JP7464284B2 - Soil diagnostic method using plasma emission spectrometry - Google Patents
Soil diagnostic method using plasma emission spectrometry Download PDFInfo
- Publication number
- JP7464284B2 JP7464284B2 JP2021092618A JP2021092618A JP7464284B2 JP 7464284 B2 JP7464284 B2 JP 7464284B2 JP 2021092618 A JP2021092618 A JP 2021092618A JP 2021092618 A JP2021092618 A JP 2021092618A JP 7464284 B2 JP7464284 B2 JP 7464284B2
- Authority
- JP
- Japan
- Prior art keywords
- soil
- exchangeable
- samples
- data
- measured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Description
本発明は、プラズマ発光分光分析を用いた土壌診断方法に関する。 The present invention relates to a soil diagnostic method using plasma emission spectrometry.
土壌分析は作物の生産性向上を図る上で必須である。土壌診断に加えて、普及の進む精密農業・スマート農業においても各圃場での土壌特性の把握が必要であり、今後、土壌分析の需要はさらに高まるものと考えられる。 Soil analysis is essential for improving crop productivity. In addition to soil diagnosis, precision agriculture and smart agriculture, which are becoming increasingly popular, also require understanding the soil characteristics of each field, and it is expected that the demand for soil analysis will further increase in the future.
土壌試料の多項目を同時に診断する方法としては、下記の技術が報告されている。
（１）複数の抽出液を用いた土壌試料の多項目同時診断技術
馬場氏らによりディスクリート式自動化学分析装置による土壌診断技術が開発され（非特許文献１参照）、土壌試料の多項目同時診断が実施された。当該技術は、土壌試料の抽出および比色法による多項目同時測定を可能とするもので、ディスクリート式自動化学分析装置として市場化されている（非特許文献２参照）。この方法では、各試料に対して土壌分析の公定法に準じた抽出液ならびに発色液を用いるため、高精度の分析が可能であり、硝酸態窒素量、アンモニア態窒素量、有効態リン（トルオーグ法、Bray法）、交換性塩基（Ｃａ、Ｍｇ、Ｋ）、ＣＥＣ、鉄、ケイ酸、ホウ素量、腐植量を測定可能である。
The following techniques have been reported as methods for simultaneously diagnosing multiple items in soil samples.
(1) Multi-item simultaneous diagnosis technology for soil samples using multiple extraction solutions Baba et al. developed a soil diagnosis technology using a discrete automatic chemical analyzer (see Non-Patent Document 1), and performed a multi-item simultaneous diagnosis of soil samples. This technology enables the extraction of soil samples and the simultaneous measurement of multiple items by colorimetry, and has been marketed as a discrete automatic chemical analyzer (see Non-Patent Document 2). In this method, since an extraction solution and a color developing solution conforming to the official method of soil analysis are used for each sample, high-precision analysis is possible, and the amount of nitrate nitrogen, ammonia nitrogen, available phosphorus (Truogue method, Bray method), exchangeable bases (Ca, Mg, K), CEC, iron, silicic acid, boron, and humus can be measured.
（２）単一の土壌抽出液を用いた多項目同時診断技術
土壌試料からの単一抽出物を用いた多項目同時診断技術として、単一の土壌抽出液を用いた多項目同時診断技術の報告は少ないが、その中でエア・ウォーター・バイオデザイン株式会社では、独自の成分抽出液を用いて抽出し、ＬＥＤ／フォトディテクタによる吸光計測によって、硝酸態窒素量、アンモニア態窒素量、可給態リン酸、交換性塩基（Ｃａ、Ｍｇ、Ｋ）の６項目の同時測定が可能であるとしている（非特許文献３参照）。
(2) Simultaneous multi-item diagnostic technology using a single soil extract There are few reports of simultaneous multi-item diagnostic technology using a single extract from a soil sample, but Air Water Biodesign Inc. claims that it is possible to simultaneously measure six items, namely, nitrate nitrogen, ammonia nitrogen, available phosphate, and exchangeable bases (Ca, Mg, K), by extracting using a unique component extracting solution and measuring absorption with an LED/photodetector (see Non-Patent Document 3).
（３）土壌試料に対し近赤外線を照射して近赤外分光法により分析する方法
この方法は、多項目同時土壌診断技術として、土壌試料に対し近赤外線を照射し、近赤外域における成分別の分子振動による光吸収や拡散反射特性から、土壌中の炭素、窒素などの肥沃度関連指標を予測する技術である（特許文献１及び２、非特許文献４参照）。近赤外波長を用いた分析では、全炭素、全窒素、可給態窒素、ＣＥＣの分析が可能であることが示された。
(3) A method of analyzing soil samples by irradiating them with near-infrared light and using near-infrared spectroscopy This method is a simultaneous multi-item soil diagnostic technique that irradiates a soil sample with near-infrared light and predicts fertility-related indicators such as carbon and nitrogen in the soil from the light absorption and diffuse reflection characteristics due to molecular vibrations of each component in the near-infrared region (see Patent Documents 1 and 2, and Non-Patent Document 4). It has been shown that analysis using near-infrared wavelengths makes it possible to analyze total carbon, total nitrogen, available nitrogen, and CEC.
（４）プラズマ発光分光分析を用いた方法
誘導結合プラズマによる発光を分析するプラズマ発光分光分析(Inductively Coupled Plasma－Atomic Emission Spectrometry、ＩＣＰ－ＡＥＳと呼ぶ）は、液体試料中の多元素同時測定が可能な汎用元素分析装置である。土壌分析においては、各種溶媒で抽出された元素濃度の分析に用いられる。例えば、土壌中の交換性塩基についてはｐＨ７の１ＭＮＨ４ＯＡｃ（酢酸アンモニウム）で、また交換性Ａｌについては１ＭＫＣｌで抽出し、ＩＣＰ－ＡＥＳにより抽出液中の元素濃度を定量して、土壌あたりの含量として算出している。この際、ＩＣＰ－ＡＥＳでは対象元素の測定波長を指定して濃度を算出している。
(4) Method using plasma atomic emission spectrometry Inductively Coupled Plasma-Atomic Emission Spectrometry (ICP-AES), which analyzes light emitted by inductively coupled plasma, is a general-purpose elemental analysis device capable of simultaneously measuring multiple elements in liquid samples. In soil analysis, it is used to analyze the concentration of elements extracted with various solvents. For example, exchangeable bases in soil are extracted with 1M NH 4 OAc (ammonium acetate) at pH 7, and exchangeable Al is extracted with 1M KCl, and the element concentrations in the extract are quantified by ICP-AES and calculated as the content per soil. In this case, the ICP-AES calculates the concentration by specifying the measurement wavelength of the target element.
上記のように土壌分析は種々の方法が検討されているが、公定法による土壌分析は依然として煩雑な作業を要し、一検体あたりの分析コストが高いという問題を抱えている。
上記（１）の複数の抽出液を用いた土壌試料の多項目同時診断技術では、高精度の分析が可能であるが、数種類の抽出液及び発色液を使用するので、抽出液及び発色液の準備等に時間が掛かるという課題がある。
As mentioned above, various methods for soil analysis have been investigated, but soil analysis using official methods still requires complicated work and has the problem of high analytical costs per sample.
The above-mentioned (1) simultaneous multi-item diagnostic technique for soil samples using multiple extraction solutions allows for highly accurate analysis, but has the problem that it takes time to prepare the extraction solutions and color-developing solutions, since several types of extraction solutions and color-developing solutions are used.
上記（２）の単一の土壌抽出液を用いた多項目同時診断技術では、上記の硝酸態窒素量、アンモニア態窒素量、可給態リン酸、交換性塩基（Ｃａ、Ｍｇ、Ｋ）の６項目の同時測定が可能であるが、他のｐＨや粒径などの多くの分析項目の予測はできないという課題がある。
上記（３）の近赤外分光法により分析する方法では、全炭素、全窒素、可給態窒素、ＣＥＣの分析が可能であるが、その他の分析項目では予測精度が低く、予測出来ない項目も多いという課題がある。
The above-mentioned (2) simultaneous multi-item diagnostic technique using a single soil extract can simultaneously measure the six items, i.e., nitrate nitrogen, ammonia nitrogen, available phosphate, and exchangeable bases (Ca, Mg, K), but has the problem that it cannot predict many other analytical items such as pH and particle size.
The method of analysis using near-infrared spectroscopy described above in (3) makes it possible to analyze total carbon, total nitrogen, available nitrogen, and CEC, but has the problem that the prediction accuracy is low for other analysis items, and there are many items that cannot be predicted.
上記（４）のＩＣＰ－ＡＥＳにより分析する方法では、交換性塩基や交換性Ａｌのそれぞれを特定の抽出液を使用して分析をしているので、単一の土壌抽出液を用いた多項目同時診断ができないという課題がある。 The ICP-AES analysis method described above in (4) uses specific extracts for each of the exchangeable bases and exchangeable Al, so there is a problem in that it is not possible to perform simultaneous multi-item diagnosis using a single soil extract.
以上説明したように、従来の土壌分析の何れの方法でも、単一の土壌抽出液を用い、例えば６項目を超える多項目の同時診断ができないという課題がある。 As explained above, all conventional soil analysis methods have the problem that they cannot simultaneously diagnose multiple items, for example more than six items, using a single soil extract.
本発明者等は、ＩＣＰ－ＡＥＳによる土壌分析において、単一の土壌抽出液を用い、かつ、発光分析において、特定の波長だけではなく、全波長スペクトルデータを取得して、深層学習を用いた機械学習により、土壌試料の多項目の同時診断ができることを見出して本発明に到達した。 The inventors arrived at the present invention by discovering that in soil analysis by ICP-AES, a single soil extract is used, and in emission analysis, spectral data for all wavelengths, not just specific wavelengths, is obtained, and multiple items in a soil sample can be diagnosed simultaneously by machine learning using deep learning.
本発明は、上記課題に鑑み、ＩＣＰ－ＡＥＳにおいて、全波長スペクトルデータを用いて、交換性塩基、土壌ｐＨ(Ｈ２Ｏ抽出、ＫＣｌ抽出)、電気伝導率、有効態リン、全炭素、全窒素、交換性Ａｌ、ＣＥＣ、粒径組成（粘土画分量、砂画分量）等の土壌の種々の理化学特性に関する分析項目が取得できるプラズマ発光分光分析を用いた土壌診断方法を提供することを目的とする。なお、本発明において土壌の「診断」とは、必ずしも分析結果の評価を意味するものではなく、土壌の種々の理化学特性に関する各分析すべき項目を、分析し、予測し及び測定し又はこれを評価することの何れかを示す概念として使用しており、作物の生産性向上に向けた土壌診断や土壌分類のための基礎情報を取得することを総称している。 In view of the above problems, the present invention aims to provide a soil diagnostic method using plasma optical emission spectrometry, which can obtain analytical items related to various physicochemical properties of soil, such as exchangeable base, soil pH (H 2 O extraction, KCl extraction), electrical conductivity, available phosphorus, total carbon, total nitrogen, exchangeable Al, CEC, particle size composition (clay fraction amount, sand fraction amount) by using full wavelength spectrum data in ICP-AES. Note that in the present invention, the term "diagnosis" of soil does not necessarily mean evaluation of the analysis results, but is used as a concept indicating either analysis, prediction, and measurement, or evaluation of each item to be analyzed related to various physicochemical properties of soil, and is a general term for obtaining basic information for soil diagnosis and soil classification aimed at improving crop productivity.
