【技术实现步骤摘要】
一种CT技术结合机器学习原位定量土壤颗粒有机质的方法
[0001]本专利技术涉及土壤科学
,具体涉及一种
CT
技术结合机器学习原位定量土壤颗粒有机质的方法
。
技术介绍
[0002]在农田生态系统中,农作物秸秆还田是影响土壤肥力
、
土壤结构和碳库周转的重要措施,为土壤颗粒有机质(
POM
)提供直接来源
。POM
是由已分解或半分解的植物残体和部分微生物分解产物组成的一种混合物,是土壤有机质最活跃的组分,
POM
的形成与分解对土壤碳循环起着至关重要的作用,对土壤结构具有明显的改善作用,其微小的变化可能对全球大气
CO2浓度产生重要影响
。
因而,关于
POM
的定量研究对于提升农田
POM
含量具有重要意义
。
在碳循环研究中,颗粒有机质通常用颗粒有机碳表示(
POC
)
。
[0003]目前,虽然密度分组
、
粒径分组以及密度与粒径联合分组等传统方法可以从土壤中分离出
POM
,但这些方法从风干
、
过筛
、
震荡分散
、
湿筛分离
、
烘干到完成
POM
含量测定,整个过程需要4‑5天才能完成,费时耗力,而且分离过程中土壤结构被破坏,不能准确反映
POM
的空间分布信息
。 />[0004]现有申请号为
2019101926433
,专利技术名称为一种定量测定土壤颗粒态有机质空间结构的方法,首先利用密度与粒径联合分组法提取土壤中的
POM
,然后借助高分辨率
CT
扫描技术来还原颗粒有机质的空间结构分布信息
。
该方法存在以下缺点:并非原位识别土壤中颗粒有机质;利用密度与粒径联合分组法提取土壤中的
POM
费时耗力;该方法使用
NaI
重液分离不同形式的
POM
(游离态
POM
和闭蓄态
POM
),在湿筛
、
过滤
、
离心
、
转移过程中会造成部分有机碳损失,导致
POM
被低估
。
[0005]因此,如何从土柱尺度和团聚体尺度上原位
、
快速地分析
POM
的数量及其在土壤中空间分布信息,对更好地理解农作物秸秆还田条件下
POM
分解转化机制具有非常重要的意义
。
技术实现思路
[0006]本专利技术的目的是能够快速
、
原位识别并分割出土壤颗粒有机质,为深入研究颗粒有机质的空间形态结构特征提供重要手段
。
[0007]为实现上述目的,本专利技术提供的
CT
技术结合机器学习原位定量土壤颗粒有机质的方法,包括以下步骤:步骤
S1
:用
PVC
环刀采取土壤样品,将样品放置于
CT
扫描设备进行扫描,并对扫描得到的图像进行重建;
CT
扫描样品得到的图像数据,无法直接用于分析,需要利用
Datos | x2 Rec 软件进行重建,转化成可以分析的
tiff
格式
。CT
扫描的图像分辨率一般为样品直径的两千分之一,如样品直径为
5 cm
,对应的图像分辨率为
25 μ
m。
[0008]步骤
S2
:对图像进行预处理;
步骤
S3
:基于机器学习自动识别
、
分割颗粒有机质,并将分割后的图像导出;步骤
S4
:将分割后的图像拆分,进行图像后处理;步骤
S5
:筛选出体积大于
50
×
50
×
50 μ
m3的颗粒有机质;步骤
S6
:计算颗粒有机质的空间分布
。
[0009]进一步的,步骤
S2
中,如果土壤样品是团聚体,图像预处理包括以下步骤:步骤
S21
:将步骤
S1
重建好的图像导入到
Image J/Fiji
软件中;步骤
S22
:利用
Adjust
‑
Brightness/Contrast
来调整图像的亮度和对比度;步骤
S23
:利用非局部均值滤波器进行降噪;步骤
S24
:使用反锐化掩模滤波器减少局部体积效应;步骤
S25
:将经过步骤
S24
处理的图像导入到
VG Studio MAX 2022
软件中,使用自适应矩形工具裁剪团聚体边界,得到去除边界干扰的团聚体图像;通过人眼识别
、
判断团聚体图像中土壤基质
、
孔隙和颗粒有机质,以此作为后续步骤
S3
中机器学习自动识别和分割是否出现错误分类的依据
。
[0010]进一步的,步骤
S2
中,如果土壤样品是土柱,图像预处理包括以下步骤:步骤
S21
:将步骤
S1
重建好的图像导入到
Image J/Fiji
软件中;步骤
S22
:利用
Adjust
‑
Brightness/Contrast
来调整图像的亮度和对比度;步骤
S23
:选定感兴趣区域;步骤
S24
:利用非局部均值滤波器进行降噪;步骤
S25
:使用反锐化掩模滤波器减少局部体积效应,得到去除边界干扰的土柱图像;通过人眼识别
、
判断土柱图像中土壤基质
、
孔隙和颗粒有机质,以此作为后续步骤
S3
中机器学习自动识别和分割是否出现错误分类的依据
。
[0011]进一步的,步骤
S3
中,基于机器学习自动识别和分割颗粒有机质包括以下步骤:步骤
S31
:打开
ilastik
软件的像素分类(
Pixel Classification
)流程,选择添加图像序列(
Add a single 3D/4D Volume from Sequence
),导入所有图像;步骤
S32
:进行像素特征值选取:灰度值(
Intensity
)
、
边缘信息(
Edge
)和纹理特征(
Texture
)
、
...
