基于能斯特信息神经网络和电信号的土壤有效钾含量测定

《IEEE Transactions on AgriFood Electronics》：Soil-Available Potassium Content Measurement Based on Nernst Informed Neural Network With Electrical Signal

土壤有效钾的电化学测量面临信号稳定性差、样本获取难和精度不足等问题。本研究提出基于NINN（Nernst informed neural network）的电化学方法，通过融合能斯特电位方程与神经网络，提升少量样本下的测量精度（MAPE低至1%），并实现10分钟内完成动态估算。相较于纯数据驱动模型和商业光谱仪，该方法在成本效益、操作复杂度及测量速度方面更具优势，为土壤养分监测提供新思路。

　　

摘要：

土壤中可利用的钾含量对农作物管理至关重要。电化学测量方法具有速度快、成本低和操作简便等优点。然而，该方法也存在一些挑战，如信号重复性差、样品获取困难以及测量精度受限等问题。为了解决这些问题，本文提出了一种基于能斯特信息神经网络（NINN）的土壤可利用钾含量电化学测量方法。该测量方法利用电信号与土壤可利用钾含量之间的非线性关系，通过单个选择性钾离子电极实现端到端的测量。所提出的NINN模型通过将能斯特机制整合到网络中，提高了样本数量有限情况下的测量精度。此外，该方法还通过动态估计钾含量来克服稀释因子的影响及干扰离子的干扰。实际测量结果显示，该方法的平均绝对百分比误差较低，且测量时间在10分钟内完成。实验结果表明，与纯数据驱动模型相比，该方法提高了测量精度并降低了电化学测量的成本。同时，在测量速度和操作复杂性方面，该方法也优于依赖光谱技术的商业产品。因此，该方法有助于推动土壤养分测量的发展。

引言

土壤作为农业的基本资源，为植物提供必需的营养物质和水分，是作物生长的主要介质，在水文循环和碳循环中起着关键作用[1]、[2]。全球人口的增长导致对谷物、水果和蔬菜等农产品的需求不断增加，这凸显了土壤管理的重要性。影响作物生长的主要有机养分包括氮、磷和钾[3]、[4]。其中，钾对植物的光合作用、水分吸收和抗逆性至关重要。土壤中的钾以三种形式存在：不可利用的、固定的和可供植物吸收的。其中，可供植物吸收的钾含量（即土壤可利用钾）是农业工作者最为关注的，其含量通常在1%到2%之间[5]。土壤中可利用钾的缺乏会显著阻碍植物生长和发育，降低植物对病虫害的抵抗力，降低作物产量和质量，并破坏土壤肥力和生态系统之间的平衡[6]、[7]。因此，及时测量土壤可利用钾含量并迅速纠正钾缺乏问题对于维持农业稳定性和生产力至关重要。