上記目的を達成するため、本発明のプラズマ発光分光分析を用いた土壌診断方法は、
学習用データ取得のための被測定土壌を所定の抽出液を用いて土壌抽出液とする第一のステップと、
プラズマ発光分光分析により土壌抽出液の全波長スペクトルデータを取得すると共に、プラズマ発光分光分析により被測定土壌のＣａ、Ｍｇ、Ｎａ、Ｋからなる交換性塩基の実測値を取得する第二のステップと、
交換性塩基以外の分析項目の実測値を公定法により取得する第三のステップと、
全波長スペクトルデータと交換性塩基及び前記交換性塩基以外の分析項目の実測値とを用いて、深層学習により学習を行い、前記学習の後で診断すべき被測定土壌の所定の分析項目の予測値を算出する第四のステップと、を、備える。
In order to achieve the above object, the soil diagnostic method using plasma optical emission spectrometry of the present invention comprises the steps of:
A first step of preparing a soil extract from a soil sample to be measured for acquiring learning data using a predetermined extracting solution;
a second step of acquiring full wavelength spectrum data of the soil extract by plasma emission spectrometry and acquiring actual values of exchangeable bases consisting of Ca, Mg, Na, and K in the soil to be measured by plasma emission spectrometry;
A third step of obtaining actual values of analytical items other than exchangeable bases by official methods;
and a fourth step of performing learning by deep learning using the full wavelength spectral data and the actual measured values of exchangeable bases and analytical items other than the exchangeable bases, and calculating predicted values of specified analytical items of the measured soil to be diagnosed after the learning.
上記構成において、抽出液は、好ましくは酢酸アンモニウム（ＮＨ４ＯＡｃ）溶液である。
被測定土壌の分析項目は、好ましくは、交換性塩基（Ｃａ、Ｍｇ、Ｎａ、Ｋ）、ｐＨ、電気伝導率、有効態リン、全炭素、全窒素、交換性Ａｌ、ＣＥＣ、粒径組成、可溶性Ｆｅ、交換性Ｍｎ、可溶性Ｚｎ、リン酸吸収係数、硝酸態窒素量、アンモニア態窒素量を含む。粒径組成は、好ましくは粘土画分量及び砂画分量である。
第二のステップにおいて、好ましくは、全波長スペクトルデータの強度を自然対数に変換し、かつ、全波長スペクトルデータの強度の内、飽和した強度とマイナスの強度とをそれぞれ所定の値に設定して自然対数に変換する。
さらに本発明は、深層学習を終了してよいか否かの判定を行う第五のステップを有し、
この第五のステップにおいて、深層学習を終了してよいと判定された場合には、深層学習に用いた学習用データをデータセットとして格納する第六のステップと、
新規の被測定土壌を所定の抽出液を用いて新規の土壌抽出液とする第七のステップと、
プラズマ発光分光分析により新規の土壌抽出液の全波長スペクトルデータを取得する第八のステップと、
第八のステップで取得した全波長スペクトルデータと、第五のステップで取得した学習用データとを用いて、新規の被測定土壌の所定の分析項目の予測値を算出する第九のステップとを、備えてもよい。
好ましくは、第八のステップで取得した全波長スペクトルデータと第九のステップで取得した新規の被測定土壌の所定の分析項目の予測値とを新規な学習用データとする。
In the above configuration, the extraction liquid is preferably an ammonium acetate (NH 4 OAc) solution.
The analysis items of the soil to be measured preferably include exchangeable bases (Ca, Mg, Na, K), pH, electrical conductivity, available phosphorus, total carbon, total nitrogen, exchangeable Al, CEC, particle size composition, soluble Fe, exchangeable Mn, soluble Zn, phosphate absorption coefficient, amount of nitrate nitrogen, and amount of ammonia nitrogen. The particle size composition is preferably the amount of clay fraction and the amount of sand fraction.
In the second step, preferably, the intensities of the entire wavelength spectrum data are converted to natural logarithms, and the saturated intensities and negative intensities of the entire wavelength spectrum data are set to predetermined values and then converted to natural logarithms.
Furthermore, the present invention has a fifth step of determining whether or not the deep learning may be terminated,
In the fifth step, if it is determined that the deep learning may be terminated, a sixth step of storing the learning data used in the deep learning as a dataset;
a seventh step of preparing a new soil extract from the new soil sample using a predetermined extract;
An eighth step of acquiring full wavelength spectrum data of the novel soil extract by plasma emission spectrometry;
A ninth step may be provided in which predicted values of specified analysis items of the newly measured soil are calculated using the full-wavelength spectral data acquired in the eighth step and the learning data acquired in the fifth step.
Preferably, the full wavelength spectrum data obtained in the eighth step and the predicted values of the predetermined analysis items of the new measured soil obtained in the ninth step are used as new learning data.
本発明によれば、プラズマ発光分光分析によって全波長スペクトルデータを用いた分析を行うことにより、精度良く迅速に各種土壌分析項目を診断でき、優れたプラズマ発光分光分析を用いた土壌診断方法を提供することができる。 According to the present invention, by performing analysis using full-wavelength spectral data by plasma optical emission spectroscopy, various soil analysis items can be diagnosed accurately and quickly, and an excellent soil diagnostic method using plasma optical emission spectroscopy can be provided.
以下、図面を参照しながら本発明を実施するための形態について説明するが、本発明の範囲はここに記載する実施形態に限定されることなく適宜変更することができる。特に、図面に記載した各部の名称などについては概念的な事項を示すに過ぎず、その適用場面に応じて適宜変更することができる。 Below, the embodiments for carrying out the present invention will be described with reference to the drawings, but the scope of the present invention is not limited to the embodiments described here and can be modified as appropriate. In particular, the names of the parts and components shown in the drawings are merely conceptual items and can be modified as appropriate depending on the application scene.
図１は、本発明の一実施形態に係る土壌診断方法に用いる土壌析装置１の構成を示すブロック図である。土壌分析装置１は、ＩＣＰ分析部１０とＩＣＰ分析部１０に接続される土壌分析部２０とから構成される。
ＩＣＰ分析部１０は、誘導結合プラズマによる発光を分析するプラズマ発光分光分析が取得できる装置であり、所謂ＩＣＰ発光分光分析装置と、例えば７１元素２３２波長等の後述する全波長スペクトルデータを取得できるソフトウェアが格納されたＰＣやワークステーションからなるコンピュータと、で構成されている。
1 is a block diagram showing the configuration of a soil analysis device 1 used in a soil diagnostic method according to an embodiment of the present invention. The soil analysis device 1 is composed of an
The
土壌分析部２０は、ＩＣＰ分析部１０からのＩＣＰ発光スペクトルデータを処理するＩＣＰ発光スペクトル処理部２１と、ＩＣＰ発光スペクトル処理部２１で処理された処理済ＩＣＰ発光スペクトルデータが入力される制御部２２と、制御部２２に接続されるデータ処理部３０とから構成されている。
The
データ処理部３０は、制御部２２とインターフェースをする入出力インターフェース部３１と、主記憶装置及び補助記憶装置を備える記憶装置３２と、四則演算等の演算処理を行う演算装置と、記憶装置及び演算装置を制御する制御装置とを備えるコンピュータで構成され、データ処理プログラムが記憶装置３２に格納されており、データ処理プログラムが演算装置に展開されて実行される。これにより、データ処理部３０は図１に示すような記憶部３３及び予測部３４を機能的に備える。
The
土壌分析部２０は具体的には、ＣＰＵ（Central Processing Unit）、揮発性メモリのＤＲＡＭ（ダイナミックランダムアクセスモリ）、不揮発性のメモリであるＨＤＤ（ハードディスクドライブ）等からなるＰＣやワークステーション等のコンピュータで構成される。ＣＰＵはマイクロプロセッサにより構成することができる。さらに、データ処理部３０は、後述する予測部３１で実行する深層学習のために多数のデータ処理を高速に行うよう、ＧＰＵ（Graphics Processing Unit）と、記憶装置３２として大容量のＤＲＡＭを備えて構成してもよい。
Specifically, the
土壌分析部２０において、ＩＣＰ発光スペクトル処理部２１で処理された処理済ＩＣＰ発光スペクトルデータのデジタルデータから、予測部３４において診断すべき土壌の土壌地力形質の分析項目を予測（推定とも呼ぶ）する。
In the
図２は、本発明の土壌析装置１を用いて土壌診断方法を行うときの手順を示すフロー図である。
第一のステップ（ＳＴ１）において、学習用データ取得のための被測定土壌を所定の抽出液を用いて土壌抽出液とする。つまり、土壌抽出液を調製する。
第二のステップ（ＳＴ２）において、ＩＣＰ分析部１０でプラズマ発光分光分析により土壌抽出液の全波長スペクトルデータを取得すると共に、プラズマ発光分光分析により被測定土壌のＣａ、Ｍｇ、Ｎａ、Ｋからなる交換性塩基の実測値を取得する。
第三のステップ（ＳＴ３）において、被測定土壌の交換性塩基（Ｃａ、Ｍｇ、Ｎａ、Ｋ）以外の分析項目の実測値を公定法により取得する。
第四のステップ（ＳＴ４）において、ＩＣＰ分析部１０で取得した全波長スペクトルデータと、被測定土壌の交換性塩基及び交換性塩基以外の分析項目を含む所定の分析項目の実測値を用いて、深層学習により学習を行い、学習の後で診断すべき被測定土壌の所定の分析項目の予測値を算出する。
FIG. 2 is a flow chart showing the procedure for carrying out a soil diagnostic method using the soil analysis apparatus 1 of the present invention.
In the first step (ST1), a soil extract is prepared by extracting soil to be measured for acquiring learning data using a predetermined extracting liquid.
In the second step (ST2), the
In the third step (ST3), actual values of analysis items other than the exchangeable bases (Ca, Mg, Na, K) of the soil to be measured are obtained by official methods.
In the fourth step (ST4), learning is performed by deep learning using the full-wavelength spectral data acquired by the
（第一のステップ）
抽出液は、土壌から交換性塩基（Ｃａ,Ｍｇ,Ｋ,Ｎａ）等の陽イオンを抽出できる液が好ましく、例えば所定濃度で所定のｐＨを有している酢酸アンモニウム溶液を用いることができる。酢酸アンモニウム溶液の濃度は、例えば０．０５Ｍから２Ｍの濃度範囲で土壌抽出液を得ることができる。さらに好ましくは、０．９Ｍ（モル）から１Ｍ程度とすることができる。酢酸アンモニウム溶液の濃度は、１Ｍ程度とすることが好ましい。酢酸アンモニウム溶液のｐＨは、例えば６．５～７とすることができ、好ましくはｐＨは７である。
(First step)
The extracting solution is preferably a solution capable of extracting cations such as exchangeable bases (Ca, Mg, K, Na) from soil, and for example, an ammonium acetate solution having a predetermined concentration and a predetermined pH can be used. The concentration of the ammonium acetate solution can be in the range of, for example, 0.05M to 2M to obtain a soil extract. More preferably, the concentration of the ammonium acetate solution can be about 0.9M (molar) to 1M. The concentration of the ammonium acetate solution is preferably about 1M. The pH of the ammonium acetate solution can be, for example, 6.5 to 7, and is preferably 7.
