01.025和Clark,R.N.,Roush,T.L.,1984.Reflectance spectroscopy:Quantitative analysistechniques for remote sensing applications,Journal of Geophysical Research:Solid Earth 89,6329-6340.doi:10.1029/JB089iB07p06329)对土壤颜色、矿物组分和粘土含量进行原位测量。
当在现场使用时，在接近1400和1900nm吸收波长处，土壤的vis-NIR光谱会受到水的影响。为了能够在现场条件下对土芯进行现场分析，系统使用(如在Roger，J.M.，Chauchard，F.，Bellon-Maurel,V.,2003,Epo-pls external parameterorthogonalisation of PLS application to temperature-independent measurementof sugar content of intact fruits,Chemometrics and Intelligent LaboratorySystems 66,191-204 doi:10.1016/S0169-7439(03)00051-0和在Minasny,B.,McBratney,A.B.,Bellon-Maurel,V.,Roger,J.M.,Gobrecht,A.,Ferrand,L.,Joalland,S.,2011,Removing the effect of soil moisture from nir diffuse reflectance spectra forthe prediction of soil organic carbon，Geoderma 167-168,118-124.doi:10.1016/j.geoderma.2011.09.008中所描述的)外部参数正交化(EPO)来投射与由水所引起的变化正交的光谱，或使用直接标准化(DS)以传递湿场光谱，使得可以用(如在Ji,W.,ViscarraRosse,R.A.,Shi,Z.,2015,Accounting for the effects ofwater and theenvironment on proximally sensed vis-NIR soil spectra and their calibrations,European Journal of Soil Science 66,555-565.doi:10.1111/ejss.12239中所描述的)实验室导出的光谱库对它进行预测。
使用(如在Viscarra Rossel,R.,2007,Robust modeling of soil diffusereflectance spectra by bagging-partial least squares regression，Journal ofNear Infrared Spectroscopy 15,39-47.doi:10.1255/jnirs.694中所描述的)自举重采样(bootstrap resampling)来估计光谱建模中的不确定性。这个技术使用随机采样和置换来生成用于光谱建模的多个训练数据集。这些模型被用来估计土壤属性的不同实现以形成针对每个估计的累积分布函数，从该累积分布函数确定平均值和置信区间。
土壤密度测量法
伽马射线衰减传感器包括：放射性(137Cs)源，其沿径向发射γ射线到圆柱形土芯中；以及γ射线检测器，其检测穿过圆柱形土芯但不被土芯吸收的或散射至检测器的接受角度之外的γ射线。所检测到的穿过土芯的伽马射线的数量与在源与检测器之间不存在土芯时所检测到的数量的比值被称为伽马射线衰减，并且提供对在沿土芯的对应位置处的土壤的表观密度的直接测量。
由Beer Lambert定律给出的伽马射线辐射穿过土芯的衰减如下：
其中I是在穿过土芯之后在检测器处的衰减辐射，I0是未衰减的辐射(即，当没有土芯时)，并且x是样本厚度。参数μs和ρbs分别代表土壤的单位为cm2g-1的质量衰减和单位为g cm-3的密度。土壤的质量衰减μs是其元素成分的函数，并且因此该衰减受样本的质地和矿物学的影响。然而，在高能量(例如0.662MeV)下，这些影响是微不足道的。
为了测量现场条件下的土壤的容重，需要考虑相应的伽马射线能量，在137Cs源的情况下为0.662MeV下的土壤水的质量衰减。对于异质性样本(即，湿土芯)，由下式给出所测量的衰减：
