Quantification of soil carbon and moisture content in varying-moisture soils withLaser-Induced Breakdown Spectroscopy and machine learning
Deze studie toont aan dat het combineren van Laser-Induced Breakdown Spectroscopy (LIBS) met LED-gebaseerde vis-NIR reflectie en kernel ridge regressie nauwkeurige voorspelling van de totale koolstof en het vochtgehalte in minimaal bewerkte, variabel vochtige monsters mogelijk maakt, waarbij vochtbewuste kalibratie de nauwkeurigheid van de koolstofvoorspelling aanzienlijk verbetert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De bodem onder onze voeten is meer dan alleen vuil; het is een enorme, levende reservoir dat meer koolstof bevat dan de atmosfeer en alle bossen ter wereld gecombineerd. Deze verborgen koolstof speelt een cruciale rol bij het reguleren van het klimaat van de aarde, maar het meten van hoeveel er in een specifieke strook grond is opgeslagen, blijft een moeilijke taak. Traditioneel moeten wetenschappers bodemmonsters verzamelen, ze in een oven drogen, ze fijnmalen tot een fijn poeder en ze in een laboratorium verbranden om hun koolstofgehalte te bepalen. Dit proces is traag, duur en vereist het verplaatsen van monsters van het veld naar een laboratorium, wat de hoeveelheid plekken die getest kunnen worden beperkt. Terwijl de wereld op zoek is naar betere manieren om de bodemgezondheid te monitoren en de opslag van koolstof te volgen, is er een groeiende behoefte aan een methode die snel, nauwkeurig is en kan worden gebruikt op de plek waar de bodem wordt gevonden, zonder de zware last van uitgebreide voorbereiding.
Onderzoekers hebben een techniek verkend die laser-induced breakdown spectroscopy wordt genoemd, waarbij een krachtige, gefocuste lichtpuls wordt gebruikt om een klein, superheet plasma op het oppervlak van een materiaal te creëren. Deze energieflits zorgt ervoor dat de atomen in de bodem oplichten, waarbij licht wordt uitgezonden dat precies onthult welke elementen aanwezig zijn. Hoewel deze methode veelbelovend is gebleken voor het identificeren van metalen en voedingsstoffen, heeft het moeite gehad met verse, natte grond omdat water de manier waarop het licht zich gedraagt drastisch verandert, wat nauwkeurige metingen moeilijk maakt. Om dit op te lossen, combineerde een team van wetenschappers deze lasertechniek met een eenvoudigere lichtreflecterende sensor en geavanceerde computeralgoritmen. Ze testten of dit hybride systeem zowel de hoeveelheid koolstof als het vochtgehalte in bodemmonsters, die ofwel zorgvuldig in een laboratorium waren voorbereid of in hun natuurlijke, natte staat werden gemeten, nauwkeurig kon voorspellen.
De studie omvatte 116 bodemmonsters verzameld van acht verschillende landbouwlocaties in Finland, die een grote verscheidenheid aan bodemtexturen en koolstofniveaus vertegenwoordigen. De onderzoekers verdeelden deze monsters in verschillende groepen om uiteenlopende scenario's te testen. Sommige monsters werden gedroogd, vermalen tot een fijn poeder en in pellets geperst om ideale laboratoriumomstandigheden na te bootsen. Andere werden vers gelaten, met hun natuurlijke vochtgehalte en waarbij grote stenen simpelweg met de hand werden verwijderd. Het team onderwierp deze monsters vervolgens aan de laser en de lichtsensor, waarbij de resulterende gegevens in zes verschillende soorten machine learning-modellen werden ingevoerd. Deze modellen zijn in feite computerprogramma's die getraind zijn om complexe patronen in gegevens te vinden, waarbij ze leren om de specifieke lichtsignaturen van de bodem te verbinden met de werkelijke koolstof- en waterniveaus die met traditionele, langzame methoden worden gemeten.