（第二のステップ）
後述するＩＣＰ分析部１０で用いるソフト（ＩＣＰＥ－９０００ソフト（ＩＣＰＥ ｓｏｌｕｔｉｏｎｓ）のデフォルトで設定されている７１元素２３２波長に加えて、炭素の感度情報のある２波長を加えた２３４波長を対象とした。ここで、ＩＣＰ分析部１０で取得される２３４波長のスペクトルデータを全波長スペクトルデータと呼ぶ。発光を検出するＣＣＤ検知器においては、例えば各測定波長を中央とした、３１ピクセル分のピークプロファイルデータが得られる。各ピークプロファイルデータに対して、ピーク強度計算の積分範囲を１ピクセルとなるように指定し、中央ピクセルからの相対位置が０,３,６,９,１２,１５,－３,－６,－９,－１２,－１５となる１１ピクセルにおける個別の強度値を求め、得られた強度値の自然対数を算出し説明変数（ｘ）とした（２５７４ピクセル/試料）。従属変数（ｙ）は土壌地力形質の各分析項目の実測値を用いた。
(Second step)
In addition to the 232 wavelengths of 71 elements set as default in the software (ICPE-9000 software (ICPE solutions)) used in the
ＩＣＰ分析部１０では、プラズマ発光分光分析により土壌地力形質の内、被測定土壌の交換性塩基（Ｃａ、Ｍｇ、Ｎａ、Ｋ）の実測値を取得して、ＩＣＰ発光スペクトル処理部２１に出力する。
次に、ＩＣＰ分析部１０からＩＣＰ発光スペクトル処理部２１に入力された全波長スペクトルデータは、ＩＣＰ発光スペクトル処理部２１で処理が施されて処理済ＩＣＰ発光スペクトルデータとされる。全波長スペクトルデータは、その強度のダイナミックレンジが大きいので、処理を高速に行うために全波長スペクトルデータの強度を全て自然対数に変換した。自然対数には、飽和した強度とマイナスの強度をそれぞれ所定の値に設定してから変換することができる。具体例を以下に示す。
（ａ）ＩＣＰ発光スペクトルの各波長の強度値は全て自然対数に変換される。
（ｂ）ＩＣＰ発光スペクトルの発光強度飽和の場合、例えば強度値１００００００と仮定して、自然対数に変換する。
（ｃ）得られた強度値がマイナスの試料は強度値を１として、自然対数に変換する。
In the
Next, the full wavelength spectrum data input from the
(a) All intensity values at each wavelength in the ICP emission spectrum are transformed to natural logarithms.
(b) In the case of luminous intensity saturation of the ICP luminous spectrum, the intensity value is assumed to be, for example, 1,000,000, and converted to a natural logarithm.
(c) For samples with negative intensity values, the intensity value is set to 1 and converted to a natural logarithm.
（第三のステップ）
被測定土壌の分析項目は、土壌地力形質とも呼ばれ、従属変数とも呼ばれている。交換性塩基（Ｃａ、Ｍｇ、Ｎａ、Ｋ）以外の分析項目は、土壌ｐＨ（Ｈ２Ｏ抽出、ＫＣｌ抽出)、土壌ＥＣ、有効態リン（Bｒａｙ－Ｉ法）、全炭素、全窒素、交換性Ａｌ、ＣＥＣ、粒径組成（粘土画分量、砂画分量）等である。
(Third step)
The analysis items of the soil to be measured are also called soil fertility characteristics or dependent variables. Analysis items other than exchangeable bases (Ca, Mg, Na, K) include soil pH (H 2 O extraction, KCl extraction), soil EC, available phosphorus (Bray-I method), total carbon, total nitrogen, exchangeable Al, CEC, particle size composition (clay fraction, sand fraction), etc.
ここで、土壌ＥＣは、土壌の電気伝導率である。ＣＥＣ（Cation Exchange Capacity、交換性塩基容量と呼ぶ）の値は、電気的にマイナスの土壌が最大限どの程度の塩基（Ｃａ、Ｍｇ、Ｎａ、Ｋ、アンモニウム、Ｈ等）の陽イオンを吸着することができるかの指標である。ＣＥＣは、土壌に肥効養分を蓄えておける量及び緩衝力を示す指標となる数値である。
交換性塩基は、第二のステップにおいて、ＩＣＰ分析部１０で発光分析されるが、上記の土壌ｐＨから粒径組成の各分析項目は、後述する公定法により実測値を取得する。
Here, soil EC is the electrical conductivity of the soil. The CEC (cation exchange capacity) value is an index of the maximum amount of base cations (Ca, Mg, Na, K, ammonium, H, etc.) that electrically negative soil can adsorb. CEC is a numerical value that is an index of the amount of fertilizer nutrients that can be stored in the soil and its buffering power.
In the second step, the exchangeable bases are analyzed by emission analysis in the
公定法による実測値としては、所謂従来の化学分析を用いた定量分析（定量法とも呼ぶ）又は、ＩＣＰ分析部１０に用いるＩＣＰ分析装置やエネルギー分散型蛍光Ｘ線分析等のような定量分析が可能な装置により取得できる。
Actual measurements by official methods can be obtained by quantitative analysis (also called a quantitative method) using conventional chemical analysis, or by a device capable of quantitative analysis, such as an ICP analyzer used in the
（第四のステップ）
第四のステップの深層学習について説明する。図３は、予測部３４において土壌地力形質の推定を行う深層学習を模式的に説明する図である。
予測部３４で実行される深層学習は、図３に示すように、処理済ＩＣＰ発光スペクトルデータを入力データ４１とする入力層４２、中間層４３及び出力層４４を備えたニューラルネットワークから構成されており、例えばコンピュータ上で動作する機械学習や深層学習のためのニューラルネットワーク用のプログラムにより動作する。このようなニューラルネットワーク用のプログラムを作成するソフトウェアとして、Neural Network Console version 1.7.7352.44102（Sony Network Communications Inc.製）等を使用することができる。
(Fourth step)
The deep learning in the fourth step will now be described. Fig. 3 is a diagram for explaining a schematic diagram of deep learning for estimating soil fertility characteristics in the
3, the deep learning executed by the
中間層４３は入力層４２と出力層４４との間に挿入され、入力層４２から予測用の学習用データが入力されると、出力層４４から出力データ４５が出力される。学習用データは教師データとも呼ばれている。
The intermediate layer 43 is inserted between the
予測部３４においては、深層学習による学習と予測とにより、各分析項目の予測が行われ、以下のステップ２０の演算により学習が行われ、ステップ３０の演算により評価用データから各分析項目の予測が行われる。
In the
（ステップ２０）
ＩＣＰ発光スペクトル処理部２１で処理された処理済ＩＣＰ発光スペクトルデータ４１が入力層４２に入力される。入力層４２は、２３４波長に対応する２３４個の入力ユニット４２ａを有しており、各入力ユニット４２ａのそれぞれに、各波長で得られた発光強度値の自然対数が説明変数（ｘ）として入力される。
(Step 20)
The processed ICP
予測部３４は、入力層４２の各入力ユニット４２ａに入力された入力データ４１から畳み込み演算を実行して、重み係数が計算される。この重み係数は、後述するニューラルネットワークの機械学習の結果、つまり学習結果によって決定される。
The
中間層４３は、各中間値に対応するｎ個の中間ユニット４３ａを有しており、各中間ユニット４３ａには、それぞれ個々の中間値ｙｉｊ（１≦ｉ≦ｎ、及び１≦ｊ≦ｍ）が入力される。
予測部３４は、中間層４３の各中間ユニット４３ａに入力された中間値ｙｉｊから演算し、重み係数を計算して、ニューラルネットワークの機械学習によって出力層４４から出力データ４５が出力される。
The intermediate layer 43 has n
The
ニューラルネットワークの機械学習において、学習用データとして、ｐＨ７の１Ｍの酢酸アンモニウム溶液による土壌抽出液をＩＣＰ発光分光分析装置で測定して取得した全波長スペクトルデータと各分析値の実測値とを用いることができる。 In machine learning of neural networks, the full wavelength spectrum data obtained by measuring a soil extract with a 1 M ammonium acetate solution at pH 7 using an ICP optical emission spectrometer and the actual measured values of each analysis value can be used as learning data.
上記ステップ２０により、ｐＨが７で、１Ｍ酢酸アンモニウム溶液による土壌抽出液を、マルチタイプＩＣＰ発光分光分析装置を用いて取得した全波長スペクトルと、各実測値を、人工知能（ＡＩ（Artificial Intelligence））による深層学習（Deep Learning）により学習する。即ち、予測部３４は、学習のための既知のデータとして、処理済ＩＣＰ発光スペクトルデータ４１が入力層４２に入力されると共に、教師信号として、出力データ４５が得られるように重み係数を演算し、決定する。そして、出力データ４５として得られた各土壌分析値の予測値との比較により、予測精度を検証する。ここで、入力される既知のデータ数、つまり学習用データが多いほど、決定される重み係数の精度が高まる。
In
（ステップ３０）
このようなニューラルネットワークの機械学習の結果、診断すべき被測定土壌を測定したデータ、つまり評価用データが処理済ＩＣＰ発光スペクトルデータ４１として入力されると、予測部３３は、中間データそして出力データ４５を二段階で重み係数を演算することにより、出力データ４５を出力する。即ち、出力データ４５としては、評価用データの各分析項目を出力する。このようなニューラルネットワークの学習結果に基づく各分析項目の出力データ４５は、予測値又は推定値とも呼ばれている。
従って、予測部３４の出力層４４からの出力データ４５から、ｘ軸に実測値、ｙ軸に予測値をプロットして、相関関係（ｙ＝ａｘ＋ｂ）と決定係数Ｒ２を求めることにより、予測精度が容易に判断される。
(Step 30)
As a result of the machine learning of such a neural network, when data obtained by measuring the soil to be diagnosed, i.e., the evaluation data, is input as the processed ICP
Therefore, by plotting the actual values on the x-axis and the predicted values on the y-axis from the
このように、学習のための既知のデータとして、処理済ＩＣＰ発光スペクトルデータ４１を入力層４２に入力すると共に、学習用データとして、出力データ４５が得られるように、予測部４３は重み係数を演算し決定する。
In this way, the processed ICP
土壌分析装置１においては、例えば、土壌の１Ｍ酢酸アンモニウム溶液（ＮＨ４ＯＡｃ）による抽出液の処理済ＩＣＰ発光スペクトルデータについて、一例として、完全無作為抽出法により、８０％を学習用データとして選択し、残り２０％を評価用データとして使用してもよい。 In the soil analysis apparatus 1, for example, 80% of the processed ICP emission spectrum data of a soil extract with a 1 M ammonium acetate solution ( NH4OAc ) may be selected as learning data by a completely random sampling method, and the remaining 20% may be used as evaluation data.
本発明の土壌分析装置１によれば、一般的な試薬である１Ｍ酢酸アンモニウム溶液で抽出した土壌抽出液をＩＣＰ発光分光分析装置により分析し、得られた全波長スペクトルデータから、交換性塩基（Ｃａ、Ｋ、Ｍｇ、Ｎa）、交換性Ａｌ、有効態Ｐ、交換性塩基容量（ＣＥＣ）、ｐＨ（Ｈ２Ｏ抽出）、ｐＨ（ＫＣｌ抽出）、電気伝導度（ＥＣ）、全炭素、全窒素、粒径組成として粘土画分量及び砂画分量の全ての項目を同時に予測可能となる。 According to the soil analysis device 1 of the present invention, a soil extract extracted with a 1 M ammonium acetate solution, which is a common reagent, is analyzed by an ICP atomic emission spectrometer, and from the obtained full-wavelength spectral data, it is possible to simultaneously predict all of the following items: exchangeable bases (Ca, K, Mg, Na), exchangeable Al, available P, exchangeable base capacity (CEC), pH ( H2O extraction), pH (KCl extraction), electrical conductivity (EC), total carbon, total nitrogen, and particle size composition, including the clay fraction and sand fraction.
