A neural network (NN) approach was

A neural network (NN) approach was used to determine relationships between soil colour and a range of physical and chemical characteristics, using a dataset derived from the NSIS (National Soil Inventory of Scotland) database. It was found that several soil characteristics could be predicted accurately from colour, using only Red, Green and Blue (RGB) values from the RGB system or L, a and b from the CIELab system. These characteristics included organic matter content (measured by Loss On Ignition), nitrogen content and several elements including Ca, Ti and Mo. It was found that some parameters, such as potassium and phosphorus,were not predicted accurately, however. Prediction of soil colour from available physiochemical parameters was found to give high levels of accuracy,with the strongest influence of prediction coming from LOI, nitrogen, mineral texture and a few metals including V, Cr,Mn and Zn. Sensitivity analysis of the trained neural network models was carried out, but did not provide much useful information. Potential applications of the NN modelling approach are discussed, including rapid field assessment of soil nutrient status, and potential improvements to soil horizon classifications.

ผลลัพธ์ (ไทย) 1:

วิธีโครงข่ายประสาท (NN) ถูกใช้เพื่อกำหนดความสัมพันธ์ระหว่างดินสีและช่วงของลักษณะทางกายภาพ และทางเคมี ใช้ชุดข้อมูลที่ได้มาจากฐานข้อมูล NSIS (ชาติดินสินค้าคงคลังของสกอตแลนด์) พบว่า สามารถทำนายลักษณะดินหลายอย่างจากสี ใช้เฉพาะสีแดง เขียว และน้ำเงิน (RGB) ค่าจากระบบ RGB หรือ L แบบ b จากระบบ CIELab และ ลักษณะเหล่านี้รวมเนื้อหาอินทรีย์ (วัด โดยขาดทุนในระบบจุดระเบิด), ไนโตรเจนเนื้อหา และองค์ประกอบหลายอย่างได้แก่ Ca ตี้ และเดือน จะพบว่า บางพารามิเตอร์ โพแทสเซียมและฟอสฟอรัส ถูกไม่ทำนายแม่นยำ อย่างไรก็ตาม พบทำนายสีดินจากพารามิเตอร์ physiochemical ว่างให้ระดับสูงของความถูกต้องมีอิทธิพลที่แข็งแกร่งของการคาดการณ์มาจากลอย ไนโตรเจน เนื้อแร่ และโลหะบางรวมถึง V, Cr, Mn และ Zn ไว วิเคราะห์แบบจำลองโครงข่ายประสาทฝึกทำออก แต่ไม่ได้ให้ข้อมูลที่เป็นประโยชน์มาก NN แบบจำลองวิธีการใช้อาจจะกล่าว รวมทั้งฟิลด์อย่างรวดเร็วประเมินสถานะธาตุอาหารดิน และปรับปรุงศักยภาพการจัดประเภทของฟ้าดิน

ผลลัพธ์ (ไทย) 2:

โครงข่ายประสาทเทียม (NN) วิธีการที่ถูกใช้ในการกำหนดความสัมพันธ์ระหว่างสีของดินและช่วงของลักษณะทางกายภาพและทางเคมีโดยใช้ชุดข้อมูลที่ได้รับมาจาก NSIS (สินค้าคงคลังดินแห่งชาติแห่งสกอตแลนด์) ฐานข้อมูล พบว่าลักษณะของดินหลายจะได้รับการทำนายอย่างถูกต้องจากสีโดยใช้เพียงสีแดง, เขียวและน้ำเงิน (RGB) ค่าจากระบบ RGB หรือ L, a และ b จากระบบ CIELAB ลักษณะเหล่านี้รวมถึงเนื้อหาอินทรียวัตถุ (วัดตามการสูญเสียจุดระเบิดบน) ปริมาณไนโตรเจนและองค์ประกอบหลายอย่างรวมทั้ง Ca, Ti และโมพบว่าพารามิเตอร์บางอย่างเช่นโพแทสเซียมและฟอสฟอรัสที่ไม่ได้คาดการณ์ไว้อย่างถูกต้อง แต่ ทำนายสีของดินจากพารามิเตอร์ทางเคมีกายภาพที่มีอยู่พบว่าให้ระดับสูงของความถูกต้องที่มีอิทธิพลที่แข็งแกร่งของการทำนายที่มาจาก LOI ไนโตรเจนเนื้อแร่และโลหะไม่กี่รวมทั้ง V, Cr, แมงกานีสและสังกะสี การวิเคราะห์ความไวของการฝึกอบรมแบบจำลองเครือข่ายประสาทได้รับการดำเนินการ แต่ไม่ได้ให้ข้อมูลที่เป็นประโยชน์มาก การใช้งานที่มีศักยภาพของวิธีการสร้างแบบจำลอง NN จะกล่าวรวมถึงการประเมินข้อมูลอย่างรวดเร็วของสถ​​านะของธาตุอาหารในดินและการปรับปรุงศักยภาพในการจัดขอบฟ้าดิน

ผลลัพธ์ (ไทย) 3:

เครือข่ายประสาท ( NN ) วิธีการศึกษาความสัมพันธ์ระหว่างสีของดิน และช่วงของลักษณะทางกายภาพและทางเคมี โดยใช้ชุดข้อมูลที่ได้จาก nsis ( สินค้าคงคลังดินแห่งชาติแห่งสกอตแลนด์ ) ฐานข้อมูล พบว่า ลักษณะของดินหลายอาจจะคาดการณ์ได้อย่างถูกต้อง จากสี ใช้สีแดงเท่านั้น เขียว และน้ำเงิน ( RGB ) ค่าจากระบบ RGB หรือ LA และ B จากระบบแข็ง . คุณลักษณะเหล่านี้รวมถึงปริมาณอินทรียวัตถุ ( วัดโดยขาดทุนในการจุดระเบิด ) , ไนโตรเจน และองค์ประกอบต่าง ๆ รวมทั้ง CA , Ti และโม พบว่าค่าพารามิเตอร์บางอย่าง เช่น โพแทสเซียม และฟอสฟอรัส ที่ไม่ได้คาดการณ์ไว้อย่างถูกต้อง อย่างไรก็ตาม การทำนายค่าสีจากดิน physiochemical พร้อมพบเพื่อให้มีระดับสูงของความถูกต้องด้วยอิทธิพลที่แข็งแกร่งของการพยากรณ์มาจากลอย , ไนโตรเจน , เนื้อแร่และไม่กี่โลหะรวมทั้งวี โครเมียม แมงกานีส และสังกะสี การวิเคราะห์ความอ่อนไหวของแบบจำลองโครงข่ายประสาทฝึกดำเนินการ แต่ไม่ได้ให้ข้อมูลที่เป็นประโยชน์มาก ศักยภาพของ NN วิธีแบบจำลองมีการกล่าวถึง ได้แก่ การประเมินด้านอย่างรวดเร็วสถานะธาตุอาหารในดินและศักยภาพในการปรับปรุงการจำแนกประเภทของดิน .