Image-Based Soil Nutrient Prediction Using Machine Learning and Deep Learning Models

方法

1500张土壤图像经颜色校正与特征提取，比较五种机器学习模型及CNN基准。

发现

最优模型因养分和指标而异，XGBoost对磷、随机森林对钾表现最佳。

机会点

需用独立田间数据验证跨环境鲁棒性，可探索多源图像融合与轻量化边缘部署。

精准农业的最新进展使得利用机器学习和图像处理技术快速评估土壤养分成为可能。本研究提出了一种非破坏性方法，通过相机拍摄数字土壤图像并借助专用软件进行分析，以估算土壤养分含量。研究使用颜色校正、降噪和特征提取技术处理了包含1，500张土壤图像的数据集，以提高数据质量。评估了五种机器学习模型——随机森林（Random Forest）、极端梯度提升（XGBoost）、轻量梯度提升机（LightGBM）、梯度提升机（GBM）和堆叠回归器（Stacking Regressor）——对氮、磷、钾含量的预测性能，并以基于卷积神经网络（CNN）的深度学习模型作为基准。没有单一模型在所有养分和评价指标上均表现最佳。对于氮，GBM取得了最低的测试MAE（0.1652），而堆叠回归器取得了最高的测试R²（0.9886）。对于钾，随机森林取得了最低的测试MAE（0.0051），而XGBoost取得了最高的测试R²（0.9999）。对于磷，XGBoost同时取得了最低的测试MAE（0.1558）和最高的测试R²（0.9929）。因此，最佳性能模型取决于养分类型和评价指标。仍需使用独立的田间数据集进行进一步验证，以确定其在不同环境条件下的稳健性。