DOI: https://doi.org/10.1038/s41598-025-96216-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40216855
تاريخ النشر: 2025-04-11
المؤلف: Pierfrancesco Novielli وآخرون
الموضوع الرئيسي: ديناميات الكربون والنيتروجين في التربة
نظرة عامة
تتناول هذه الدراسة القضية الحرجة للاحتباس الحراري، المدفوع أساسًا بزيادة غازات الدفيئة مثل ثاني أكسيد الكربون (CO₂). يركز البحث على فهم استجابات التربة لارتفاع درجات الحرارة، خصوصًا من خلال عدسة Q₁₀، التي تقيس الزيادة في إطلاق CO₂ بسبب ارتفاع درجة الحرارة بمقدار 10 درجات مئوية. تستخدم الدراسة الذكاء الاصطناعي القابل للتفسير (XAI) للتنبؤ بحساسية تنفس التربة (Q₁₀) وتحديد العوامل المؤثرة، وسط تعقيدات التفاعلات البيوكيميائية والميكروبية والبيئية.
باستخدام نماذج التعلم الآلي، حققت الدراسة دقة قدرها 0.813 ± 0.007 و دقة قدرها 0.812 ± 0.008، مع قيم AUC-ROC و AUC-PRC تبلغ 0.884 ± 0.003 و 0.883 ± 0.007، على التوالي. تشمل المتنبئات الرئيسية التي تم تحديدها من خلال قيم SHAP تنفس التربة الناتج عن الجلوكوز ونسبة البكتيريا المرتبطة بـ Q₁₀. بالإضافة إلى ذلك، تم استخدام تقنيات t-SNE والتجميع لتصنيف التربة ذات Q₁₀ المنخفض إلى مجموعات فرعية، مما يبرز تلك المعرضة لخطر أكبر في الانتقال إلى حالات Q₁₀ أعلى. تؤكد النتائج على فائدة XAI في تعزيز قابلية تفسير النموذج وتقدم رؤى عملية لإدارة انبعاثات الكربون من التربة، مما يساهم في استراتيجيات المرونة المناخية في الزراعة.
الطرق
في هذا القسم، يوضح المؤلفون المواد والأساليب المستخدمة في تحليل عينات التربة التي تم جمعها من مسح عالمي. تتكون مجموعة البيانات من 332 عينة تربة فريدة، تمثل نظم بيئية متنوعة عبر 29 دولة وتغطي سبع قارات. تم جمع العينات من عمق 0-10 سم، مما يلتقط الطبقة النشطة بيولوجيًا من التربة، وتم تجانسها من عدة نوى لضمان التمثيل. تشمل الظروف المناخية للعينات مجموعة من البيئات، مع متوسط درجات حرارة سنوية (MAT) تتراوح من -7 °C إلى 30 °C ومتوسط هطول الأمطار السنوي (MAP) من 50 إلى 4,500 مم/سنة.
تتضمن التحليل 27 عاملاً مميزًا يتعلق بالخصائص البيئية، والميكروبات التربة، والثبات البيوكيميائي، ومستويات الركيزة، وعناصر الحماية المعدنية. تشمل المعلمات الرئيسية خصائص التربة مثل الرقم الهيدروجيني، والموصلية الكهربائية، ونسب الكربون العضوي، إلى جانب البيانات المناخية والمعلومات الجغرافية. تحتوي مجموعة البيانات أيضًا على قيمة Q10 لكل عينة، تشير إلى حساسية تنفس التربة لتغيرات درجة الحرارة. بالإضافة إلى ذلك، يتم تقييم التنوع والأنشطة الميكروبية من خلال قياسات الكتلة الحيوية الميكروبية وغنى الأنواع البكتيرية والفطرية والبروتينية، مما يوفر رؤى حول تأثير ارتفاع درجة حرارة التربة على عمليات التنفس.
النتائج
في هذه الدراسة، تم استخدام نماذج التعلم الآلي القابلة للتفسير للتحقيق في العلاقات بين الخصائص البيوكيميائية والميكروبية والبيئية للتربة فيما يتعلق بقيم Q10. كشفت التحليلات عن مجموعات فرعية متميزة من التربة ذات Q10 المنخفض مع احتمالات متفاوتة للانتقال إلى Q10 العالي، تم تحديدها من خلال تضمينات قائمة على SHAP. أظهرت مصنفات التعلم الآلي أداءً قويًا، مع دقة متوسطة قدرها 0.813، ودقة قدرها 0.812، ومنطقة تحت منحنى ROC (AuROC) قدرها 0.884، مما يدل على قدرة تنبؤية قوية. أبرز مخطط ملخص SHAP التأثير الكبير لنسبة الأنواع البكتيرية المرتبطة إيجابيًا بـ Q10 وكتلة الميكروبات على حساسية Q10، إلى جانب ميزات أخرى مهمة مثل محتوى الكربون العضوي في التربة والعوامل البيئية مثل وجود الغابات ودرجة حموضة التربة.