【技术保护点】
【技术特征摘要】
1.
一种
CT
技术结合机器学习原位定量土壤颗粒有机质的方法,其特征在于,包括以下步骤:步骤
S1
:采取土壤样品,将样品放置于
CT
扫描设备进行扫描,并对扫描得到的图像进行重建;步骤
S2
:对步骤
S1
重建后的图像进行预处理;步骤
S3
:基于机器学习对步骤
S2
预处理的图像自动识别,分割出颗粒有机质,并将分割后的图像导出;步骤
S4
:将分割后的图像拆分,进行图像后处理;步骤
S5
:筛选出体积大于
50
×
50
×
50 μ
m3的颗粒有机质;步骤
S6
:计算颗粒有机质的空间分布
。2.
根据权利要求1所述的一种
CT
技术结合机器学习原位定量土壤颗粒有机质的方法,其特征在于,步骤
S2
中,如果土壤样品是团聚体,图像预处理包括以下步骤:步骤
S21
:将步骤
S1
重建好的图像导入到
Image J/Fiji
软件中;步骤
S22
:利用
Adjust
‑
Brightness/Contrast
来调整图像的亮度和对比度;步骤
S23
:利用非局部均值滤波器进行降噪;步骤
S24
:使用反锐化掩模滤波器减少局部体积效应;步骤
S25
:将经过步骤
S24
处理的图像导入到
VG Studio MAX 2022
软件中,使用自适应矩形工具裁剪团聚体边界,得到去除边界干扰的团聚体图像;通过人眼识别
、
判断团聚体图像中土壤基质
、
孔隙和颗粒有机质,以此作为后续步骤
S3
中机器学习自动识别和分割是否出现错误分类的依据
。3.
根据权利要求1所述的一种
CT
技术结合机器学习原位定量土壤颗粒有机质的方法,其特征在于,其特征在于,步骤
S2
中,如果土壤样品是土柱,图像预处理包括以下步骤:步骤
S21
:将步骤
S1
重建好的图像导入到
Image J/Fiji
软件中;步骤
S22
:利用
Adjust
‑
Brightness/Contrast
来调整图像的亮度和对比度;步骤
S23
:选定感兴趣区域;步骤
S24
:利用非局部均值滤波器进行降噪;步骤
S25
:使用反锐化掩模滤波器减少局部体积效应,得到去除边界干扰的土柱图像;通过人眼识别
、
判断土柱图像中土壤基质
、
孔隙和颗粒有机质,以此作为后续步骤
S3
中机器学习自动识别和分割是否出现错误分类的依据
。4.
根据权利要求2‑3任一项所述的一种
CT
技术结合机器学习原位定量土壤颗粒有机质的方法,其特征在于,步骤
S3
中,基于机器学习自动识别和分割颗粒有机质包括以下步骤:步骤
S31
:打开
ilastik
软件的像素分类流程,选择添加图像序列,导入所有图像;步骤<...
【专利技术属性】
技术研发人员:丁天宇,郭自春,彭新华,钱泳其,张中彬,刘帅,
申请(专利权)人:中国科学院南京土壤研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。