利用人工智能算法剖析土壤颜色属性，精准评估土壤质量

为简化传统土壤质量评估流程，研究人员开展用 AI 分析土壤颜色评估质量的研究，发现线性评分函数最有效，凸显 AI 潜力。

　　在广袤的田野中，土壤质量对农作物的生长起着至关重要的作用。传统的土壤质量评估方法，就像一场繁琐的 “大工程”，需要专家的介入以及大量复杂的分析过程。这不仅耗费大量的时间和金钱，而且效率较低，就好比在现代化的高速公路上，驾驶着一辆慢吞吞的老爷车，难以满足现代农业快速发展的需求。同时，随着全球人口的增长，对粮食的需求也在不断增加，人们在土地上进行着越来越多的农业活动，这导致土壤质量逐渐下降，土壤侵蚀、养分失衡等问题日益严重。为了解决这些问题，更好地管理和保护土壤资源，科学家们迫切需要一种更简单、高效的土壤质量评估方法。

在这样的背景下，来自塞尔丘克大学（Selcuk University）和博阿兹齐大学（Bo?azi?i University）的研究人员 Hamza Negi?、Cevdet ?eker 和 Hasan Kerem ?eker 开展了一项重要的研究，相关成果发表在《Journal of Soil Science and Plant Nutrition》上。他们试图通过利用人工智能（AI）算法分析土壤的颜色属性，来实现对土壤质量的快速、准确评估，为现代农业的可持续发展提供有力支持。

为了完成这项研究，研究人员采用了多种关键技术方法。首先，他们从科尼亚库姆拉平原（Konya ?umra Plain）海拔 1003 米处，深度为 0 - 20 厘米的土层中，采集了 324 个土壤样本。这些样本可不是随便采集的，研究人员为了考虑土壤的空间变异性，从每个采样点的不同位置采集了 10 个子样本，然后混合成一个约 2 千克的复合样本，以确保样本能准确代表该区域的土壤特征。接着，他们对这些样本进行了一系列的分析，包括土壤的物理、化学和生物学性质测定，以及土壤颜色的测量。在测量土壤颜色时，使用了 CR - 400 色差仪，按照美国肉类科学协会（AMSA）的指南，获取土壤的 L、a、b 值，并进一步转换计算出 Hue、Croma 和红度指数（RI）值。为了确定土壤质量指数，研究人员运用了主成分分析（PCA）等方法，筛选出关键的土壤质量指标。最后，他们构建了人工神经网络（ANN）模型，将土壤颜色参数作为输入，土壤质量得分作为输出，通过训练、验证和测试，评估模型预测土壤质量的准确性。

下面来看看具体的研究结果：

• 土壤数据：研究区域的土壤呈现出一些独特的特征。由于当地干旱 - 半干旱的气候条件，土壤中有机碳（OC）含量较低，平均仅为 0.85%，这就像土壤失去了 “活力源泉”，影响着土壤的肥力。同时，土壤中的石灰含量较高，在 6.47% - 41.50% 之间波动，pH 值也相对较高。不过，土壤的电导率（EC）平均值为 725.50 μs cm?1，没有明显的盐度问题，但 EC 值的变化范围较大，从 243.00 - 6840.00 μs cm?1，这表明土壤中盐分的分布存在差异，需要引起关注。此外，研究人员还对土壤中的各种养分和微量元素进行了测定，发现土壤中生物活性的变异较大，这可能与土壤的质地差异有关。通过对土壤质地的分析，发现这些样本涵盖了 5 个不同的质地组。
• 土壤质量指数：研究人员使用了三种不同的评分函数来确定土壤质量指数。土壤管理评估框架（SMAF）、土壤健康综合评估（CASH）和线性评分（Linear scoring）。其中，SMAF 和 CASH 使用了预先定义的土壤指标和评分方法，而线性评分则是通过主成分分析确定关键指标后建立的。通过计算，得到 SMAF、CASH 和线性评分的平均土壤质量得分分别为 0.73、0.43 和 0.65。这三种评分结果存在差异，主要是因为它们所使用的参数和权重不同，以及所考察的土壤属性存在差异。CASH 认为土壤质地属性的变异性对土壤质量评估差异影响最大，而 SMAF 则综合考虑了众多影响因素，如有机质、FeO?含量、气候等，线性评分则更侧重于综合评估。
• 土壤颜色测量：根据 CIELAB 色标，研究区域土壤的平均亮度（L）值为 45.21，红色 - 绿色（a）值在 1.84 - 7.40 之间，黄色 - 蓝色（b）值平均为 12.85，彩度（c）值在 7.53 - 20.67 之间变化。在所有颜色参数中，色调（hue）值的变异系数（% CV）最小，而红度指数（RI）值的变异系数最大，达到 61.28%，其值在 0.62 - 20.54 之间变化。
• 机器学习模型结果：利用深度学习，通过数字化的土壤颜色参数预测土壤质量得分。结果显示，在训练阶段，SMAF、CASH 和线性评分函数的 R2 值分别为 0.67、0.49 和 0.76；在验证阶段，它们的均方误差（MSE）值分别为 0.0018、0.0076 和 0.0042；在测试阶段，SMAF 的 R2 值为 0.41，CASH 为 0.46，线性评分的 R2 值最高，达到 0.72，MSE 值为 0.0045。综合来看，线性评分函数与 ANN 预测的相关性最为一致，这表明它在预测土壤质量方面表现更为出色。

研究结论和讨论部分指出，这项研究证明了利用基于 CIELAB 颜色的参数，结合人工智能算法，能够快速估算土壤质量。这一成果为未来开发简单的现场土壤质量评估工具或利用普通计算机设备进行评估提供了可能。通过主成分分析，研究人员确定了 8 个关键的土壤质量指标，这体现了土壤物理、化学和生物学性质之间的相互依存关系，对于全面评估农业生产和土壤健康至关重要。然而，研究也存在一些局限性。例如，仅依靠土壤颜色来预测相对质量参数和营养元素存在一定困难，虽然土壤质地、有机质和 pH 等参数可以通过颜色进行估算，但在土壤肥力研究方面，人工智能的预测能力还有待提高。而且，目前的研究数据来自特定区域，模型在其他地区的适用性还需要进一步验证。不过，这项研究仍然具有重要意义，它为土壤质量评估提供了新的思路和方法，有助于推动农业的可持续发展，让我们在保护土壤资源、提高农作物产量的道路上迈出了重要的一步。