（深層学習後の新規の被測定土壌の診断方法）
図４は、本発明の土壌析装置１を用いて土壌診断方法を行う際に深層学習が済んだ後に新規の被測定土壌を診断する手順を示すフロー図である。図３において、第一のステップから第四のステップは、図２と同様に深層学習が行われ、第五のステップから第九のステップにおいて新規の被測定土壌の診断が行われる。
第五のステップ（ＳＴ５）において、深層学習を終了してよいか否かの判定を行う。
第六のステップ（ＳＴ６）において、第五のステップにて深層学習を終了してよいと判定された場合には、深層学習に用いた学習用データをデータセットとして格納する。
第七のステップ（ＳＴ７）において、新規の被測定土壌を所定の抽出液を用いて新規の土壌抽出液とする。
第八のステップ（ＳＴ８）において、プラズマ発光分光分析により新規の土壌抽出液の全波長スペクトルデータを取得する。
第九のステップ（ＳＴ９）において、第八のステップで取得した新規の土壌抽出液による新たな全波長スペクトルデータと第五のステップで取得した深層学習に用いた学習用データとを用いて、新規の被測定土壌の所定の分析項目の予測値を算出する。各ステップの詳細を次に説明する。
(New method for diagnosing soil samples after deep learning)
4 is a flow diagram showing a procedure for diagnosing a new soil sample after deep learning is completed when performing a soil diagnosis method using the soil analysis device 1 of the present invention. In FIG. 3, deep learning is performed in the first to fourth steps as in FIG. 2, and diagnosis of a new soil sample is performed in the fifth to ninth steps.
In a fifth step (ST5), it is determined whether or not deep learning can be terminated.
In a sixth step (ST6), if it is determined in the fifth step that the deep learning may be terminated, the learning data used in the deep learning is stored as a dataset.
In the seventh step (ST7), a new soil extract is prepared from the new soil to be measured using a predetermined extracting solution.
In the eighth step (ST8), full wavelength spectrum data of the new soil extract is obtained by plasma emission spectrometry.
In the ninth step (ST9), the new full-wavelength spectrum data of the new soil extract obtained in the eighth step and the learning data used in the deep learning obtained in the fifth step are used to calculate predicted values of the predetermined analysis items of the new measured soil. Each step will be described in detail below.
（第五のステップ）
第五のステップ（ＳＴ５）において、深層学習を終了してよいか否かの判定を行う。この第五のステップ（ＳＴ５）では、上述した実測値と予測値の相関関係（ｙ＝ａｘ＋ｂ）と決定係数Ｒ２が所定の値以内であることを判定基準としてもよい。第五のステップにおいて、深層学習を終了してよい（ＹＥＳ）と判定された場合には第六のステップに進む。一方、深層学習が十分ではない（ＮＯ）場合には第四のステップに戻る。
(Fifth step)
In the fifth step (ST5), it is determined whether or not deep learning may be terminated. In this fifth step (ST5), the determination criterion may be that the correlation (y = ax + b) between the actual measurement value and the predicted value and the coefficient of determination R2 are within a predetermined value. If it is determined in the fifth step that deep learning may be terminated (YES), proceed to the sixth step. On the other hand, if deep learning is not sufficient (NO), return to the fourth step.
（第六のステップ）
第五のステップにおいて、深層学習を終了してよい（ＹＥＳ）と判定された場合には、第六のステップ（ＳＴ６）にて、上記の深層学習に用いた学習用データを記憶部３３にデータセットとして格納する。データセットは、学習用データに用いた各被測定土壌の採取情報と、各被測定土壌の土壌抽出液により取得したプラズマ発光分光分析により全波長スペクトルデータ、Ｃａ、Ｍｇ、Ｎａ、Ｋからなる交換性塩基の実測値、交換性塩基以外の分析項目の実測値、交換性塩基以外の分析項目の予測値等を含むように構成される。
(Sixth step)
If it is determined in the fifth step that the deep learning may be terminated (YES), in the sixth step (ST6), the learning data used in the deep learning is stored as a data set in the storage unit 33. The data set is configured to include collection information of each measured soil used in the learning data, full wavelength spectrum data obtained by plasma emission spectroscopy using a soil extract of each measured soil, actual measured values of exchangeable bases consisting of Ca, Mg, Na, and K, actual measured values of analysis items other than exchangeable bases, predicted values of analysis items other than exchangeable bases, and the like.
（第七のステップ）
第七のステップ（ＳＴ７）において、新規の被測定土壌を所定の抽出液を用いて新規の土壌抽出液とする。第七のステップは、新規の被測定土壌を使用する以外は、第一のステップと同様に実施できる。
(Seventh step)
In the seventh step (ST7), a new soil extract is prepared by extracting the new soil sample with a predetermined extractant. The seventh step can be carried out in the same manner as the first step, except that a new soil sample is used.
（第八のステップ）
第八のステップ（ＳＴ８）において、新規の土壌抽出液をＩＣＰ分析部１０でプラズマ発光分光分析により新たに全波長スペクトルデータを取得する。
(Eighth step)
In an eighth step (ST8), new full wavelength spectrum data is obtained from the new soil extract by plasma emission spectrometry in the
（第九のステップ）
第九のステップ（ＳＴ９）において、第八のステップで取得した新たな全波長スペクトルデータと、第五のステップで取得した深層学習に用いた学習用データとから、診断すべき新規の被測定土壌の所定の分析項目の予測値を算出する。予測値を算出した後、被測定土壌の採取情報と、全波長スペクトルデータと被測定土壌の所定の分析項目の予測値とを、記憶部３３に新規の被測定土壌による新規な学習用データ、つまり、データセットとして格納する。新規の被測定土壌のデータセットを、データ処理部３０の図示しないディスプレイに表示してもよい。
(Ninth step)
In a ninth step (ST9), a predicted value of a predetermined analysis item of the new measured soil to be diagnosed is calculated from the new full-wavelength spectrum data acquired in the eighth step and the learning data used for deep learning acquired in the fifth step. After the predicted value is calculated, the collection information of the measured soil, the full-wavelength spectrum data, and the predicted value of the predetermined analysis item of the measured soil are stored in the memory unit 33 as new learning data for the new measured soil, i.e., a data set. The data set of the new measured soil may be displayed on a display (not shown) of the
なお、図４に示す被測定土壌の診断方法を機能させるプログラムは、例えばＣ＋＋（登録商標）言語やＰｙｔｈｏｎ（登録商標）言語等のプログラム言語で記述され、当該プログラムを実行するデータ処理部３０の記憶装置３２に格納されている。当該プログラムは、記憶媒体に格納してから記憶装置３２に格納されてもよい。記憶媒体としては、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭやＵＳＢメモリ等を用いることができる。また、プログラムは、外部のサーバーからネットワークを介してＩＣＰ発光スペクトル処理部２０にダウンロードされてから記憶装置３２に格納されてもよい。
The program for implementing the method for diagnosing soil to be measured shown in FIG. 4 is written in a programming language such as C++ (registered trademark) or Python (registered trademark), and is stored in the
深層学習後の新規の被測定土壌の診断方法によれば、十分な深層学習を行った後で、新規の被測定土壌について、所定の分析項目の予測を精度良く迅速に行うことができる。
次に、土壌抽出液から土壌地力形質の各分析について、実施例により詳細に説明する。
According to the method for diagnosing newly measured soil after deep learning, after sufficient deep learning has been performed, it is possible to accurately and quickly predict specified analysis items for newly measured soil.
Next, the analysis of soil fertility characteristics from the soil extract will be described in detail with reference to examples.
（土壌の詳細）
分析した土壌の詳細について説明する。
国際農林水産業研究センターが２０１６年から２０２０年の間に収集した熱帯・亜熱帯環境における土壌試料のうち、ＩＣＰによる交換性塩基の定量を実施した合計１９４２試料を対象とした。
国別の内訳はブルキナファソ（１０７４試料)、ラオス（３３４試料）、日本（２９８試料）、モザンビーク（１１５試料）、パラオ（５９試料）、マダガスカル（４９試料）、フィリピン（１３試料）である。交換性塩基と他の分析項目の国別の試料数を表１に示す。
(Soil details)
The details of the analyzed soil are explained below.
A total of 1,942 soil samples from tropical and subtropical environments collected by the Japan International Research Center for Agricultural Sciences between 2016 and 2020 were studied, and exchangeable bases were quantified using ICP.
The breakdown by country is as follows: Burkina Faso (1,074 samples), Laos (334 samples), Japan (298 samples), Mozambique (115 samples), Palau (59 samples), Madagascar (49 samples), and the Philippines (13 samples). The number of samples by country for exchangeable bases and other analytical items is shown in Table 1.
各国の農耕地および林野土壌は多様な目的で採取しているため、表層試料に加えて深度別試料を含み、施肥履歴も多用な試料セットとなっている。当該試料について、完全無作為抽出法により８０％（１５５３件）をステップ１０の学習用データとして選択し、残り２０％（３８８件）をステップ２０の評価用データとして使用した。
As agricultural and forest soils from each country are collected for a variety of purposes, the sample set includes depth samples in addition to surface samples, and also includes a wide variety of fertilization histories. 80% (1,553 samples) of the samples were selected by a completely random sampling method as learning data for
（土壌の処理方法）
採取した土壌を室温環境にて約１週間の風乾後、目開き２ｍｍで篩別し、植物残渣を取り除いたものを土壌試料とした。
全波長スペクトルは、ｐＨが７の１Ｍ酢酸アンモニウム溶液を用いて抽出した土壌抽出液により取得した。土壌抽出液の調製及び測定は以下の通り実施した。
（１）土壌試料２．５ｇ（±０．０１ｇ）を５０ｍＬの蓋つき試験管に秤取し、１Ｍの酢酸アンモニウム溶液１２．５ｍＬを加えて振とう器（YAMATO社製、型番、SA300、以下振とう器と呼ぶ）を用いて３０分間振とうした。
（２）その後、３０００ｒｐｍで３から５分間遠心分離し、上清をフィルター（アドバンテック社製、以下、ADVANTEC No.５Cと呼ぶ）により、ろ過した。
次に、試験管に残った土壌に、再び１Ｍの酢酸アンモニウム１２．５ｍＬを加えて、振とう器で３０分間振とうした。その後３０００ｒｐｍで３から５分間遠心分離し、上清をフィルター（ADVANTEC No.5C）によりろ過した。これをもう一度繰り返すことにより合計３回の交換性塩基の抽出を行った。
最後に、１Ｍの酢酸アンモニウム１２．５ｍＬを加えて撹拌機（サイエンティフィックインダストリーズ社製、型番、VOLTEX、以下撹拌機と呼ぶ）で１０秒間振とうし、３０００ｒｐｍで３から５分間遠心分離し、上清をフィルター（ADVANTEC 5C 110mm）を使ってろ過した。計５０ｍＬ採れた抽出液を分析試料とした。
(Soil treatment method)
The collected soil was air-dried at room temperature for about one week, and then sieved through a 2 mm mesh to remove plant residue, which was used as a soil sample.
The full wavelength spectrum was obtained from a soil extract extracted with 1 M ammonium acetate solution at a pH of 7. The soil extract was prepared and measured as follows.
