正文：传统的土壤养分评估方法通常涉及冗长且耗费资源的分析程序，不适合大规模和高通量测试。为了解决这些限制，本研究提出了一种基于传感器数据融合的创新解决方案来预测关键土壤养分的含量。所提出的方法包括使用气体传感器收集土壤热解后的嗅觉数据，并利用紫外-可见-近红外 (UV-Vis-NIR) 和中红外 (MIR) 技术收集土壤样品的光谱数据。

设计了三种融合策略（包括串联和并联模式），以有效地合并收集到的数据，并辅以机器学习算法来预测关键土壤养分的含量。测试了一个由 33 个土壤样本组成的测试集。

研究结果表明，在串联拼接融合策略中引入自注意程序可显著提高预测性能。这凸显了整合嗅觉和光谱数据源信息的协同效益。在多层感知器与随机森林 (MLP-RF) 融合模型框架内预测多种养分含量表现出优异的性能，判定系数 (R 2 ) 范围为 0.80 至 0.96。通过结合嗅觉数据捕获的生物和结构信息以及光谱提供的化学信息，可以提高土壤中基本养分和有效养分含量的预测有效性。

来源链接：https://mp.weixin.qq.com/s?__biz=MzkxNDUyNjQ3OQ==&mid=2247493885&idx=2&sn=d4e8b5e3febb15486a8826aacfeceab5&scene=6&poc_token=HBbijWejQRejbNfpizDiFsOv5YEcIoSzFu2O9vLG

作者：黄东岩教授团队
发布时间：2025-01-09