Quantification of soil carbon and moisture content in varying-moisture soils withLaser-Induced Breakdown Spectroscopy and machine learning
Cette étude démontre que la combinaison de la spectroscopie de plasma induit par laser (LIBS) avec la réflectance vis-NIR par LED et la régression à noyau par noyau permet une prédiction précise du carbone total et de la teneur en humidité des sols dans des échantillons peu transformés et à humidité variable, une calibration tenant compte de l'humidité améliorant considérablement la précision de la prédiction du carbone.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le sol sous nos pieds est bien plus que de la simple terre ; c'est un vaste réservoir vivant qui contient plus de carbone que l'atmosphère et toutes les forêts du monde réunies. Ce carbone caché joue un rôle crucial dans la régulation du climat de la Terre, pourtant mesurer la quantité stockée dans une parcelle de terrain spécifique reste une tâche difficile. Traditionnellement, les scientifiques doivent prélever des échantillons de sol, les sécher dans un four, les broyer en une fine poudre et les brûler dans un laboratoire pour déterminer leur teneur en carbone. Ce processus est lent, coûteux et nécessite le transport des échantillons du champ vers un laboratoire, ce qui limite le nombre de lieux pouvant être testés. Alors que le monde cherche de meilleurs moyens de surveiller la santé des sols et de suivre le stockage du carbone, il existe un besoin croissant pour une méthode qui soit rapide, précise et utilisable directement là où le sol se trouve, sans le fardeau important d'une préparation étendue.
Des chercheurs ont exploré une technique appelée spectroscopie de plasma induit par laser, qui utilise une impulsion de lumière puissante et focalisée pour créer un minuscule plasma surchauffé à la surface d'un matériau. Cette décharge d'énergie provoque l'incandescence des atomes du sol, émettant une lumière qui révèle exactement quels éléments sont présents. Bien que cette méthode ait montré des promesses pour identifier les métaux et les nutriments, elle a éprouvé des difficultés avec le sol frais et humide car l'eau modifie radicalement la façon dont la lumière se comporte, rendant les mesures précises difficiles. Pour résoudre ce problème, une équipe de scientifiques a combiné cette technique laser avec un capteur de réflexion de la lumière plus simple et des algorithmes informatiques avancés. Ils ont testé si ce système hybride pouvait prédire avec précision à la fois la quantité de carbone et la teneur en humidité d'échantillons de sol qui étaient soit soigneusement préparés en laboratoire, soit mesurés dans leur état naturel et humide.
L'étude a porté sur 116 échantillons de sol collectés dans huit sites agricoles différents en Finlande, représentant une grande variété de textures de sol et de niveaux de carbone. Les chercheurs ont divisé ces échantillons en différents groupes pour tester divers scénarios. Certains échantillons ont été séchés, broyés en une fine poudre et pressés en pastilles pour imiter les conditions idéales de laboratoire. D'autres ont été laissés frais, avec leur humidité naturelle et les gros cailloux simplement retirés à la main. L'équipe a ensuite soumis ces échantillons au laser et au capteur de lumière, injectant les données résultantes dans six types différents de modèles d'apprentissage automatique (machine learning). Ces modèles sont essentiellement des programmes informatiques entraînés pour trouver des motifs complexes dans les données, apprenant à relier les signatures lumineuses spécifiques du sol aux niveaux réels de carbone et d'eau mesurés par les méthodes traditionnelles et lentes.
Les résultats ont montré que les modèles informatiques pouvaient apprendre à interpréter les données réelles et désordonnées avec une précision surprenante. Le modèle le plus performant, un type d'algorithme connu sous le nom de régression par noyau (kernel ridge regression), a été capable de prédire la teneur totale en carbone avec un haut degré de précision. Pour les échantillons qui ont été broyés en poudre et maintenus à un niveau d'humidité constant, les prédictions du modèle étaient extrêmement proches des mesures de référence. Plus important encore, pour les échantillons frais, minimamente transformés, qui représentent ce qu'un agriculteur ou un scientifique rencontrerait sur le terrain, le modèle a tout de même très bien performé, capturant la teneur en carbone avec une marge d'erreur seulement faible. L'étude a constaté que la capacité de l'ordinateur à deviner d'abord le niveau d'humidité, puis à utiliser cette supposition pour aider à calculer le niveau de carbone, améliorait considérablement la précision pour les échantillons humides et naturels. Cela suggère que le système peut compenser la teneur variable en eau qui perturbe habituellement ces mesures.
Une découverte clé de la recherche est que le broyage et le séchage intensifs du sol, qui sont une pratique standard depuis des décennies, pourraient ne pas être nécessaires pour que cette technologie fonctionne. Lorsque les chercheurs ont comparé les échantillons broyés aux échantillons frais sous des conditions contrôlées, la différence de précision de prédiction était négligeable. Cela implique que les étapes chronophages de séchage et de broyage pourraient être totalement sautées, permettant une analyse rapide sur place. Le système s'est également révélé capable de mesurer lui-même la teneur en humidité du sol, ce qui est une information cruciale pour calculer la quantité totale de carbone stockée dans un volume donné de terre. En mesurant directement l'humidité, la méthode pourrait éventuellement permettre le calcul des stocks de carbone du sol sur le terrain sans avoir besoin de ramener des échantillons au laboratoire pour séchage.
L'étude a également examiné comment les différents types de sols et les sites spécifiques affectaient les résultats. Les erreurs de prédiction étaient liées davantage à l'emplacement spécifique et à la plage de valeurs de carbone présentes sur ce site qu'à la texture générale du sol, comme le fait qu'il soit argileux ou sableux. Dans un emplacement où le sol présentait des niveaux de carbone exceptionnellement élevés, le modèle a légèrement peiné parce qu'il n'avait pas vu assez d'exemples de telles valeurs élevées lors de son entraînement. Cela souligne que pour que la technologie fonctionne partout, les modèles informatiques doivent être entraînés sur un ensemble diversifié de types de sols, incluant ceux ayant des niveaux de carbone extrêmes. Cependant, la performance globale était suffisamment robuste pour suggérer que cette approche est une alternative viable aux méthodes traditionnelles, offrant un moyen de cartographier le carbone du sol avec une vitesse et une densité bien plus grandes que ce qui est actuellement possible.
En combinant un laser qui lit la composition élémentaire du sol avec un capteur qui détecte l'eau et la matière organique, puis en laissant un ordinateur apprendre la relation entre ces signaux et les propriétés réelles du sol, les chercheurs ont démontré une voie vers une analyse du sol pratique et déployable sur le terrain. Ce travail confirme qu'avec un traitement de données approprié, les défis de la mesure de sols humides et non transformés peuvent être surmontés. Cela ne signifie pas que la technologie est parfaite ou prête pour chaque situation sans tests supplémentaires, mais cela prouve qu'une mesure précise et rapide du carbone et de l'humidité du sol est réalisable sans la préparation laborieuse qui a longtemps été une barrière. Les prochaines étapes consisteront à tester ces méthodes dans des protocoles de terrain réels pour voir comment elles se comportent lors de la mesure du stock de carbone total de paysages entiers, ce qui pourrait révolutionner la façon dont nous surveillons la santé des sols de notre planète.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.