摘要
土壤碳的分析有助于包括农业在内的多个领域监测土壤健康状况。在精准农业中，决策基于特定地点的信息，因此有可能比传统的高投入农业方式提高作物产量。基于特定地点信息的营养管理、病虫害管理和水资源管理是精准农业时代的主要研究方向。土壤有机碳（SOC）是碳循环的主要组成部分之一，影响土壤的物理和化学性质。土壤颜色被视为土壤碳的一个指标。长期以来，人们一直利用土壤颜色来定性判断SOC含量及其分类；最近，研究者开始尝试将土壤颜色数据与土壤化学性质进行关联以进行量化分析。从基于光谱的颜色分析到基于图像的颜色分析，多项研究表明SOC与土壤颜色之间存在密切关系。随着技术的进步，能够制造出更小型、更便携的传感器，未来有望实现土壤化学分析的自动化，从而将其应用于精准农业。然而，这些方法在研究中存在两大主要限制：一是校准模型所需土壤样本的数量较多（大多数模型需要超过100个样本），二是需要使用昂贵且操作复杂的光谱仪。因此，普通农民使用这些方法的潜力受到限制。本研究旨在开发一套完整的方法论和工具，使农民能够自行分析SOC。通过鼓励农民检测农田土壤的SOC含量并更新相关数据，农民可以据此调整农业管理措施，例如施用有机肥料以减少土壤碳循环中的低效现象，以及优化耕作方式和水资源管理。研究过程中使用了三种传感器及其组合来获取土壤表面颜色、温度和反射率信息，并用于模型开发。最终，通过热图像及红绿蓝（RGB）图像组合得到的模型拟合效果最佳（R2 = 0.65，MSE = 0.0335）。颜色模型中的自变量包括色调值（hue）和红度（a），而热图像中的数据则利用了最低和最高温度值。结合回归方程以及化学分析得到的SOC数据，研究人员建立了一个基于农民反馈的SOC预测模型。