其中I和I0分别是入射辐射和衰减辐射，x是以cm为单位的有效路径长度或土芯厚度。参数μs和μw是以cm2g-1为单位并且分别表示土壤和水的质量衰减系数。参数ρw是水的密度，为1g cm-3，并且θ为土壤的体积含水量，单位为cm-3cm-3。有效路径长度或土芯厚度影响土芯的曲率并且使用与土芯具有相同直径的圆柱形校准标准来确定。土壤的质量衰减系数μs取决于光子能量及它的元素成分这两者。然而，在高光子能量(例如0.662 MeV)下，不同土壤组分的影响变得可以忽略不计(如在Luo,X.,Wells，L.，1992，Evaluation of gamma-ray attenuation for measuring soil bulk density,I.Laboratoryinvestigation.Transactions of the ASAE 35中所述)。该系统使用在Lobsey，C.,Viscarra Rossel,R.,2016.Sensing soil bulk density for more accurate carbonaccounting.European Journal of Soil Science(“Lobsey II”)中导出的土壤与水质量衰减系数值，其全部内容再次通过引用并入本文。
因此，一旦已知了参数I0、μs和μw的值以及θ的独立测量值，就可以确定土壤的干容重ρbs。vis-NIR光谱使用下面描述的光谱建模被用来推断θ。通过求解ρbs来确定土芯湿润时的容重：
其中θ是由vis-NIR光谱推断的。
X射线荧光(XRF)和X射线透射(衰减)测量
如上所述，在一些实施例中，土壤分析组件308包括X射线荧光(XRF)分析组件以测量在沿土芯的每个采样深度/位置处的土芯的元素组成。XRF依赖于在用X射线照射时激发的原子的特定能量的荧光。在一些实施方式中，土壤分析组件308包括用于通过土芯的透射测量的x射线传感器。在一些实施例中，XRF分析组件是具有硅漂移检测器(SDD)的AMPTEKX-123SDD完全X射线光谱仪。它使用Mini-X自给式微型X射线管，其被设计为取代X射线荧光分析应用中的放射性同位素。检测特定的荧光光子能够分析样本中的元素。在空气中，仪器可以检测原子量大于25的元素(即，它仅能检测铝)。在真空中，XRF分析组件可以测量较轻的元素。
方法200的结果是表示对土壤属性的估计的一组数据，诸如有机碳含量、碳组分(微粒、腐殖质和惰效性有机碳)、容重、碳储量、土壤水、可用水容量、粘土含量、总氮、铁和粘土矿物质、土壤颜色、阳离子交换量，pH，这有助于将土壤的条件定义为土芯被移除的地理位置的深度的函数。
通常，本文描述的土壤测量系统和方法的实施方式可以测量限定土壤的条件的关键土壤属性，包括有助于描述土壤及其条件的(如上所述的用伽马传感器和来自水的光谱测量的水校正所测量的)容重和土壤有机碳，碳组分(微粒、腐殖质和惰效性有机碳)、粘土含量、总氮、含水量、有效水容量、粘土和铁氧化物矿物质丰度、土壤颜色、阳离子交换量、pH。
通过使用自举Monte-Carlo方法执行光谱建模，可以利用对不确定性的估计导出光谱测量结果。这些不确定性估计与卡尔曼平滑算法一起使用，以导出上述土壤属性随着深度的改进或过滤的估计，同时还在这些估计中提供对应的不确定性度量。在Grewal MS和Andrews AP(1993)，Kalman Filtering Theory and Practice,Prentice HallInformation and System Sciences Series,Prentice Hall中描述了卡尔曼平滑算法。卡尔曼滤波相对于其他用于导出土壤属性分布曲线的技术(例如，样条插值)具有关键优势，因为它允许将传感器测量中的不确定性结合到该方法中，从而使其传播到经过滤的估计。
所描述的实施方式使用在R软件(R Core Team,2016.R:A language andenvironment for statistical computing.R Foundation for StatisticalComputing.Vienna,Austria.URL:http://www.R-project.org)中的(如在Helske,J.，KFAS:Kalman Filter and Smoother for Exponential Family State SpaceModels.URL:http://cran.r-project.org/package＝KFAS.rpackage version 1.2.1.中所描述的)KFAS包中提供的卡尔曼平滑的实现。
对于沿着土芯的任何土壤属性x(例如，土壤有机C)，传感器测量开始于土壤表面，并且以所定义的深度间隔k进行测量。这些测量结果是不精确的，但是需要保持定义沿着土芯的x的大小及其随深度的变化率的模型。因此，线性状态空间xk被定义为：
其中是土壤属性随深度的变化率。注意，假定k是离散的(即，固定的测量间隔)，尽管这可以根据如上所述的由用户定义的测量配置而变化。然后，(k-1)和k个深度之间的状态转换模型由下式定义：
其中wk～N(0，Qk)是过程噪声，假定它是具有方差Qk的正态分布。可以使用最大似然估计(MLE)来修正或推导(参见Helske,J.,2016.KFAS:Kalman Filter and Smootherfor Exponential Family State Space Models.URL:http://cran.r-project.org/package＝KFAS.r软件包版本1.2.1)。
