Ключевые слова:
- гумус почвы
- питательные вещества
- модели искусственного интеллекта
- дистанционное зондирование
- плодородие почвы
- моделирование
Аннотация
В данной статье рассматривается использование технологий искусственного интеллекта (ИИ) для анализа содержания гумуса и питательных веществ в почве (подвижных форм фосфора и калия), с использованием моделей машинного обучения и данных дистанционного зондирования. Были использованы четыре набора данных, объединяющие архивные и свежие данные с включением спектральных индексов, для оценки производительности моделей. Ridge Classifier и Logistic Regression достигли наибольшей точности (75,0%) при прогнозировании гумуса, в то время как Random Forest показал наилучшие результаты для фосфора (66,7%) и калия (54,7%). Результаты показали, что ИИ-модели, особенно при объединении исторических и новых данных, обеспечивают точные и масштабируемые решения для анализа почвы, что открывает значительные перспективы для точного земледелия и устойчивого управления земельными ресурсами.
Библиографические ссылки
McBratney, A.B., Santos, M.M., & Minasny, B. (2003). On digital soil mapping. Geoderma, 117 (1-2), 3-52. https://doi.org/10.1016/S0016-7061(03)00223-4.
Minasny, B., McBratney, A.B., Malone, B.P., & Wheeler, I. (2013). Digital mapping of soil carbon. In: Sparks, D.L. (Ed.), Advances in Agronomy, 118, 1-47. Academic Press. https://doi. org/10.1016/B978-0-12-405942-9.00001-7.
Hengl, T., Heuvelink, G.B.M., Kempen, B., Leenaars, J.G.B., Walsh, M.G., Shepherd, K.D., et al. (2015). Mapping soil properties of Africa at 250 m resolution: Random forests significantly improve current predictions. PLoS One, 10(6), e0125814. https://doi.org/10.1371/ journal.pone.0125814.
Malone, B.P., McBratney, A.B., Minasny, B., & Laslett, G. (2009). Mapping continuous depth functions of soil carbon storage and available water capacity. Geoderma, 154(1-2), 138-152. https://doi.org/10.1016/j.geoderma.2009.10.020.
Lacoste, M., Minasny, B., McBratney, A.B., Michot, D., Viaud, V., & Walter, C. (2014). High resolution 3D mapping of soil organic carbon in a heterogeneous agricultural landscape. Geoderma, 213, 296-311. https://doi.org/10.1016/j.geoderma.2013.07.002.
Wälder, K., Wälder, O., Rinklebe, J., & Menz, J. (2008). Estimation of soQil properties with geostatistical methods in floodplains. Archives of Agronomy and Soil Science, 54(3), 275-295. https://doi.org/10.1080/03650340801900617.
Taghizadeh-Mehrjardi, R., Minasny, B., Sarmadian, F., & Malone, B.P. (2014). Digital mapping of soil salinity in Ardakan region, central Iran. Geoderma, 213, 15-28. https://doi.org/10.1016/j. geoderma.2013.07.020.
Pahlavan-Rad, M.R., & Akbarimoghaddam, A. (2018). Spatial variability of soil texture fractions and pH in a flood plain (case study from eastern Iran). Catena, 160, 275-281. https://doi.org/10.1016/j.catena.2017.10.024.
Taghizadeh-Mehrjardi, R., Nabiollahi, K., & Kerry, R. (2016). Digital mapping of soil organic carbon at multiple depths using different data mining techniques in Baneh region, Iran. Geoderma, 266, 98-110. https://doi.org/10.1016/j.geoderma.2016.03.017.