(1) 2.5 g (±0.01 g) of the soil sample was weighed into a 50 mL test tube with a lid, 12.5 mL of 1 M ammonium acetate solution was added, and the sample was shaken for 30 minutes using a shaker (manufactured by Yamato Corporation, model number SA300, hereafter referred to as the shaker).
(2) Then, the mixture was centrifuged at 3,000 rpm for 3 to 5 minutes, and the supernatant was filtered through a filter (manufactured by Advantec Co., Ltd., hereinafter referred to as ADVANTEC No. 5C).
Next, 12.5 mL of 1M ammonium acetate was added to the soil remaining in the test tube, and the mixture was shaken for 30 minutes. It was then centrifuged at 3000 rpm for 3 to 5 minutes, and the supernatant was filtered through a filter (ADVANTEC No. 5C). This process was repeated once more to extract the exchangeable bases three times in total.
Finally, 12.5 mL of 1M ammonium acetate was added, and the mixture was shaken for 10 seconds with a stirrer (Scientific Industries, model number: VOLTEX, hereafter referred to as the stirrer), centrifuged at 3000 rpm for 3 to 5 minutes, and the supernatant was filtered using a filter (ADVANTEC 5C 110 mm). A total of 50 mL of the extract was used as the analysis sample.
（土壌分析装置）
土壌分析装置１として、以下の構成のＩＣＰ分析部１０と土壌分析部２０とを用い、ソフトウェアとして、Neural Network Console version 1.7.7352.44102（Sony Network Communications Inc.）を用いたプログラムにより実行し、土壌分析を実施した。
ＩＣＰ分析部：島津製作所製（ＩＣＰ発光分光分析装置、ＩＣＰＥ９０００）
土壌分析部：
ワークステーション：アプライド社製（型番CERVO-Deep for windows）
ＣＰＵ: インテル社（登録商標）製（Xeon（登録商標）8-Core W-2245 3.90GHz）
ＧＰＵ:NVIDIA社(登録商標)製（GeForce（登録商標）（RTX 2080Ti（DRAM：11（GDDR6×２））
ＤＲＡＭメモリの容量：１５２ＧＢ
ＨＤＤ容量：２ＴＢ
(soil analyzer)
The soil analysis apparatus 1 used an
ICP analysis unit: Shimadzu Corporation (ICP emission spectrometer, ICPE9000)
Soil Analysis Department:
Workstation: Applied Science (model number: CERVO-Deep for Windows)
CPU: Intel (registered trademark) (Xeon (registered trademark) 8-Core W-2245 3.90GHz)
GPU: NVIDIA GeForce RTX 2080Ti (DRAM: 11 (GDDR6 x 2))
DRAM memory capacity: 152GB
HDD capacity: 2TB
学習用データにおいて、実測した土壌分析値は、以下の方法により定量分析したものを使用した。
交換性塩基：
土壌をｐＨ７の１Ｍ酢酸アンモニウム溶液による抽出液を、マルチタイプＩＣＰ発光分光分析装置を用いて、全波長スペクトルを分析することにより、交換性塩基（Ｃａ,Ｍｇ,Ｋ,Ｎａ）を定量した。
ＣＥＣ：
ＣＥＣの実測値を以下の方法により定量した。交換性塩基抽出残渣(２.５g土壌)を蒸留水及び８０％メタノールで洗浄した後、１０％ＫＣｌを１２．５ｍＬ添加し、３０分間振とう機で振とうして３０００ｒｐｍで遠心し上澄みをろ過した。１０％ＫＣｌによる抽出処理を合計３回繰り返した後、さらに１０％ＫＣｌを１２．５ｍＬ添加して、撹拌機でよく攪拌した後、遠心分離したものを同様にろ過することで５０ｍＬの抽出液を得た。得られた抽出液のアンモニア態窒素量についてオートアナライザー３型(ビーエルテック社製（BL-tec社、AAIII)）を用いてサリチル酸法で定量してＣＥＣの実測値を定量した。
ｐＨ（Ｈ２Ｏ抽出）：ガラス電極法（固液比は１：５）により定量した。
ｐＨ（ＫＣｌ抽出）：ガラス電極法（固液比は１：５）により定量した。
電気伝導度（ＥＣ）：ガラス電極法（固液比は１：５）により定量した。
有効態リン：Ｂｒａｙ１法を用いた。モリブデンブルー発色後、紫外可視分光光度計により波長７１０ｎｍで定量した。
交換性アルミニウム：１Ｍ塩化カリウム溶液で抽出後、ＩＣＰで定量分析した。
全炭素：ＮＣアナライザーを用い、乾式燃焼法により定量した。
全窒素：ＮＣアナライザーを用い、乾式燃焼法により定量した。
粒径組成：粘土画分及び砂画分は、沈降法により測定した。過酸化水素水による有機物分解後、ヘキサメタリン酸ナトリウムを分散材として添加し、１６時間振とうした後、ピペット法により定量した。
In the learning data, the soil analysis values measured were quantitatively analyzed using the following method.
Exchangeable base:
The soil was extracted with a 1M ammonium acetate solution at pH 7, and the exchangeable bases (Ca, Mg, K, Na) were quantified by analyzing the full wavelength spectrum using a multi-type ICP emission spectrometer.
CEC:
The actual CEC value was quantified by the following method. The exchangeable base extraction residue (2.5 g soil) was washed with distilled water and 80% methanol, and then 12.5 mL of 10% KCl was added, shaken with a shaker for 30 minutes, centrifuged at 3000 rpm, and the supernatant was filtered. The extraction process with 10% KCl was repeated a total of three times, and then 12.5 mL of 10% KCl was added, thoroughly stirred with a stirrer, centrifuged, and filtered in the same manner to obtain 50 mL of extract. The amount of ammonia nitrogen in the obtained extract was quantified by the salicylic acid method using an Autoanalyzer Type 3 (BL-tec, AAIII)) to quantify the actual CEC value.
pH (H 2 O extraction): Quantitatively determined by the glass electrode method (solid-liquid ratio 1:5).
pH (KCl extraction): Quantified by the glass electrode method (solid-liquid ratio 1:5).
Electrical conductivity (EC): Quantitatively determined by the glass electrode method (solid-liquid ratio 1:5).
Available phosphorus: The Bray 1 method was used. After molybdenum blue coloring, the amount was quantified using an ultraviolet-visible spectrophotometer at a wavelength of 710 nm.
Exchangeable aluminum: After extraction with 1M potassium chloride solution, quantitative analysis was performed by ICP.
Total carbon: Quantitatively determined by a dry combustion method using an NC analyzer.
Total nitrogen: Quantitatively determined by a dry combustion method using an NC analyzer.
Particle size distribution: Clay and sand fractions were measured by the sedimentation method. After decomposition of organic matter with hydrogen peroxide, sodium hexametaphosphate was added as a dispersant, and the mixture was shaken for 16 hours, after which the particle size distribution was measured by the pipette method.
（学習用データ及び評価用データ）
上記のように完全無作為抽出法により全試料から８０％の試料を選択し学習用データとした。なお、残りの２０％を評価用データとした。
１Ｍ酢酸アンモニウム溶液で抽出した抽出液を希釈し、ＩＣＰ分析部１０により全波長スペクトルデータを取得し、Ｃａ、Ｋ、Ｍｇ、Ｎａを定量した。また、その際に得られる全波長スペクトルデータを取得し、上述したＩＣＰ発光スペクトル処理部２１で処理された処理済ＩＣＰ発光スペクトルデータを取得し、学習用データを取得した。学習の後で診断すべき被測定土壌の所定の分析項目の予測値を算出した。具体的には、全試料の８０％の試料により学習用データを取得した後で、全試料の２０％の評価用データにより土壌分析を実施した。プラズマ発光分光分析による土壌抽出液の全波長スペクトルデータを評価用データとし、この全波長スペクトルデータと学習用データとから予測値を取得した。
(Learning data and evaluation data)
As described above, 80% of all samples were selected by the complete random sampling method and used as training data, while the remaining 20% were used as evaluation data.
The extract was diluted with 1M ammonium acetate solution, and the full wavelength spectrum data was obtained by the
（交換性塩基（Ｃａ、Ｍｇ、Ｋ、Ｎａ）の予測結果）
図５は、土壌の交換性塩基の予測値と実測値との関係図であり、（ａ）はＣａ、（ｂ）はＭｇ、（ｃ）はＫ、（ｄ）はＮａを示す。
図５（ａ）のＣａでは、相関関係はｙ＝０．９６７ｘ＋０．２３１であり、決定係数Ｒ２が０．９９５であった。図５（ｂ）のＭｇでは、相関関係はｙ＝１．０２８ｘ-０．０６０であり、決定係数Ｒ２が０．９８３であった。図５（ｃ）のＫでは、相関関係はｙ＝０．９８９ｘ-０．０８であり、決定係数Ｒ２が０．９９３であった。図５（ｄ）のＮａでは、相関関係はｙ＝１．０５１ｘ+０．０４８であり、決定係数Ｒ２が０．９４６であった。図５に示す交換性塩基（Ｃａ、Ｍｇ、Ｎａ、Ｋ）の予測については、ＩＣＰ分析部１０を用いた公定法による分析であり、ほぼ完全に実測値と予測値が一致することを確認した。
(Prediction results for exchangeable bases (Ca, Mg, K, Na))
FIG. 5 is a relationship diagram between predicted and measured values of exchangeable bases in soil, where (a) shows Ca, (b) shows Mg, (c) shows K, and (d) shows Na.
In the case of Ca in FIG. 5(a), the correlation was y=0.967x+0.231, and the coefficient of determination R2 was 0.995. In the case of Mg in FIG. 5(b), the correlation was y=1.028x-0.060, and the coefficient of determination R2 was 0.983. In the case of K in FIG. 5(c), the correlation was y=0.989x-0.08, and the coefficient of determination R2 was 0.993. In the case of Na in FIG. 5(d), the correlation was y=1.051x+0.048, and the coefficient of determination R2 was 0.946. The prediction of the exchangeable bases (Ca, Mg, Na, K) shown in FIG. 5 was performed by the official method using the
（交換性Ａｌの予測結果）
表１に示すように、交換性Ａｌの実測は合計１０４２試料を対象とし、国別の内訳はブルキナファソ（５１６試料)、ラオス（３３４試料）、日本（０試料）、モザンビーク（７１試料）、パラオ（５９試料）、マダガスカル（４９試料）、フィリピン（１３試料）である。
図６は土壌の交換性Ａｌの予測値と実測値との関係を示す図である。交換性Ａｌでは、相関関係はｙ＝０．９６４ｘ+０．０２４であり、決定係数Ｒ２が０．９６４であった。図６に示す交換性Ａｌについては、公定法では１ＭのＫＣｌによる抽出後、ＩＣＰで測定するが、抽出液として公定法で用いた１ＭＫＣｌとは異なる１Ｍ酢酸アンモニウム溶液とした本実施例においても、高精度の予測が可能であることが判明した。
(Prediction results for exchangeable Al)
As shown in Table 1, exchangeable Al was measured for a total of 1,042 samples, broken down by country as follows: Burkina Faso (516 samples), Laos (334 samples), Japan (0 samples), Mozambique (71 samples), Palau (59 samples), Madagascar (49 samples), and the Philippines (13 samples).
Fig. 6 shows the relationship between predicted and measured values of exchangeable Al in soil. For exchangeable Al, the correlation was y = 0.964x + 0.024, and the coefficient of determination R2 was 0.964. Regarding the exchangeable Al shown in Fig. 6, in the official method, it is extracted with 1M KCl and then measured by ICP, but it was found that a highly accurate prediction is possible even in this embodiment, where the extraction solution is a 1M ammonium acetate solution, which is different from the 1M KCl used in the official method.