在每个深度处，用特定传感器进行真实土壤属性值的噪声测量zk，使得观测模型可以通过下式定义：
zk＝[1 0]xk+vk (5)
其中vk～N(0，Rk)是被假设为具有方差Rk的正态分布的观测噪声。对于土壤属性的光谱估计，使用相应的光谱模型自举方差。伽马射线衰减测量，Rk是两个分量的和。第一个表示0.029g cm-3的伽马射线衰减测量值的标准误差(如Lobsey II中所述)，第二个是校正中使用的体积含水量的光谱估计的自举方差(参见上文和Lobsey II)。然后，该方法仅使用先前估计的状态以及当前深度处的传感器测量结果及其不确定性矩阵递归地预测特定深度处的土壤属性。在(提交给European Journal of Soil Science的)Viscarra Rossel，R.A.,Lobsey,C,Sharman,C.，Flick,P.，McLachlan,G.2016.The Soil ConditionANalysis System(SCANS)quantifies the attributes of soil profiles to deepenour understanding of soil中提供了这个方法的更广泛的讨论，其全部内容通过引用并入本文。
因此，本文所描述的土壤测量系统和方法可以用于针对深度有效评估土壤条件、土壤碳含量的储量和组成以及土壤肥力的方面，例如用于精密农业和受污染场地的评估。
在可替代实施方式中，传感器头保持四个传感器，包括上文描述的vis-NIR光谱仪和有源伽马射线衰减传感器、由Raspberry Pi 2单板计算机(Raspberry Pi Foundation,https://www.raspberrypi.org/)构建的相机模块、500万像素的Raspberry Pi相机和Lepton长波红外相机(美国俄勒冈州的FLIR Systems公司)。
在这个实施方式中，可见光和LWIR相机被接口连接到第二计算机1902，即小型单板计算机，该小型单板计算机继而被接口连接到上文描述的第一或“主”计算机1600。在所描述的实施方式中，单板计算机是经由以太网连接到主计算机1600的Raspberry Pi 2单板计算机，并且可见光相机是500万像素的Raspberry Pi相机。然而，对于本领域的技术人员来说显而易见的是，在其他实施方式中可以使用其他类型的计算机、互连方法和协议以及外围设备类型。通过安装在相机上的LED灯照亮土芯。
与上述的第一实施方式一样，由系统执行的过程被实现为ROS包。然而，在第二实施方式中，ROS节点分布在两台计算机1600、1902上，如图18所示。主计算机1600承载大部分的传感器接口软件、多传感器平台测量逻辑、数据存储和图形用户接口以及为其他节点提供寄存器以发现彼此的ROS主节点(未示出)。在所描述的实施方式中，第二(Raspberry Pi)计算机1902专门用于与RGB和LWIR相机对接，并且因此包括RGB相机节点504和LWIR相机节点516，并且经由以太网与主计算机1600通信。在所描述的实施方式中，每台计算机1600、1902均运行LinuxTM操作系统。
在这个实施方式中，测量过程被实现为具有八个不同状态902至816的有限状态机，如图19所示。状态流支持多传感器平台的安全操作，如果在任何时候安全条件被破坏(例如，防护门被打开)，则测量控制器将通过错误状态804立即移动到其关闭状态802。状态机设计还通过控制器节点在仅确认所有的传感器节点都正在操作时进入初始化状态806来确保质量控制。
只有在状态810中伽马射线衰减传感器已经被校准并且在状态814处已经确定了细长土芯的相对端的位置之后才有可能进入到传感器测量状态808。校准被配置有强制操作者在一固定的时间段后进行校准的最大年限，该固定的时间段由自前一次校准后所经过时间来定义。在对每个土芯进行第一次传感器测量之前，控制器进入vis-NIR光谱仪校准状态810以使用上述的固定的白色参考面板自动校准传感器。通过自动化校准过程，确保了vis-NIR光谱仪的频繁且一致的校准。
实施例
使用类似于在Viscarra Rossel,R.A.,Brus,D.,Lobsey,C.,Shi,Z.,McLachlan,G.,2016,Baseline estimates of soil organic carbon by proximal sensing:Comparing design-based,model-assisted and model-based inference,Geoderma 265,152-163.doi:dx.doi.org/10.1016/j.geoderma.2015.11.016)中所描述的方法，使用分层简单随机抽样方案在位于NSW北部的600公顷牛放牧农场(S30.69，E151.48)中选择150个土芯采样位置。土壤测量系统被用来测量所有的150个土芯的属性，但是为了简明起见，这里仅呈现在两个土芯上进行的测量，分别如图29和30所示。
