Quantification of soil carbon and moisture content in varying-moisture soils withLaser-Induced Breakdown Spectroscopy and machine learning
Questo studio dimostra che la combinazione della spettroscopia di emissione ottica indotta da laser (LIBS) con la riflettanza vis-NIR basata su LED e la regressione kernel ridge consente la previsione accurata del carbonio totale e del contenuto di umidità del suolo in campioni minimamente processati e a umidità variabile, con una calibrazione sensibile all'umidità che migliora significativamente l'accuratezza della previsione del carbonio.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Il suolo sotto i nostri piedi è molto più di semplice terra; è un vasto serbatoio vivente che contiene più carbonio dell'atmosfera e di tutte le foreste del mondo messe insieme. Questo carbonio nascosto svolge un ruolo critico nella regolazione del clima terrestre, eppure misurare quanto ne sia immagazzinato in un determinato appezzamento di terreno rimane un compito difficile. Tradizionalmente, gli scienziati devono raccogliere campioni di suolo, essiccarli in un forno, macinarli in una polvere fine e bruciarli in un laboratorio per determinare il loro contenuto di carbonio. Questo processo è lento, costoso e richiede lo spostamento dei campioni dal campo al laboratorio, il che limita il numero di luoghi che possono essere testati. Mentre il mondo cerca modi migliori per monitorare la salute del suolo e tracciare l'accumulo di carbonio, cresce la necessità di un metodo che sia veloce, accurato e che possa essere utilizzato proprio dove il suolo viene trovato, senza l'onere pesante di una preparazione estesa.
I ricercatori hanno esplorato una tecnica chiamata spettroscopia di abbramento indotta da laser (LIBS), che utilizza un impulso di luce potente e focalizzato per creare un minuscolo, caldissimo plasma sulla superficie di un materiale. Questo lampo di energia fa sì che gli atomi del suolo brillino, emettendo luce che rivela esattamente quali elementi sono presenti. Sebbene questo metodo abbia mostrato potenziale nell'identificare metalli e nutrienti, ha incontrato difficoltà con il suolo fresco e umido, poiché l'acqua cambia drasticamente il modo in cui la luce si comporta, rendendo difficili le misurazioni accurate. Per risolvere questo problema, un team di scienziati ha combinato questa tecnica laser con un semplice sensore di riflessione della luce e algoritmi informatici avanzati. Hanno testato se questo sistema ibrido potesse prevedere con precisione sia la quantità di carbonio che il contenuto di umidità in campioni di suolo che erano stati o accuratamente preparati in laboratorio o misurati nel loro stato naturale e umido.
Lo studio ha coinvolto 116 campioni di suolo raccolti da otto diversi siti agricoli in Finlandia, rappresentando una grande varietà di tessiture del suolo e livelli di carbonio. I ricercatori hanno suddiviso questi campioni in diversi gruppi per testare vari scenari. Alcuni campioni sono stati asciugati, macinati in una polvere fine e pressati in pellet per simulare le condizioni ideali di laboratorio. Altri sono stati lasciati freschi, con la loro umidità naturale e le rocce grandi semplicemente rimosse a mano. Il team ha poi sottoposto questi campioni al laser e al sensore di luce, inserendo i dati risultanti in sei diversi tipi di modelli di machine learning. Questi modelli sono essenzialmente programmi informatici addestrati per trovare schemi complessi nei dati, imparando a collegare le specifiche firme luminose del suolo ai reali livelli di carbonio e acqua misurati con i metodi tradizionali e lenti.
I risultati hanno mostrato che i modelli informatici potevano imparare a interpretare i dati disordinati del mondo reale con una precisione sorprendente. Il modello con le prestazioni migliori, un tipo di algoritmo noto come regressione kernel ridge, è stato in grado di prevedere il contenuto totale di carbonio con un alto grado di precisione. Per i campioni che sono stati macinati in polvere e mantenuti a un livello di umidità costante, le previsioni del modello erano estremamente vicine alle misurazioni di riferimento. Ancora più importante, per i campioni freschi, minimamente lavorati, che rappresentano ciò che un agricoltore o uno scienziato incontrerebbe sul campo, il modello ha comunque funzionato molto bene, catturando il contenuto di carbonio con solo un piccolo margine di errore. Lo studio ha scoperto che la capacità del computer di indovinare prima il livello di umidità e poi usare quel tentativo per aiutare a calcolare il livello di carbonio ha migliorato significativamente l'accuratezza per i campioni umidi e naturali. Ciò suggerisce che il sistema può compensare il contenuto variabile di acqua che di solito confonde queste misurazioni.
Un risultato chiave della ricerca è stato che la macinazione e l'essiccazione estensive del suolo, che sono state la pratica standard per decenni, potrebbero non essere necessarie affinché questa tecnologia funzioni. Quando i ricercatori hanno confrontato i campioni macinati con quelli freschi in condizioni controllate, la differenza nella precisione della previsione è stata trascurabile. Ciò implica che le fasi laboriose di essiccazione e macinazione potrebbero essere saltate interamente, permettendo un'analisi rapida e in loco. Il sistema si è anche dimostrato capace di misurare il contenuto di umidità del suolo stesso, che è un'informazione cruciale per calcolare la quantità totale di carbonio immagazzinata in un dato volume di terra. Misurando direttamente l'umidità, il metodo potrebbe eventualmente consentire il calcolo delle scorte di carbonio nel suolo sul campo senza dover portare i campioni in laboratorio per l'essiccazione.
Lo studio ha anche esaminato come diversi tipi di suolo e località specifiche influenzassero i risultati. Si è scoperto che gli errori di previsione erano più legati alla località specifica e alla gamma di valori di carbonio presenti lì, piuttosto che alla tessitura generale del suolo, come se fosse argilla o sabbia. In una località in cui il suolo aveva livelli di carbonio insolitamente alti, il modello ha faticato leggermente perché non aveva visto abbastanza esempi di tali valori elevati durante il suo addestramento. Ciò evidenzia che, affinché la tecnologia funzioni ovunque, i modelli informatici devono essere addestrati su un insieme diversificato di tipi di suolo, inclusi quelli con livelli di carbonio estremi. Tuttavia, la prestazione complessiva è stata sufficientemente forte da suggerire che questo approccio è un'alternativa praticabile ai metodi tradizionali, offrendo un modo per mappare il carbonio del suolo con una velocità e una densità molto maggiori rispetto a quanto sia attualmente possibile.
Combinando un laser che legge la composizione elementale del suolo con un sensore che rileva l'acqua e la materia organica, e lasciando poi che un computer apprenda la relazione tra questi segnali e le reali proprietà del suolo, i ricercatori hanno dimostrato una strada verso l'analisi del suolo praticabile e utilizzabile sul campo. Il lavoro conferma che, con l'elaborazione dei dati corretta, le sfide del monitoraggio del suolo umido e non lavorato possono essere superate. Questo non significa che la tecnologia sia perfetta o pronta per ogni singola situazione senza ulteriori test, ma dimostra che la misurazione accurata e rapida del carbonio e dell'umidità del suolo è realizzabile senza la preparazione laboriosa che è stata a lungo una barriera. I passi successivi prevedono il test di questi metodi in protocolli di campo reali per vedere quanto resistano quando misurano la scorta totale di carbonio di interi paesaggi, potenzialmente rivoluzionando il modo in cui monitoriamo la salute del suolo del nostro pianeta.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.