Ключевые слова:
- механический состав почвы
- модели искусственного интеллекта
- дистанционное зондирование
- анализ почвы
- моделирование
Аннотация
В этой статье рассматривается использование технологий искусственного интеллекта (ИИ) для анализа текстуры почвы (механического состава) на основе моделей машинного обучения и данных дистанционного зондирования. Для оценки производительности модели использовались четыре набора данных, объединяющие архивные и недавние данные со спектральными индексами. Алгоритм AdaBoost достиг наивысшей точности (68,2%) для прогнозирования текстуры почвы. Результаты показывают, что модели ИИ, особенно те, которые включают как исторические, так и недавние данные, предоставляют точные и масштабируемые решения для анализа текстуры почвы, внося значительный вклад в точное земледелие и устойчивое управление 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.
Wälder, K., Wälder, O., Rinklebe, J., & Menz, J. (2008). Estimation of soil properties with geostatistical methods in floodplains. Archives of Agronomy and Soil Science, 54(3), 275-295. https://doi.org/10.1080/03650340801900617.
Hengl, T., et al. (2015). Mapping soil properties of Africa at 250 m resolution. PLoS One, 10(6), e0125814.
Taghizadeh-Mehrjardi, R., et al. (2016). Digital mapping of soil organic carbon at multiple depths. Geoderma, 266, 98-110.
McBratney, A.B., et al. (2003). On digital soil mapping. Geoderma, 117 (1-2), 3-52.