如上所述，使用7822DT土芯采样装备和DT325采样系统对土芯进行采样，并且土芯被直接采样到带有端盖的透明塑料套筒中。在测量之前，切割套筒的纵向截面以暴露土芯表面以进行vis-NIR测量和成像。
土芯测量位置是从表面到30cm的深度每隔2.5cm的位置，然后从30cm到100cm的深度每隔5cm的位置。因此，每个土芯总共有26个测量结果，测量每个土芯的时间约为15分钟(即每次测量花费大约35秒)。
图20(从左向右移动)包括：土芯的真实的彩色图像(最左边的垂直带)，这对于进行目视检查和记录保存是有用；土芯密度作为沿着土芯的深度的函数的图，以及表示在每个采样深度处所测量的vis-NTR反射比光谱的图。密度值是以如通过伽马射线衰减传感器生成的每秒的检测器计数(cps)为单位(基本上是任意的)，并且从vis-NIR光谱仪生成反射比光谱。
土芯处于现场条件下并且不完全干燥。因此，在利用光谱建模(表1)使用vis-NIR光谱之前，使用上述的EPO方法对它们进行校正以去除水对光谱的影响。在测量土芯的铁和粘土矿物质之前，使用DS方法(也在上文中被描述)来去除水的影响。在这种情况下，DS被使用是因为与EPO不同，它不会改变经校正的光谱。
如上所述，光谱建模被用于使用澳大利亚光谱库和rs-local来预测土壤属性深度分布曲线。使用150个土芯的光谱，选取了20个本地土壤样本的代表性集合进行实验室分析。使用如在Lobsey I 2016中所描述的Kennard-Stone算法(Kennard,R.W.，Stone,L.A.,1969,Computer aided design of experiments，Technometrics 11,137-148)进行选择。使用(如在Rayment,G.,Lyons,D.,2011,Soil chemical methods-Australasia,CSIRO出版,科灵伍德,维多利亚.中所描述的)LECO碳分析仪，通过总燃烧法对20个样本的土壤有机碳进行分析，使用(如在Baldock,J.A.,Sanderman,J.,Macdonald,L.M.,Puccini,A.,Hawke,B.,Szarvas,S.,McGowan,J.,2013，Quantifying the allocation of soilorganic carbon to biologically significant fractions,Soil Research 51,561-576.doi:10.1071/SR12374中所描述的)核磁共振(NRM)方法对20个样本的微粒、腐殖质和惰效性碳进行分析。
使用(如在Gee,G.,Bauder,J.,1986.Particle size analysis,在Klute,A.(Ed.),Methods of Soil Analysis,第一部分，第二版，美国农学会和美国土壤科学学会，麦迪逊,WI,USA.Agronomy Monograph no.9，第383-411页中所描述的)比重法分析来自先前勘察调查的12个本地表面土壤样本的粘土含量和(如在Rayment,G.,Lyons,D.,2011.Soil chemical methods-Australasia.CSIRO出版,科灵伍德,维多利亚中所描述的)在1:5水悬浮液中的pH。
使用在Viscarra Rossel，R.A.，Hicks，W.S.，2015,Soil organic carbon andits fractions estimated by visible-near infrared transfer functions,EuropeanJournal of Soil Science 66,438-450.doi:10.1111/ejss.12237)中所描述的有机碳组分库来预测微粒、腐殖质和惰效性有机C的含量。θ、CEC和AWC仅使用澳大利亚土壤vis-NIR库进行预测，因为没有对这些属性的本地测量是可用的。所有的光谱模型使用10倍交叉验证进行评估。
利用vis-NIR中的特定吸收，确定了是这个农场的土壤中的主要铁氧化物的针铁矿以及高岭石、伊利石和蒙脱石(见上文)的粘土矿物的相对丰度。
图21示出了卡尔曼平滑的结果，具有与未滤波的离散光谱测量结果(具有95％置信度线的圆盘)相比较的有机C、粘土和CEC的深度分布曲线，卡尔曼估计提供具有较窄的不确定性的连续分布曲线估计。
由于利用rs-local的光谱模型是使用代表性数据集导出的，所以对有机碳的估计的不确定性在分布曲线下方很小。因为利用rs-local的模型使用了12个表面样本的本地集合，故对在30cm以上的土壤表面处的粘土含量的估计更精确。因此，如图21所示，低于30cm的估计值更加不确定。没有本地样本来帮助CEC的建模。光谱模型是使用澳大利亚土壤光谱库导出的，因此整个分布曲线的不确定性都比较大(图21)。
图22和图23中的每一个是由研究地点的对应的单个土芯生成的连续的土壤属性分布曲线的一组图。体积土壤有机C含量(SOCv)分布曲线被确定为有机碳含量(％)与容重分布曲线的乘积。
在不背离本发明的范围的情况下，许多修改将对本领域中的技术人员是明显的。