（有効態Ｐの予測結果）
表１に示すように、有効態Ｐの実測は合計１９４２試料を対象とし、国別の内訳はブルキナファソ（１０７４試料)、ラオス（３３４試料）、日本（２９８試料）、モザンビーク（１１５試料）、パラオ（５９試料）、マダガスカル（４９試料）、フィリピン（１３試料）である。
図７は有効態Ｐの予測値と実測値との関係を示す図である。有効態Ｐｌでは、相関関係はｙ＝０．９８５ｘ+０．８３５であり、決定係数Ｒ２が０．９６４であった。
実施例の有効態Ｐの予測方法は、従来のＢｒａｙ法を用いた有効態Ｐの公定法とは、抽出液及び測定方法も異なるが、本実施例の予測結果により高精度の予測が可能であることが判明した。
このように、１Ｍ酢酸アンモニウム溶液により抽出される交換性Ａｌ及び有効態Ｐの予測値は、従来の公定法と一定の相関があったものと考えられる。
(Prediction result of effective voice P)
As shown in Table 1, actual measurements of effective P were conducted on a total of 1,942 samples, broken down by country as follows: Burkina Faso (1,074 samples), Laos (334 samples), Japan (298 samples), Mozambique (115 samples), Palau (59 samples), Madagascar (49 samples), and the Philippines (13 samples).
7 is a diagram showing the relationship between the predicted value and the measured value of the effective state P. For the effective state P1, the correlation was y=0.985x+0.835, and the coefficient of determination R2 was 0.964.
The method for predicting effective P in the present embodiment differs from the official method for predicting effective P using the conventional Bray method in terms of the extract and measurement method, but it was found that the prediction results of the present embodiment enable highly accurate prediction.
Thus, it is believed that the predicted values of exchangeable Al and available P extracted with 1M ammonium acetate solution had a certain correlation with those of the conventional official method.
（ｐＨの予測結果)
表１に示すように、ｐＨの実測はＨ２Ｏ抽出及びＫＣｌ抽出のそれぞれにおいて合計１９４１試料を対象とし、国別の内訳はブルキナファソ（１０７３試料)、ラオス（３３４試料）、日本（２９８試料）、モザンビーク（１１５試料）、パラオ（５９試料）、マダガスカル（４９試料）、フィリピン（１３試料）である。
図８は、土壌ｐＨの予測値と実測値との関係図であり、（ａ）はＨ２Ｏ抽出、（ｂ）はＫＣｌ抽出の場合を示す。
図８（ａ）のＨ２Ｏ抽出における相関関係はｙ＝０．９３６ｘ+０．３７２であり、決定係数Ｒ２が０．９５１であった。図８（ｂ）のＫＣｌ抽出における相関関係はｙ＝０．９９６６ｘ+０．１４１であり、決定係数Ｒ２が０．９５９であった。
(pH prediction results)
As shown in Table 1, pH measurements were performed on a total of 1,941 samples for both H2O extraction and KCl extraction, with the breakdown by country being Burkina Faso (1,073 samples), Laos (334 samples), Japan (298 samples), Mozambique (115 samples), Palau (59 samples), Madagascar (49 samples), and the Philippines (13 samples).
FIG. 8 is a graph showing the relationship between predicted and measured soil pH values, where (a) shows the case of H 2 O extraction and (b) shows the case of KCl extraction.
The correlation for H2O extraction in Figure 8(a) was y = 0.936x + 0.372 with a coefficient of determination R2 of 0.951. The correlation for KCl extraction in Figure 8(b) was y = 0.9966x + 0.141 with a coefficient of determination R2 of 0.959.
土壌ｐＨは、従来の公定法ではガラス電極法により測定するため、処理済ＩＣＰ発光スペクトルデータ４１とは直接的な関係性は無いものと考えられる。しかしながら、上記実施例においては、土壌診断に向けた予測値としては十分な精度で予測が可能であることが判明した。これは、土壌ｐＨは、処理済ＩＣＰ発光スペクトルデータ４１によって検出された１Ｍ酢酸アンモニウム溶液の抽出液のイオンのバランスによって規定されるので、ｐＨとの相関があることにより十分な精度で予測できたと推定される。
Since soil pH is measured by the glass electrode method in the conventional official method, it is thought that there is no direct relationship with the processed ICP
（電気伝導度の予測結果)
表１に示すように、電気伝導度（ＥＣ）の実測は合計１９４１試料を対象とし、国別の内訳はブルキナファソ（１０７３試料)、ラオス（３３４試料）、日本（２９８試料）、モザンビーク（１１５試料）、パラオ（５９試料）、マダガスカル（４９試料）、フィリピン（１３試料）である。
図９は、電気伝導度（ｍＳ／ｍ）の予測値と実測値との関係図である。電気伝導度の相関関係はｙ＝０．９８９ｘ+０．７０７であり、決定係数Ｒ２が０．９６０であった。
電気伝導度は、従来の公定法では土壌ｐＨと同様にガラス電極法により測定するため、処理済ＩＣＰ発光スペクトルデータ４１とは直接的な関係性は無いものと考えられる。しかしながら、上記実施例においては、土壌診断に向けた電気伝導度の予測値としては十分な精度で予測が可能であることが判明した。電気伝導度は、処理済ＩＣＰ発光スペクトルデータ４１によって検出された１Ｍ酢酸アンモニウム溶液の抽出液中の溶出イオン総量と相関があることにより十分な精度で予測できたと推定される。
(Electrical conductivity prediction results)
As shown in Table 1, electrical conductivity (EC) measurements were taken on a total of 1,941 samples, broken down by country as follows: Burkina Faso (1,073 samples), Laos (334 samples), Japan (298 samples), Mozambique (115 samples), Palau (59 samples), Madagascar (49 samples), and the Philippines (13 samples).
9 is a graph showing the relationship between the predicted and measured electrical conductivity (mS/m). The correlation between the electrical conductivity was y=0.989x+0.707, and the coefficient of determination R2 was 0.960.
In the conventional official method, electrical conductivity is measured by the glass electrode method, similar to soil pH, and therefore is considered to have no direct relationship with the processed ICP
（ＣＥＣ（交換性塩基容量）の予測結果）
表１に示すように、ＣＥＣの実測は合計１９４１試料を対象とし、国別の内訳はブルキナファソ（１０７４試料)、ラオス（３３４試料）、日本（２９８試料）、モザンビーク（１１５試料）、パラオ（５９試料）、マダガスカル（４９試料）、フィリピン（１３試料）である。
図１０は、ＣＥＣの予測値と実測値との関係図である。ＣＥＣの相関関係はｙ＝０．９２４ｘ+０．９８４であり、決定係数Ｒ２が０．９１１であった。これにより、上記実施例においては、土壌診断に向けたＣＥＣの予測値としては十分な精度で予測が可能であることが判明した。これは、ＣＥＣが図５に示した交換性塩基（Ｃａ、Ｍｇ、Ｋ、Ｎa）と図６に示した交換性Ａｌの和によって、一定の予測が出来ることが知られており、交換性塩基の予測値と交換性Ａｌの予測値との相互関係から精度良く予測されていると推定される。
(Prediction of CEC (Exchangeable Base Capacity))
As shown in Table 1, CEC's actual measurements covered a total of 1,941 samples, broken down by country as follows: Burkina Faso (1,074 samples), Laos (334 samples), Japan (298 samples), Mozambique (115 samples), Palau (59 samples), Madagascar (49 samples), and the Philippines (13 samples).
FIG. 10 is a relationship diagram between the predicted value and the measured value of CEC. The correlation of CEC was y = 0.924x + 0.984, and the coefficient of determination R2 was 0.911. As a result, it was found that in the above example, the predicted value of CEC for soil diagnosis can be predicted with sufficient accuracy. It is known that CEC can be predicted to a certain extent by the sum of the exchangeable bases (Ca, Mg, K, Na) shown in FIG. 5 and the exchangeable Al shown in FIG. 6, and it is presumed that the predicted value of the exchangeable bases and the predicted value of the exchangeable Al are predicted with high accuracy from the correlation between them.
（全炭素（ＴＣ）の予測結果)
表１に示すように、全炭素の実測は合計１８１５試料を対象とし、国別の内訳はブルキナファソ（９４７試料)、ラオス（３３４試料）、日本（２９８試料）、モザンビーク（１１５試料）、パラオ（５９試料）、マダガスカル（４９試料）、フィリピン（１３試料）である。
図１１は全炭素（ＴＣ）の予測値と実測値との関係図である。全炭素の相関関係はｙ＝０．８６６ｘ+０．１６４であり、決定係数Ｒ２が０．８１２であった。
実施例の抽出液であるＮＨ４ＯＡｃは、炭素を多く含む１Ｍ酢酸アンモニウム溶液であり、関連するＩＣＰ発光スペクトルをマスクして予測の妨げとなることが考えられたが、図１１に示すように全炭素についても一定程度の予測が可能であることが判明した。
(Total carbon (TC) prediction results)
As shown in Table 1, total carbon measurements were conducted on a total of 1,815 samples, broken down by country as follows: Burkina Faso (947 samples), Laos (334 samples), Japan (298 samples), Mozambique (115 samples), Palau (59 samples), Madagascar (49 samples), and the Philippines (13 samples).
Figure 11 shows the relationship between predicted and measured values of total carbon (TC). The correlation for total carbon was y = 0.866x + 0.164, with a coefficient of determination R2 of 0.812.
The extraction solution in the examples, NH 4 OAc, is a 1 M ammonium acetate solution that contains a lot of carbon. It was thought that this would mask the relevant ICP emission spectrum and hinder predictions, but it was found that it was possible to predict total carbon to a certain extent, as shown in Figure 11.
（全窒素（ＴＮ）の予測結果)
表１に示すように、全窒素の実測は合計１８１５試料を対象とし、国別の内訳はブルキナファソ（９４７試料)、ラオス（３３４試料）、日本（２９８試料）、モザンビーク（１１５試料）、パラオ（５９試料）、マダガスカル（４９試料）、フィリピン（１３試料）である。
図１２は全窒素（ＴＮ）の予測値と実測値との関係図である。全窒素の相関関係はｙ＝０．９０５ｘ+０．０１０であり、決定係数Ｒ２が０．９５６であった。実施例の抽出液であるＮＨ４ＯＡｃは、窒素を多く含む１Ｍ酢酸アンモニウム溶液であり、関連するＩＣＰ発光スペクトルをマスクして予測の妨げとなることが考えられたが、図１２に示すように全窒素についても一定程度の予測が可能であることが判明した。
(Total nitrogen (TN) prediction results)
As shown in Table 1, a total of 1,815 samples were measured for total nitrogen, broken down by country as follows: Burkina Faso (947 samples), Laos (334 samples), Japan (298 samples), Mozambique (115 samples), Palau (59 samples), Madagascar (49 samples), and the Philippines (13 samples).
Figure 12 is a relationship diagram between the predicted value and the measured value of total nitrogen (TN). The correlation of total nitrogen was y = 0.905x + 0.010, and the coefficient of determination R2 was 0.956. The extract NH4OAc in the example is a 1M ammonium acetate solution containing a lot of nitrogen, and it was thought that it would mask the related ICP emission spectrum and hinder prediction, but as shown in Figure 12, it was found that a certain degree of prediction is possible for total nitrogen as well.