De resultaten toonden aan dat de computermodellen konden leren om de rommelige, realistische gegevens met verrassende nauwkeurigheid te interpreteren. Het best presterende model, een type algoritme dat bekend staat als kernel ridge regression, was in staat om het totale koolstofgehalte met een hoge mate van precisie te voorspellen. Voor de monsters die tot poeder waren gemalen en op een constant vochtgehalte werden gehouden, lagen de voorspellingen van het model extreem dicht bij de referentiemetingen. Belangrijker nog, voor de verse, minimaal bewerkte monsters die vertegenwoordigen wat een boer of wetenschapper in het veld zou tegenkomen, presteerde het model nog steeds zeer goed en legde het de koolstofinhoud vast met slechts een kleine foutmarge. De studie vond dat het vermogen van de computer om eerst het vochtgehalte te raden en die gok vervolgens te gebruiken om het koolstofgehalte te berekenen, de nauwkeurigheid voor de natte, natuurlijke monsters aanzienlijk verbeterde. Dit suggereert dat het systeem het variabele watergehalte kan compenseren dat normaal gesproken deze metingen in verwarring brengt.
Een belangrijke bevinding van het onderzoek was dat het uitgebreide malen en drogen van de bodem, wat decennialang de standaardpraktijk is geweest, mogelijk niet nodig is om deze technologie te laten werken. Wanneer de onderzoekers de gemalen monsters vergeleken met de verse monsters onder gecontroleerde omstandigheden, was het verschil in voorspellingsnauwkeurigheid verwaarloosbaar. Dit impliceert dat de tijdrovende stappen van drogen en malen volledig overgeslagen kunnen worden, wat snelle analyse ter plaatse mogelijk maakt. Het systeem bleek ook in staat om het vochtgehalte van de bodem zelf te meten, wat een cruciale informatie is voor het berekenen van de totale hoeveelheid koolstof die in een bepaald volume aarde is opgeslagen. Door het vochtgehalte direct te meten, kan de methode er uiteindelijk voor zorgen dat de koolstofvoorraden in de bodem in het veld kunnen worden berekend zonder dat monsters terug naar een laboratorium gebracht hoeven te worden voor het drogen.
De studie onderzocht ook hoe verschillende soorten bodem en specifieke locaties de resultaten beïnvloedden. De fouten in de voorspelling bleken meer gerelateerd aan de specifieke locatie en het bereik van de koolstofwaarden die daar aanwezig waren, dan aan de algemene textuur van de bodem, zoals of het klei of zand was. In één locatie waar de bodem ongewoon hoge koolstofniveaus had, had het model lichte moeite omdat het tijdens de training niet genoeg voorbeelden van zulke hoge waarden had gezien. Dit benadrukt dat voor het werken van de technologie overal, de computermodellen getraind moeten worden op een divers scala aan bodemtypen, inclusief die met extreme koolstofniveaus. Echter, de algehele prestatie was sterk genoeg om te suggereren dat deze aanpak een levensvatbaar alternatief is voor traditionele methoden, wat een manier biedt om de koolstof in de bodem in kaart te brengen met veel meer snelheid en dichtheid dan momenteel mogelijk is.
Door een laser te combineren die de elementaire samenstelling van de bodem leest met een sensor die water en organisch materiaal detecteert, en vervolgens een computer te laten leren wat de relatie is tussen deze signalen en de werkelijke bodemeigenschappen, hebben de onderzoekers een pad gedemonstreerd naar praktische, in het veld inzetbare bodemanalyse. Het werk bevestigt dat met de juiste gegevensverwerking, de uitdagingen van het meten van natte, onbewerkte grond kunnen worden overwonnen. Dit betekent niet dat de technologie perfect is of klaar is voor elke situatie zonder verder testen, maar het bewijst dat nauwkeurige, snelle meting van bodenkoolstof en vochtgehalte haalbaar is zonder de arbeidsintensieve voorbereiding die lang een barrière is geweest. De volgende stappen omvatten het testen van deze methoden in real-world veldprotocollen om te zien hoe goed ze standhouden bij het meten van de totale koolstofvoorraad van volledige landschappen, wat potentieel de manier waarop we de gezondheid van onze planeetbodems monitoren, kan revolutioneren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.