Claims (26)

1.一种土壤条件分析系统，包括：
支撑平台，其支撑从陆地提取的细长土芯；
多个土壤感测组件，其被配置为测量被支撑在所述支撑平台上的土芯的对应特性；
一个或更多个数据获取组件，其与所述土壤感测组件通信并且被配置为生成表示来自所述土壤感测组件的所测量的特性的测量数据；
其中所述多个土壤感测组件和所述支撑平台中的至少一个被安装在计算机控制的平移载物台上，以使得所述土壤感测组件能够在沿着所述细长土芯的纵向轴线的相互隔开的位置处自动地测量所述土芯的所述对应特性。
2.根据权利要求1所述的土壤条件分析系统，其中所述土壤感测组件包括对所述土芯进行成像的相机、长波红外(LWIR)相机、以近红外和/或中红外波长测量来自所述土芯的光的光谱仪以及测量透射通过所述土芯的伽马射线的衰减的伽马射线衰减组件。
3.根据权利要求2所述的土壤条件分析系统，其中所述土壤感测组件包括x射线传感器组件以测量土壤的x射线荧光或透射通过所述土芯的x射线。
4.根据权利要求2或3所述的土壤条件分析系统，其中所述土壤感测组件包括微波土壤水感测组件和激光诱导击穿(LIBS)感测组件中的至少一个。
5.根据权利要求1至4中任一项所述的土壤条件分析系统，包括显示组件以在数据获取期间显示所述土芯的至少对应部分的视觉图像以及从所述土壤感测组件中的至少另一个获取的测量数据。
6.根据权利要求1至5中任一项所述的土壤条件分析系统，包括数据处理组件，所述数据处理组件被配置为基于表示所述细长土芯的作为深度的函数的对应土壤属性与所测量的特性之间的关系的光谱模型来处理所述测量数据以生成表示所述土壤属性的土壤属性数据。
7.根据权利要求6所述的土壤条件分析系统，其中所述土壤属性包括下列项中的至少五项：土壤有机碳、有机碳组分(微粒、腐殖质和惰效性碳)、容重、土壤碳储量、土壤水、有效水容量、粘土含量、总氮、铁矿物质、粘土矿物质、土壤颜色、阳离子交换量和pH。
8.根据权利要求6或7所述的土壤条件分析系统，其中所述数据处理组件被配置为根据所测量的通过所述土芯的伽马射线的衰减和所测量的所述土芯的含水量，通过对由所述土芯的所述含水量对伽马射线的吸收进行补偿以生成在没有所述含水量的情况下的对所述土芯的容重的估计来生成所述土芯的作为深度的函数的所述容重的测量结果。
9.根据权利要求8所述的土壤条件分析系统，其中所述土芯的所述含水量根据对从所述土芯测量的可见近红外光谱的光谱建模来确定。
10.根据权利要求6至9中任一项所述的土壤条件分析系统，其中通过应用于先前测量的土壤光谱和对应土壤属性的土壤光谱库的机器学习生成所述光谱模型。
11.根据权利要求6至9中任一项所述的土壤测量系统，其中通过以下操作生成所述光谱模型：通过实验室分析来对从将被分析的公共地理区域获取的多个土芯的代表性子集进行分析以确定所述土芯的子集的土壤属性，并且使所述土芯的子集的所确定的土壤属性与对应光谱相关联；通过移除先前测量的土壤光谱与对应土壤属性的土壤光谱库中的最不代表所述土芯的子集的那些成员并且对所述土壤光谱库的其余成员添加所述土芯的子集的所确定的土壤属性和对应光谱，利用所确定的土壤属性与对应光谱之间的关系定制所述土壤光谱库，以提供为所述公共地理区域定制的土壤光谱库；并且从所定制的土壤光谱库生成所述光谱模型。
12.根据权利要求11所述的土壤测量系统，其中通过迭代地移除所述土壤光谱库中的、通过在每次迭代中执行的对应的偏最小二乘回归所确定的、最不代表所述土芯的子集的对应成员来移除所述土壤光谱库的成员。
13.根据权利要求12所述的土壤测量系统，其中在每次迭代中移除所述土壤光谱库的固定比例的剩余数量的成员。
14.根据权利要求11至13中任一项所述的土壤测量系统，其中通过Kennard-Stone方法选择所述土芯的代表性子集。
15.根据权利要求1至14中任一项所述的土壤条件分析系统，其中所述支撑平台、土壤分析组件和数据获取组件被安装在拖车上，使得所述系统能够被运输到土芯将被提取用于由所述系统进行测量的地点。
16.一种土壤条件分析方法，包括：
通过控制计算机控制的平移载物台使被配置为测量土芯的特性的多个土壤感测组件和之上支撑所述土芯的支撑平台中的至少一个自动地平移，使用土壤条件分析系统生成表示在沿着细长土芯的纵向轴线的相互隔开的位置处的所测量的所述细长土芯的特性的测量数据。
17.根据权利要求16所述的土壤条件分析方法，包括基于表示所述细长土芯的作为深度的函数的对应土壤属性与所测量的特性之间的关系的光谱模型来处理所述测量数据以生成表示所述土壤属性的土壤属性数据。
18.根据权利要求17所述的土壤条件分析方法，其中所述土壤属性包括下列项中的至少五项：土壤有机碳、有机碳组分(微粒、腐殖质和惰效性有机碳)、容重、土壤碳储量、土壤水、有效水容量、粘土含量、总氮、铁矿物质、粘土矿物质、土壤颜色、阳离子交换量和pH。
19.根据权利要求17或18所述的土壤条件分析方法，其中所述数据处理组件被配置为根据所测量的通过所述土芯的伽马射线的衰减和所测量的所述土芯的含水量，通过对由所述土芯的所述含水量对伽马射线的吸收进行补偿以生成在没有所述含水量的情况下的对所述土芯的容重的估计来生成所述土芯的所述容重的测量结果。
20.根据权利要求19所述的土壤条件分析方法，其中所述土芯的所述含水量根据对从所述土芯测量的可见近红外光谱的光谱建模来确定。
21.根据权利要求17至20中任一项所述的土壤条件分析方法，其中通过应用于先前测量的土壤光谱和对应土壤属性的土壤光谱库的机器学习生成所述光谱模型。
22.根据权利要求17至20中任一项所述的土壤条件分析方法，其中通过以下操作生成所述光谱模型：通过实验室分析对从待分析的公共地理区域获取的多个土芯的代表性子集进行分析以确定所述土芯的子集的土壤属性，并且使所述土芯的子集的所确定的土壤属性与对应光谱相关联；通过移除先前测量的土壤光谱与对应土壤属性的土壤光谱库中的最不代表所述土芯的子集的那些成员并且对所述土壤光谱库的其余成员添加所述土芯的子集的所确定的土壤属性和对应光谱，利用所确定的土壤属性与对应光谱之间的关系定制所述土壤光谱库，以提供为所述公共地理区域定制的土壤光谱库；并且从所定制的土壤光谱库生成所述光谱模型。
23.根据权利要求22所述的土壤条件分析方法，其中所述土壤光谱库的定制包括迭代地移除所述土壤光谱库中的、通过偏最小二乘回归所确定的、最不代表所述土芯的子集的成员。
24.根据权利要求23所述的土壤条件分析方法，其中在每次迭代中移除所述土壤光谱库的固定比例的剩余数量的成员。
25.根据权利要求11至13中任一项所述的土壤条件分析方法，其中通过Kennard-Stone方法选择所述土芯的代表性子集。
26.至少一个计算机可读存储介质，其上存储有可执行指令，当通过数据处理系统的至少一个处理器执行所述可执行指令时使所述至少一个处理器执行根据权利要求16或25所述的方法。
CN201680040770.6A 2015-06-15 2016-06-15 土壤条件分析系统及方法 Pending CN108449989A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
AU2015902264 2015-06-15
AU2015902264A AU2015902264A0 (en) 2015-06-15 Soil measurement system and process
PCT/AU2016/050500 WO2016201508A1 (en) 2015-06-15 2016-06-15 Soil condition analysis system and process