全炭素及び全窒素は、土壌が含有する有機物量を反映しており、従来の公定法では乾式燃焼法によって定量され、ＩＣＰ発光スペクトルとの関係性は低いものであった。しかしながら、上記実施例で説明したように全炭素及び全窒素が所定の精度で予測できた理由として、ＩＣＰ発光スペクトルにおいて炭素に特徴的な波長が発光するとの報告があり、当該波長と有機物の安定化に寄与する種々のイオン濃度から予測された可能性があると推定される。 Total carbon and total nitrogen reflect the amount of organic matter contained in soil, and in the conventional official method, they are quantified by dry combustion, and there is little correlation with the ICP emission spectrum. However, as explained in the above example, the reason why total carbon and total nitrogen could be predicted with a certain degree of accuracy is that it has been reported that carbon emits wavelengths characteristic of carbon in the ICP emission spectrum, and it is presumed that the predictions could be made from these wavelengths and the concentrations of various ions that contribute to the stabilization of organic matter.
（粒径組成の予測結果)
表１に示すように、粒径組成の内砂画分量の実測は合計８５８試料を対象とし、国別の内訳はブルキナファソ（３４８試料)、ラオス（３３４試料）、日本（４８試料）、モザンビーク（１１５試料）、パラオ（０試料）、マダガスカル（０試料）、フィリピン（１３試料）である。粒径組成の内粘土画分量の実測は合計８５２試料を対象とし、国別の内訳はブルキナファソ（３４２試料)とした以外の他の国の試料数は、砂画分量と同じである。
図１３は、土壌の粒径組成の予測値と実測値との関係図であり、（ａ）は砂画分量（％）、（ｂ）は粘土画分量（％）を示す。砂画分量の相関関係はｙ＝０．９６２ｘ+１．０４３であり、決定係数Ｒ２が０．８７１であった。図１３（ｂ）に示すように、粘土画分量の相関関係はｙ＝０．８６１ｘ+４．１６６であり、決定係数Ｒ２が０．８４６であった。
図１３に示すように土壌の粒径組成として、砂画分量及び粘土画分量についても一定程度の予測が可能であることが判明した。
(Prediction results of particle size composition)
As shown in Table 1, the actual measurement of the internal sand fraction of grain size composition was conducted for a total of 858 samples, broken down by country as follows: Burkina Faso (348 samples), Laos (334 samples), Japan (48 samples), Mozambique (115 samples), Palau (0 samples), Madagascar (0 samples), and the Philippines (13 samples). The actual measurement of the internal clay fraction of grain size composition was conducted for a total of 852 samples, broken down by country as follows: Burkina Faso (342 samples), and the number of samples from other countries is the same as that for the sand fraction.
Figure 13 shows the relationship between the predicted and measured particle size distribution of soil, where (a) shows the sand fraction (%) and (b) shows the clay fraction (%). The correlation of the sand fraction was y = 0.962x + 1.043, and the coefficient of determination R2 was 0.871. As shown in Figure 13(b), the correlation of the clay fraction was y = 0.861x + 4.166, and the coefficient of determination R2 was 0.846.
As shown in FIG. 13, it was found that it is possible to predict to a certain degree the amount of sand fraction and the amount of clay fraction as part of the soil particle size composition.
土壌が含有する砂画分量及び粘土画分量は、土壌の物理的性質を示し、これらの従来の定量分析は、粒子径によって水中沈降速度が変化することを利用した物理的手法によって定量されており、ＩＣＰ発光スペクトルとの関係性は低いものであった。しかしながら、上記実施例で説明したように砂画分量及び粘土画分量が所定の精度で予測できた理由として、砂画分量および粘土画分量の差異により、土壌中のＦｅやＡｌ等の１Ｍ酢酸アンモニウム溶液への溶出特性が変化し、これらのＩＣＰ発光スペクトルから予測がされたものと推測される。 The sand and clay fractions contained in soil indicate the physical properties of the soil, and conventional quantitative analysis of these has been carried out using physical methods that utilize the change in underwater settling speed due to particle size, and there has been little correlation with ICP emission spectra. However, as explained in the above example, the reason why the sand and clay fraction amounts could be predicted with a certain degree of accuracy is presumably because the differences in the sand and clay fraction amounts cause changes in the elution characteristics of Fe, Al, etc. in the soil into 1M ammonium acetate solution, and these predictions were made from the ICP emission spectra.
本発明はその趣旨を逸脱しない範囲において様々な形態で実施することができる。
例えば、上述した実施形態においては、対象としなかった、可溶性Ｆｅ（鉄）、交換性Ｍｎ（マンガン）、可溶性Ｚｎ（亜鉛）、リン酸吸収係数、硝酸態窒素量、アンモニア態窒素量などの分析項目についても、Ｆｅ、Ｍｎ、ＺｎはＩＣＰ発光スペクトルで分析できる元素であり、リン酸吸収係数、硝酸態窒素量、アンモニア態窒素量について土壌ｐＨや交換性Ａｌ、全窒素等の関連の分析項目が高精度で予測されているので、深層学習で実測値と共に学習をすれば、同様に予測が可能であることが強く推定される。
The present invention can be embodied in various forms without departing from the spirit of the present invention.
For example, with regard to analytical items such as soluble Fe (iron), exchangeable Mn (manganese), soluble Zn (zinc), phosphate absorption coefficient, nitrate nitrogen amount, and ammonia nitrogen amount, which were not targeted in the above-described embodiment, Fe, Mn, and Zn are elements that can be analyzed by ICP emission spectroscopy, and the phosphate absorption coefficient, nitrate nitrogen amount, and ammonia nitrogen amount are predicted with high accuracy in relation to related analytical items such as soil pH, exchangeable Al, and total nitrogen. Therefore, it is strongly presumed that similar predictions will be possible if deep learning is used to learn the values together with actual measurements.
例えば、Ｆｅの予測は、以下に示す公定法によりＦｅの実測値を取得し、取得した全波長スペクトルデータとＦｅの実測値とにより学習データの作成を行い、学習をした後で評価用データの分析を行うことにより、交換性塩基（Ｃａ、Ｍｇ、Ｎａ、Ｋ）と同様にＦｅの予測が可能となる。 For example, Fe can be predicted by obtaining actual measured values of Fe using the official method shown below, creating learning data using the obtained full-wavelength spectrum data and the actual measured values of Fe, and analyzing the evaluation data after learning, making it possible to predict Fe in the same way as exchangeable bases (Ca, Mg, Na, K).
可溶性Ｆｅ、交換性Ｍｎ、可溶性Ｚｎ、リン酸吸収係数、硝酸態窒素量、アンモニア態窒素量などの実測値の取得方法を以下に示す。
可溶性Ｆｅ：
土壌試料１．００ｇに対して、ｐＨ３．０の０．２Ｍ酸性シュウ酸溶液１００ｍＬを添加し、室温（約２０℃）且つ暗条件で４時間振とうする。この試料液約２５ｍＬを容積５０ｍＬの遠沈管に取り、高分子凝集剤（例えばアコフロック（登録商標），ＭＴアクアポリマー株式会社製）を１滴加えて振り混ぜ、２０００から５０００ｒｐｍで１０分間遠心分離する。得られた上澄み液のＦｅ濃度をＩＣＰ発光分析装置で定量する。
交換性Ｍｎ：
土壌試料５ｇに対して５０ｍＬのｐＨ７で１ＭのＮＨ４ＯＡｃ溶液を添加し、１時間振とうした後、放置または遠心分離して得られた上澄み液をろ過する。得られたろ液中のＭｎ濃度をＩＣＰ発光分光分析装置により定量する。
可溶性Ｚｎ：
土壌試料１０ｇに対して５０ｍＬの０．１ＭＨＣｌ溶液を添加し、恒温水平振り混ぜ機で３０℃に保ち、１時間振り混ぜた後、乾燥ろ紙でろ過し、得られたろ液中のＺｎ濃度をＩＣＰ発光分光分析装置で定量する。
リン酸吸収係数：
一定濃度のリン酸溶液を土壌に添加し、２４時間後の抽出溶液中のリン酸量を定量することで、土壌に吸着されたリン酸量を測定する。例えば、１Ｌ（リットル）当たり１３．４４ｇのＰ２Ｏ５（１３．４４ｇ／Ｌ）のリン酸アンモニウム溶液を土壌に添加した後、適宜、振り混ぜながら２４時間放置し、乾燥ろ紙を用いてろ過し、得られた抽出液のリン酸量をバナドモリブデン酸法などのリン酸定量法で定量することで、土壌に吸着したリン酸量を計算する。
硝酸態窒素量：
土壌試料に２ＭＫＣｌを添加し、１時間振とうした後、上澄み液をろ過し、抽出液中の硝酸態窒素量を、銅・カドミウム還元－ナフチルエチレンジアミン吸光光度法によって定量する。
アンモニア態窒素量：
土壌試料に２ＭＫＣｌを添加し、１時間振とうした後、上澄み液をろ過し、抽出液中の硝酸態窒素量を、サリチル酸吸光光度法で定量する。
The methods for obtaining actual values of soluble Fe, exchangeable Mn, soluble Zn, phosphate absorption coefficient, amount of nitrate nitrogen, amount of ammonia nitrogen, etc. are shown below.
Soluble Fe:
Add 100 mL of 0.2 M acidic oxalic acid solution with pH 3.0 to 1.00 g of soil sample, and shake for 4 hours at room temperature (about 20°C) in the dark. Take about 25 mL of this sample solution in a 50 mL centrifuge tube, add one drop of polymer flocculant (e.g., Acofloc (registered trademark), manufactured by MT Aqua Polymer Co., Ltd.), shake, and centrifuge at 2000 to 5000 rpm for 10 minutes. The Fe concentration of the resulting supernatant is quantified using an ICP emission analyzer.
Exchangeable Mn:
50 mL of 1 M NH 4 OAc solution at pH 7 is added to 5 g of soil sample, shaken for 1 hour, and then left to stand or centrifuged to obtain a supernatant, which is then filtered. The Mn concentration in the filtrate is quantified using an ICP emission spectrometer.
Soluble Zn:
Add 50 mL of 0.1 M HCl solution to 10 g of soil sample, keep the temperature at 30° C. using a thermostatic horizontal shaker, shake for 1 hour, then filter through dry filter paper, and quantify the Zn concentration in the resulting filtrate using an ICP emission spectrometer.
Phosphate absorption coefficient:
The amount of phosphate adsorbed to the soil is measured by adding a phosphate solution of a certain concentration to the soil and quantifying the amount of phosphate in the extract after 24 hours. For example, ammonium phosphate solution of 13.44 g P2O5 per 1 L (13.44 g/L) is added to the soil, left to stand for 24 hours while shaking appropriately, filtered using dry filter paper, and the amount of phosphate in the obtained extract is quantified using a phosphate quantification method such as the vanadomolybdic acid method to calculate the amount of phosphate adsorbed to the soil.
Nitrate nitrogen content:
2M KCl is added to the soil sample and the mixture is shaken for 1 hour. The supernatant is then filtered and the amount of nitrate nitrogen in the extract is quantified by copper-cadmium reduction-naphthylethylenediamine absorptiometry.
Ammonia nitrogen content:
2M KCl is added to the soil sample and the mixture is shaken for 1 hour. The supernatant is then filtered and the amount of nitrate nitrogen in the extract is quantified by salicylic acid absorptiometry.
さらに、深層学習後の新規の被測定土壌の測定においては、第八のステップで取得した全波長スペクトルデータと、第九のステップで取得した所定の分析項目の予測値とを学習用データとしてもよい。 Furthermore, when measuring new soil samples after deep learning, the full wavelength spectrum data obtained in the eighth step and the predicted values of the specified analysis items obtained in the ninth step may be used as learning data.
