7月7日，美国得克萨斯大学圣安东尼奥分校（UTSA）的科学家宣布了一项突破性进展：他们正在开发一种基于人工智能的显微镜系统，该技术能够快速、经济且便捷地检测土壤健康状况。这一创新工具将为全球农民和土地管理者提供更高效的土壤评估手段。
这项技术的核心在于将低成本光学显微镜与机器学习算法相结合，用于精准测量土壤样本中真菌的数量和存在状态。研究人员在7月9日于布拉格举行的戈德施密特会议上展示了这一处于试验阶段的技术。
土壤中的真菌丰度及其多样性是衡量土壤健康和肥力的关键指标。这些微生物在促进营养元素循环、保持水分以及支持植物生长等方面发挥着至关重要的作用。通过掌握这些数据，农民可以优化农业管理策略，在施肥、灌溉和耕作等方面做出更科学的决策，从而提高作物产量并增强可持续性。
光学显微镜作为最古老的显微镜类型，一直是发现和识别土壤微生物的重要工具。相比之下，现有的其他检测方法主要依赖于磷脂脂肪酸测试、DNA分析或化学成分测量（如氮、磷、钾等元素的含量）。虽然这些方法在功能上具有优势，但往往成本高昂且仅关注单一维度的数据，忽视了土壤生态系统的整体生物复杂性。
UTSA理学院的亚历克·格雷夫斯（Alec Graves）在戈德施密特会议上详细介绍了这项研究。他指出：”目前用于分析土壤生物的方法存在明显局限，要么需要昂贵的实验室设备来分析分子组成，要么依赖专家通过显微镜进行人工识别。全面的土壤检测对农民和土地管理者而言一直是个难以企及的目标。”
格雷夫斯补充道：”我们结合了机器学习算法与光学显微镜，正在开发一种低成本、高效率的土壤检测解决方案。这一技术将显著降低对专业人力的依赖，并提供更全面的土壤生物学信息。”
在前期研究中，研究人员构建并测试了一种专门的机器学习算法，用于识别和量化土壤样本中的真菌生物量。该算法整合到定制软件中，能够分析显微镜拍摄的图像。目前这一软件已适配多种经济型现成显微镜设备，包括学校实验室常用的100倍和400倍总放大倍数的光学显微镜。
格雷夫斯解释道：”我们的技术通过分析土壤样本的视频数据，自动提取图像并利用神经网络识别真菌菌丝，估算其生物量。在试验中，我们已经成功实现了对稀释样本中真菌的检测。”
目前研究团队正致力于将这一技术整合到移动机器人平台中，目标是打造一个集样本采集、显微摄影和数据分析于一体的土壤检测设备。预计未来两年内将完成开发，并推出可实际部署的应用版本。
这项研究由UTSA水资源研究所所长萨加塔·达塔（Saugata Datta）教授领导，机器学习算法的详细技术将于今年晚些时候发表在同行评议期刊上。这一创新成果有望彻底改变土壤健康检测领域，为全球农业可持续发展提供重要支持。
相关文章