Publications (1)

Publication Number Publication Date
CN108449989A true CN108449989A (zh) 2018-08-24

Family

ID=57544702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680040770.6A Pending CN108449989A (zh) 2015-06-15 2016-06-15 土壤条件分析系统及方法

Country Status (9)

Country Link
US (1) US10845353B2 (zh)
EP (1) EP3308159A4 (zh)
CN (1) CN108449989A (zh)
AU (1) AU2016279908B2 (zh)
CA (1) CA2989335C (zh)
CL (1) CL2017003233A1 (zh)
NZ (1) NZ738266A (zh)
WO (1) WO2016201508A1 (zh)
ZA (1) ZA201708569B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108802028A (zh) * 2018-03-07 2018-11-13 深圳远佳智慧科技有限公司 一种土壤肥力检测方法、系统、电子设备及存储介质
CN109358081A (zh) * 2018-10-22 2019-02-19 苏州泰坤检测技术有限公司 基于xrf的土壤检测装置
CN111090923A (zh) * 2018-10-22 2020-05-01 财团法人交大思源基金会 具有预测农地土壤状态的物联网系统与建模方式
CN111521568A (zh) * 2020-04-26 2020-08-11 金陵科技学院 一种基于光谱角的土壤含水量预测方法
CN111912832A (zh) * 2020-07-03 2020-11-10 苏州星帆华镭光电科技有限公司 一种可调节光电双脉冲激光诱导击穿光谱仪
CN112380493A (zh) * 2020-11-17 2021-02-19 甘肃省祁连山水源涵养林研究院 一种土壤成分含量检测智能分析方法、装置及服务器
CN113420412A (zh) * 2021-05-26 2021-09-21 南京信息工程大学 基于成像光谱的土壤有机碳含量连续深度分布提取方法
CN113518912A (zh) * 2018-12-07 2021-10-19 奥本大学 用于土壤碳绘制的中子伽马分析的扫描模式应用

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11187692B2 (en) 2014-06-18 2021-11-30 Texas Tech University System Enhanced chemical characterization of solid matrices using x-ray fluorescence and optical color reflectance
AU2017322519B2 (en) * 2016-09-09 2019-10-31 Boart Longyear Company Systems and methods for analyzing core using X-ray fluorescence
AU2017355728B2 (en) 2016-11-07 2020-09-10 Climate Llc Agricultural implements for soil and vegetation analysis
US10509378B2 (en) * 2016-11-07 2019-12-17 FarmX Inc. Systems and methods for soil modeling and automatic irrigation control
BR112019012178B1 (pt) 2016-12-16 2023-04-04 Farmers Edge Inc Classificação de textura e teor do solo por espectroscopia no infravermelho próximo
WO2019018279A2 (en) * 2017-07-17 2019-01-24 Thermo Scientific Portable Analytical Instrumants Inc. COMPLEMENTARY SAFETY SYSTEMS FOR SPECTROSCOPY BY LASER-INDUCED CLARIFICATION
US10663445B2 (en) * 2018-05-06 2020-05-26 Beijing Normal University Method and system for identifying plant species based on hyperspectral data
US10750655B2 (en) 2018-06-21 2020-08-25 Cnh Industrial Canada, Ltd. Real-time artificial intelligence control of agricultural work vehicle or implement based on observed outcomes
US20200192872A1 (en) * 2018-12-13 2020-06-18 Zoox, Inc. Device message framework
DE102019109052A1 (de) * 2019-04-05 2020-10-08 Rwe Power Ag Vorrichtung und Verfahren zum Ermitteln einer Elementzusammensetzung eines Bodens
US20220334057A1 (en) * 2019-10-08 2022-10-20 Texas Tech University System Enhanced chemical characterization of solid matrices using x-ray fluorescence and optical color reflectance
US11385379B2 (en) * 2020-01-23 2022-07-12 Peter J. Wilk Methods for detecting deposits of known materials
US11686876B2 (en) * 2020-02-18 2023-06-27 Saudi Arabian Oil Company Geological core laboratory systems and methods
CN112485039B (zh) * 2020-06-12 2024-03-12 湖北省农业科学院农业质量标准与检测技术研究所 表层土多点连续自动采样设备和方法
WO2022192219A1 (en) * 2021-03-09 2022-09-15 GroundTruth Ag, Inc. Systems and methods for real-time measurement of soil carbon sequestration using non-invasive multimodal sensors
CN113092513B (zh) * 2021-04-14 2022-06-03 江苏省环境科学研究院 一种土壤样品重金属快速检测装置及方法
CN113552315B (zh) * 2021-06-10 2023-12-26 重庆大学溧阳智慧城市研究院 一种多功能透明土模型试验主控系统装置及其使用方法
US11803863B2 (en) * 2021-12-13 2023-10-31 Crop Search Llc System and method for food safety audit and sampling
WO2023233187A1 (en) * 2022-06-03 2023-12-07 Golchin Babak Portable device and soil analysis method and its calibration to cultivating appropriate plants
CN116359475B (zh) * 2023-05-29 2023-07-25 深圳市深水水务咨询有限公司 一种土壤含水量检测仪器

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008127074A1 (en) * 2007-04-17 2008-10-23 Hyundai Engineering & Construction Co., Ltd. Apparatus for measuring and scanning density inside a dredging pipeline
CN102778413A (zh) * 2012-08-02 2012-11-14 南通中天精密仪器公司 一种同步测量基体介质密度和水分含量的装置
CN102866093A (zh) * 2012-09-04 2013-01-09 中国农业大学 一种多孔介质生物堵塞模拟测试装置及模拟测试评估方法
CN104034861A (zh) * 2014-06-04 2014-09-10 中国科学院合肥物质科学研究院 土壤容重实时测量方法及其测量装置
CN105738418A (zh) * 2016-03-31 2016-07-06 成都齐沃农业科技有限公司 一种适用不同土壤深度的土壤水分检测仪

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7082185B2 (en) * 2003-02-12 2006-07-25 The Regents Of The University Of California Portable imaging system method and apparatus
US9534965B2 (en) 2011-04-26 2017-01-03 University Of New Brunswick Flexible fibre optic deformation sensor system and method
US9579700B2 (en) * 2014-05-30 2017-02-28 Iteris, Inc. Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities
WO2016025848A1 (en) * 2014-08-15 2016-02-18 Monsanto Technology Llc Apparatus and methods for in-field data collection and sampling

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008127074A1 (en) * 2007-04-17 2008-10-23 Hyundai Engineering & Construction Co., Ltd. Apparatus for measuring and scanning density inside a dredging pipeline
CN102778413A (zh) * 2012-08-02 2012-11-14 南通中天精密仪器公司 一种同步测量基体介质密度和水分含量的装置
CN102866093A (zh) * 2012-09-04 2013-01-09 中国农业大学 一种多孔介质生物堵塞模拟测试装置及模拟测试评估方法
CN104034861A (zh) * 2014-06-04 2014-09-10 中国科学院合肥物质科学研究院 土壤容重实时测量方法及其测量装置
CN105738418A (zh) * 2016-03-31 2016-07-06 成都齐沃农业科技有限公司 一种适用不同土壤深度的土壤水分检测仪