１ 土壌分析装置
１０ ＩＣＰ分析部
２０ 土壌分析部
２１ ＩＣＰ発光スペクトル処理部
２２ 制御部
３０ データ処理部
３１ 入出力インターフェース部
３２ 記憶装置
３３ 記憶部
３４ 予測部
４１ 入力データ
４２ 入力層
４２ａ 入力ユニット
４３ 中間層
４３ａ 中間ユニット
４４ 出力層
４５ 出力データ
REFERENCE SIGNS LIST 1
Claims (6)
プラズマ発光分光分析により前記土壌抽出液の全波長スペクトルデータを取得すると共に、前記プラズマ発光分光分析により被測定土壌のＣａ、Ｍｇ、Ｎａ、Ｋからなる交換性塩基の実測値を取得する第二のステップと、
前記交換性塩基以外の分析項目の実測値を公定法により取得する第三のステップと、
前記全波長スペクトルデータと前記交換性塩基及び前記交換性塩基以外の分析項目の実測値とを用いて、深層学習により学習を行う第四のステップと、
新規の被測定土壌を所定の抽出液を用いて新規の土壌抽出液とする第七のステップと、
前記プラズマ発光分光分析により前記新規の土壌抽出液の全波長スペクトルデータを取得する第八のステップと、
前記第八のステップで取得した全波長スペクトルデータと、前記深層学習で取得した学習用データとを用いて、前記新規の被測定土壌の所定の分析項目の予測値を算出する第九のステップと、
を、備え、
前記交換性塩基以外の分析項目は、ｐＨ、電気伝導率、有効態リン、全炭素、全窒素、交換性Ａｌ、ＣＥＣ、粒径組成、可溶性Ｆｅ、交換性Ｍｎ、可溶性Ｚｎ、リン酸吸収係数、硝酸態窒素量及びアンモニア態窒素量を含み、
前記所定の分析項目は、交換性塩基（Ｃａ、Ｍｇ、Ｎａ、Ｋ）、ｐＨ、電気伝導率、有効態リン、全炭素、全窒素、交換性Ａｌ、ＣＥＣ、粒径組成、可溶性Ｆｅ、交換性Ｍｎ、可溶性Ｚｎ、リン酸吸収係数、硝酸態窒素量及びアンモニア態窒素量を含む、プラズマ発光分光分析を用いた土壌診断方法。 A first step of preparing a soil extract from a soil sample to be measured for acquiring learning data using a predetermined extracting solution;
a second step of acquiring full wavelength spectrum data of the soil extract by plasma emission spectrometry and acquiring actual values of exchangeable bases consisting of Ca, Mg, Na, and K in the soil to be measured by the plasma emission spectrometry;
a third step of obtaining actual values of analytical items other than the exchangeable base by an official method;
A fourth step of performing learning by deep learning using the full wavelength spectrum data and the actual measured values of the exchangeable bases and analysis items other than the exchangeable bases;
a seventh step of preparing a new soil extract from the new soil sample using a predetermined extract;
An eighth step of acquiring full wavelength spectrum data of the novel soil extract by plasma emission spectrometry;
A ninth step of calculating a predicted value of a predetermined analysis item of the new measured soil using the full wavelength spectrum data acquired in the eighth step and the learning data acquired by the deep learning;
With
The analysis items other than the exchangeable base include pH, electrical conductivity, available phosphorus, total carbon, total nitrogen, exchangeable Al, CEC, particle size composition, soluble Fe, exchangeable Mn, soluble Zn, phosphate absorption coefficient, amount of nitrate nitrogen, and amount of ammonia nitrogen.
The specified analysis items include exchangeable bases (Ca, Mg, Na, K), pH, electrical conductivity, available phosphorus, total carbon, total nitrogen, exchangeable Al, CEC, particle size composition, soluble Fe, exchangeable Mn, soluble Zn, phosphate absorption coefficient, amount of nitrate nitrogen, and amount of ammonia nitrogen , in a soil diagnostic method using plasma optical emission spectrometry.
前記第五のステップにおいて、深層学習を終了してよいと判定された場合には、前記深層学習に用いた学習用データをデータセットとして格納する第六のステップと、
を備え、
前記第九のステップでは、前記第八のステップで取得した全波長スペクトルデータと、前記第五のステップで取得した学習用データとを用いて、前記新規の被測定土壌の所定の分析項目の予測値を算出する、請求項１から４の何れかに記載のプラズマ発光分光分析を用いた土壌診断方法。 A fifth step of determining whether or not to terminate the deep learning after the fourth step ;
In the fifth step, if it is determined that the deep learning may be terminated, a sixth step of storing the learning data used in the deep learning as a dataset;
Equipped with
A soil diagnostic method using plasma optical emission spectrometry as described in any one of claims 1 to 4, wherein in the ninth step, predicted values of specified analysis items of the newly measured soil are calculated using the full-wavelength spectral data acquired in the eighth step and the learning data acquired in the fifth step.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021092618A JP7464284B2 (en) | 2021-06-01 | 2021-06-01 | Soil diagnostic method using plasma emission spectrometry |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021092618A JP7464284B2 (en) | 2021-06-01 | 2021-06-01 | Soil diagnostic method using plasma emission spectrometry |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022184647A JP2022184647A (en) | 2022-12-13 |
| JP7464284B2 true JP7464284B2 (en) | 2024-04-09 |
Family
ID=84437567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021092618A Active JP7464284B2 (en) | 2021-06-01 | 2021-06-01 | Soil diagnostic method using plasma emission spectrometry |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7464284B2 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102675928B1 (en) * | 2023-03-14 | 2024-06-21 | 메타오가닉테크놀러지(주) | Method and apparatus for fertilizer by using ultrafine bubble |
| CN117147526B (en) * | 2023-10-31 | 2024-02-06 | 西北师范大学 | Rapid detection method of soil pH value in large area |
| US20260079148A1 (en) * | 2023-11-15 | 2026-03-19 | Aramco Innovations LLC | Method for detecting trace metal anomalies for geochemical exploration of hydrocarbon from oil resources |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013064603A (en) | 2011-09-15 | 2013-04-11 | Gunma Univ | Heavy metal analyzer and heavy metal analysis method |
| JP2013524237A (en) | 2010-04-05 | 2013-06-17 | アプライド・リサーチ・アソシエイツ，インコーポレーテッド | A method for forming recognition algorithms for laser-induced breakdown spectroscopy |
| CN107044976A (en) | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | Heavy metal content in soil analyzing and predicting method based on LIBS Yu stack RBM depth learning technologies |
| CN108596246A (en) | 2018-04-23 | 2018-09-28 | 浙江科技学院 | The method for building up of soil heavy metal content detection model based on deep neural network |
| CN109374860A (en) | 2018-11-13 | 2019-02-22 | 西北大学 | A Soil Nutrient Prediction and Comprehensive Evaluation Method Based on Machine Learning Algorithm |
| JP2022134096A (en) | 2021-03-02 | 2022-09-14 | 国立研究開発法人農業・食品産業技術総合研究機構 | Estimation method and estimation device of soil available nutrient concentration, and creation method and creation device of estimation model |
-
2021
- 2021-06-01 JP JP2021092618A patent/JP7464284B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013524237A (en) | 2010-04-05 | 2013-06-17 | アプライド・リサーチ・アソシエイツ，インコーポレーテッド | A method for forming recognition algorithms for laser-induced breakdown spectroscopy |
| JP2013064603A (en) | 2011-09-15 | 2013-04-11 | Gunma Univ | Heavy metal analyzer and heavy metal analysis method |
| CN107044976A (en) | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | Heavy metal content in soil analyzing and predicting method based on LIBS Yu stack RBM depth learning technologies |
| CN108596246A (en) | 2018-04-23 | 2018-09-28 | 浙江科技学院 | The method for building up of soil heavy metal content detection model based on deep neural network |
| CN109374860A (en) | 2018-11-13 | 2019-02-22 | 西北大学 | A Soil Nutrient Prediction and Comprehensive Evaluation Method Based on Machine Learning Algorithm |
| JP2022134096A (en) | 2021-03-02 | 2022-09-14 | 国立研究開発法人農業・食品産業技術総合研究機構 | Estimation method and estimation device of soil available nutrient concentration, and creation method and creation device of estimation model |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022184647A (en) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7464284B2 (en) | Soil diagnostic method using plasma emission spectrometry | |
| Guezenoc et al. | Critical review and advices on spectral-based normalization methods for LIBS quantitative analysis | |
| Zhang et al. | Predicting cadmium concentration in soils using laboratory and field reflectance spectroscopy | |
| Riedel et al. | Prediction of soil parameters using the spectral range between 350 and 15,000 nm: A case study based on the Permanent Soil Monitoring Program in Saxony, Germany | |
| Andrade et al. | Micronutrients prediction via pXRF spectrometry in Brazil: Influence of weathering degree | |
| Zhou et al. | Nondestructive testing and visualization of compound heavy metals in lettuce leaves using fluorescence hyperspectral imaging | |
| Goranov et al. | TEnvR: MATLAB-based toolbox for environmental research | |
| Andrade et al. | Tropical soil order and suborder prediction combining optical and X-ray approaches | |
| dos Santos et al. | Comparison between energy dispersive X-ray fluorescence spectral data and elemental data for soil attributes modelling | |
| CN115931828B (en) | Component analysis and prediction method, unit and system suitable for complex soil matrix | |
| Wang et al. | Prediction of N, P, and K contents in sugarcane leaves by VIS-NIR spectroscopy and modeling of NPK interaction effects | |
| Araújo et al. | Soil contaminated with chromium by tannery sludge and identified by vis-NIR-mid spectroscopy techniques | |
| Slonecker | Analysis of the effects of heavy metals on vegetation hyperspectral reflectance properties | |
| Breure et al. | Transfer functions for phosphorus and potassium soil tests and implications for the QUEFTS model | |
| Capobianco et al. | The use of micro-energy dispersive X-ray fluorescence spectrometry combined with a multivariate approach to determine element variation and distribution in tobacco seedlings exposed to arsenate | |
| Srivastava et al. | Soil chemical properties estimation using hyperspectral remote sensing: A review | |
| CN121027016A (en) | A method and apparatus for river water quality testing and analysis for river environmental protection. | |
| CN118169106B (en) | Data screening and multi-element quantitative analysis method based on calibration-free LIBS technology | |
| Hartono et al. | Development of quick test method for soil pH, nitrate, phosphorus, and potassium combining chemicals and phone cellular application | |
| CN119438105A (en) | A soil salinization monitoring method and system based on aerospace hyperspectral remote sensing | |
| Zarei et al. | Development and application of novel risk indices for assessing heavy metal pollution in aquatic sediments | |
| Ichsan et al. | The best performing color space and machine learning regression algorithm for the accurate estimation of chromium (VI) and iron (III) in aqueous samples using low-cost and portable flatbed scanner colorimetry | |
| Dibi et al. | Use of fluorescence and reflectance spectra for predicting okra (Abelmoschus esculentus) yield and macronutrient contents of leaves | |
| Mikkelsen et al. | Advances in assessing nutrient availability in soils | |
| Dasgupta et al. | Contemporary use of sensors for soil qualitative and quantitative assessment in the context of climate change |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231030 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20231030 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20231030 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20231101 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231129 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240116 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240226 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240312 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240321 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7464284 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |