Quantification of soil carbon and moisture content in varying-moisture soils withLaser-Induced Breakdown Spectroscopy and machine learning
Este estudio demuestra que la combinación de la Espectroscopía de Ruptura Inducida por Láser (LIBS) con la reflectancia vis-NIR basada en LED y la regresión de kernel ridge permite la predicción precisa del carbono total y el contenido de humedad del suelo en muestras mínimamente procesadas y de humedad variable, donde la calibración consciente de la humedad mejora significamente la precisión de la predicción del carbono.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
El suelo bajo nuestros pies es más que simple tierra; es un vasto reservorio vivo que contiene más carbono que la atmósfera y todos los bosques del mundo combinados. Este carbono oculto desempeña un papel crítico en la regulación del clima de la Tierra, aunque medir cuánto se almacena en un parche específico de terreno sigue siendo una tarea difícil. Tradicionalmente, los científicos deben recolectar muestras de suelo, secarlas en un horno, triturarlas hasta obtener un polvo fino y quemarlas en un laboratorio para determinar su contenido de carbono. Este proceso es lento, costoso y requiere trasladar las muestras del campo a un laboratorio, lo que limita cuántos lugares pueden ser analizados. Mientras el mundo busca mejores formas de monitorear la salud del suelo y rastrear el almacenamiento de carbono, existe una creciente necesidad de un método que sea rápido, preciso y que pueda utilizarse justo donde se encuentra el suelo, sin la pesada carga de una preparación extensa.
Los investigadores han estado explorando una técnica llamada espectroscopia de ruptura inducida por láser, que utiliza un pulso de luz potente y enfocado para crear un diminuto plasma supercaliente en la superficie de un material. Este destello de energía hace que los átomos del suelo brillen, emitiendo luz que revela exactamente qué elementos están presentes. Si bien este método ha mostrado promesa para identificar metales y nutrientes, ha tenido dificultades con el suelo fresco y húmedo, ya que el agua cambia drásticamente cómo se comporta la luz, dificultando las mediciones precisas. Para resolver esto, un equipo de científicos combinó esta técnica láser con un sensor de reflexión de luz más simple y algoritmos informáticos avanzados. Probaron si este sistema híbrido podía predecir con precisión tanto la cantidad de carbono como el contenido de humedad en muestras de suelo que fueron cuidadosamente preparadas en un laboratorio o medidas en su estado natural y húmedo.
El estudio involucró 116 muestras de suelo recolectadas de ocho sitios agrícolas diferentes en Finlandia, que representaban una amplia variedad de texturas de suelo y niveles de carbono. Los investigadores dividieron estas muestras en diferentes grupos para probar varios escenarios. Algunas muestras fueron secadas, trituradas hasta obtener un polvo fino y prensadas en pellets para imitar las condiciones ideales de laboratorio. Otras se dejaron frescas, con su humedad natural y rocas grandes simplemente eliminadas a mano. El equipo luego sometió estas muestras al láser y al sensor de luz, introduciendo los datos resultantes en seis tipos diferentes de modelos de aprendizaje automático. Estos modelos son esencialmente programas informáticos entrenados para encontrar patrones complejos en los datos, aprendiendo a conectar las firmas lumínicas específicas del suelo con los niveles reales de carbono y agua medidos mediante los métodos tradicionales y lentos.
Los resultados mostraron que los modelos informáticos podían aprender a interpretar los datos desordenados del mundo real con una precisión sorprendente. El mejor modelo, un tipo de algoritmo conocido como regresión de cresta kernel (kernel ridge regression), fue capaz de predecir el contenido total de carbono con un alto grado de precisión. Para las muestras que fueron trituradas en polvo y mantenidas en un nivel de humedad constante, las predicciones del modelo fueron extremadamente cercanas a las mediciones de referencia. Más importante aún, para las muestras frescas y mínimamente procesadas que representan lo que un agricultor o científico encontraría en el campo, el modelo todavía funcionó muy bien, capturando el contenido de carbono con solo un pequeño margen de error. El estudio encontró que la capacidad de la computadora para adivinar primero el nivel de humedad y luego usar esa suposición para ayudar a calcular el nivel de carbono mejoró significamente la precisión para las muestras húmedas y naturales. Esto sugiere que el sistema puede compensar el contenido variable de agua que usualmente confunde estas mediciones.
Un hallazgo clave de la investigación fue que el triturado y secado extensivo del suelo, que ha sido la práctica estándar durante décadas, puede no ser necesario para que esta tecnología funcione. Cuando los investigadores compararon las muestras trituradas con las frescas bajo condiciones controladas, la diferencia en la precisión de la predicción fue insignificante. Esto implica que los pasos de secado y triturado podrían saltarse por completo, permitiendo un análisis rápido en el sitio. El sistema también demostró ser capaz de medir el contenido de humedad del suelo por sí mismo, lo cual es una pieza de información crucial para calcular la cantidad total de carbono almacenado en un volumen dado de tierra. Al medir la humedad directamente, el método podría permitir eventualmente el cálculo de las reservas de carbono del suelo en el campo sin necesidad de tomar muestras para llevarlas a secar a un laboratorio.
El estudio también examinó cómo los diferentes tipos de suelo y ubicaciones específicas afectaron los resultados. Se encontró que los errores de predicción estaban más relacionados con la ubicación específica y el rango de valores de carbono presentes allí, que con la textura general del suelo, como si era arcilla o arena. En una ubicación donde el suelo tenía niveles de carbono inusualmente altos, el modelo tuvo dificultades leves porque no había visto suficientes ejemplos de valores tan altos durante su entrenamiento. Esto resalta que, para que la tecnología funcione en todas partes, los modelos informáticos deben ser entrenados con un conjunto diverso de tipos de suelo, incluyendo aquellos con niveles extremos de carbono. Sin embargo, el rendimiento general fue lo suficientemente sólido como para sugerir que este enfoque es una alternativa viable a los métodos tradicionales, ofreciendo una forma de mapear el carbono del suelo con una velocidad y densidad mucho mayores de lo que es posible actualmente.
Al combinar un láser que lee la composición elemental del suelo con un sensor que detecta el agua y la materia orgánica, y luego dejar que una computadora aprenda la relación entre estas señales y las propiedades reales del suelo, los investigadores han demostrado un camino hacia un análisis de suelo práctico y desplegable en el campo. El trabajo confirma que, con el procesamiento de datos adecuado, los desafíos de medir el suelo húmedo y sin procesar pueden superarse. Esto no significa que la tecnología sea perfecta o esté lista para cada situación sin más pruebas, pero demuestra que la medición precisa y rápida del carbono y la humedad del suelo es alcanzable sin la preparación laboriosa que ha sido una barrera durante mucho tiempo. Los siguientes pasos implican probar estos métodos en protocolos de campo del mundo real para ver qué tan bien se mantienen al medir el stock total de carbono de paisajes enteros, potencialmente revolucionando la forma en que monitoreamos la salud del suelo de nuestro planeta.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.