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
R.A.VISCARRA ROSSEL等: "Proximal Soil Sensing: An Effective Approach for Soil Measurements in Space and Time", 《ELSEVIER SCIENCE &TECHNOLOGY》 *
刘什敏: "双能γ射线穿透法测定土壤密度和水含量的蒙特卡罗模拟", 《核电子学与探测技术》 *
刘什敏: "用137Cs衰减法测定土壤密度和含水量的蒙特卡罗模拟", 《喀什师范学院学报》 *
吴见等: "基于高光谱影像分解的土壤含水量反演技术", 《土壤学报》 *
常丹等: "土体含水率测量方法研究进展及比较", 《工程勘察》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108802028A (zh) * 2018-03-07 2018-11-13 深圳远佳智慧科技有限公司 一种土壤肥力检测方法、系统、电子设备及存储介质
CN109358081A (zh) * 2018-10-22 2019-02-19 苏州泰坤检测技术有限公司 基于xrf的土壤检测装置
CN111090923A (zh) * 2018-10-22 2020-05-01 财团法人交大思源基金会 具有预测农地土壤状态的物联网系统与建模方式
CN111090923B (zh) * 2018-10-22 2023-07-21 财团法人交大思源基金会 具有预测农地土壤状态的物联网系统与建模方式
CN113518912A (zh) * 2018-12-07 2021-10-19 奥本大学 用于土壤碳绘制的中子伽马分析的扫描模式应用
CN111521568A (zh) * 2020-04-26 2020-08-11 金陵科技学院 一种基于光谱角的土壤含水量预测方法
CN111912832A (zh) * 2020-07-03 2020-11-10 苏州星帆华镭光电科技有限公司 一种可调节光电双脉冲激光诱导击穿光谱仪
CN112380493A (zh) * 2020-11-17 2021-02-19 甘肃省祁连山水源涵养林研究院 一种土壤成分含量检测智能分析方法、装置及服务器
CN112380493B (zh) * 2020-11-17 2024-02-09 甘肃省祁连山水源涵养林研究院 一种土壤成分含量检测智能分析方法、装置及服务器
CN113420412A (zh) * 2021-05-26 2021-09-21 南京信息工程大学 基于成像光谱的土壤有机碳含量连续深度分布提取方法

Also Published As

Publication number Publication date
NZ738266A (en) 2022-11-25
WO2016201508A1 (en) 2016-12-22
EP3308159A1 (en) 2018-04-18
US20180188225A1 (en) 2018-07-05
AU2016279908B2 (en) 2020-11-26
CA2989335C (en) 2023-03-14
AU2016279908A1 (en) 2018-01-04
ZA201708569B (en) 2021-03-31
EP3308159A4 (en) 2019-04-10
CA2989335A1 (en) 2016-12-22
CL2017003233A1 (es) 2018-10-19
US10845353B2 (en) 2020-11-24

Similar Documents

Publication Publication Date Title
CN108449989A (zh) 土壤条件分析系统及方法
Viscarra Rossel et al. Novel proximal sensing for monitoring soil organic C stocks and condition
Schodlok et al. HyLogger-3, a visible to shortwave and thermal infrared reflectance spectrometer system for drill core logging: functional description
Steinberg et al. Prediction of common surface soil properties based on Vis-NIR airborne and simulated EnMAP imaging spectroscopy data: Prediction accuracy and influence of spatial resolution
Rossel et al. Predicting soil properties from the Australian soil visible–near infrared spectroscopic database
CA3076181A1 (en) Inferring petrophysical properties of hydrocarbon reservoirs using a neural network
CN106353828B (zh) 在安检系统中估算被检查物体重量的方法和装置
Carbonneau et al. Robotic photosieving from low‐cost multirotor sUAS: a proof‐of‐concept
Wadoux et al. Soil spectral inference with r
Xia et al. New maps of lunar surface chemistry
US9970890B2 (en) Method and apparatus pertaining to non-invasive identification of materials
CN102608135B (zh) 在危险品检查系统中确定ct扫描位置的方法和设备
Nyarko et al. Potential of visible and near infrared spectroscopy coupled with machine learning for predicting soil metal concentrations at the regional scale
US20220206024A1 (en) Methods and System for Materials Characterization Using Multiple Instruments and Data Fusion
Knadel et al. Mathematical techniques to remove moisture effects from visible–near-infrared–shortwave-infrared soil spectra
Bertinetto et al. Influence of measurement procedure on the use of a handheld NIR spectrophotometer
Murad et al. Assessing a VisNIR penetrometer system for in-situ estimation of soil organic carbon under variable soil moisture conditions
Cappuccio et al. Three-dimensional separation and characterization of fractures in X-ray computed tomographic images of rocks
Mehmani et al. Quantification of kerogen content in organic-rich shales from optical photographs
JP6037968B2 (ja) 放射線測定装置および放射線測定方法
Ebrahimi et al. Estimation of soil texture by fusion of near-infrared spectroscopy and image data based on convolutional neural network
Sun Errors induced by spectral measurement positions and instrument noise in soil organic carbon prediction using vis-NIR on intact soil
Irgenfried et al. A framework for storage, visualization and analysis of multispectral data
Contreras Acosta et al. Resolution enhancement for drill-core hyperspectral mineral mapping
Knotters et al. A selection of sensing techniques for mapping soil hydraulic properties

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180824