أظهر التحليل الإضافي باستخدام t-SNE على قيم SHAP فصلًا واضحًا بين التربة ذات Q10 العالي والمنخفض، مع مسافة مركزية قدرها 20.59، أكبر بكثير من 5.22 التي لوحظت في فضاء الميزات المدخلة. سمح هذا الفصل المحسن بتجميع التربة ذات Q10 المنخفض إلى ست مجموعات فرعية متميزة، حيث أسفر التجميع باستخدام K-means عن أفضل تصنيفات محددة. أظهرت المجموعات 4 و 6 و 2 احتمالات أعلى للانتقال إلى Q10 العالي، بينما أظهرت المجموعات 1 و 3 احتمالات أقل. أشارت مخططات الصندوق للمتغيرات الرئيسية إلى أن مستويات أعلى من الكتلة الحيوية الميكروبية والأنواع البكتيرية المرتبطة إيجابيًا بـ Q10 كانت مرتبطة بالمجموعات ذات احتمالات الانتقال الأكبر، مما يبرز دورها في حساسية درجة حرارة التربة.
المناقشة
تؤكد قسم المناقشة في هذه الورقة البحثية على المساهمات الكبيرة التي تم تحقيقها في التنبؤ بحساسية تنفس الميكروبات في التربة (Q10) من خلال تطبيق تقنيات التعلم الآلي والذكاء الاصطناعي القابل للتفسير (XAI). حققت الدراسة دقة تنبؤية عالية، مع مقاييس مثل AUC-ROC قدرها 0.884 و AUC-PRC قدرها 0.883، مما يدل على فعالية التعلم الآلي في التقاط التفاعلات المعقدة بين خصائص التربة والمجتمعات الميكروبية والعوامل البيئية. تم تحديد المحركات الرئيسية التي تؤثر على قيم Q10، بما في ذلك تنفس التربة الناتج عن الجلوكوز وارتباطات الأنواع البكتيرية المحددة، مما يبرز الإمكانية لتطوير استراتيجيات زراعية مستهدفة للتخفيف من انبعاثات CO2 وتعزيز احتجاز الكربون.
استخدمت الدراسة أيضًا قيم SHAP لتوفير تفسيرات محلية لتنبؤات النموذج، مما يسمح بفهم دقيق لكيفية مساهمة الميزات الفردية في حساسية Q10. سهل هذا النهج تحديد المجموعات الفرعية داخل التربة ذات Q10 المنخفض التي تكون في خطر أكبر من الانتقال إلى Q10 العالي، مع تسليط الضوء بشكل خاص على المجموعات 4 و 6 كمرشحين للتدخلات المستهدفة. علاوة على ذلك، فإن دمج XAI مع التعلم الآلي لا يعزز فقط شفافية النموذج ولكن أيضًا يجسر الفجوة بين التنبؤات المعقدة والرؤى القابلة للتنفيذ لأصحاب المصلحة، بما في ذلك مديري الأراضي وصانعي السياسات. تدعو الدراسة إلى إجراء أبحاث مستقبلية لتضمين بيانات ميدانية طويلة الأجل وتصنيفات دقيقة للتربة لتحسين التنبؤات واستراتيجيات الإدارة في سياق تغير المناخ.
DOI: https://doi.org/10.1038/s41598-025-96216-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40216855
Publication Date: 2025-04-11
Author(s): Pierfrancesco Novielli et al.
Primary Topic: Soil Carbon and Nitrogen Dynamics
Overview
The research addresses the critical issue of global warming, primarily driven by increased greenhouse gases like carbon dioxide (CO₂). A key focus is on understanding soil responses to rising temperatures, particularly through the lens of Q₁₀, which quantifies the increase in CO₂ release due to a 10°C temperature rise. The study employs explainable artificial intelligence (XAI) to predict soil respiration sensitivity (Q₁₀) and identify influential factors, amidst the complexities of biochemical, microbiome, and environmental interactions.
Utilizing machine learning models, the study achieved an accuracy of 0.813 ± 0.007 and a precision of 0.812 ± 0.008, with AUC-ROC and AUC-PRC values of 0.884 ± 0.003 and 0.883 ± 0.007, respectively. Key predictors identified through SHAP values included glucose-induced soil respiration and the proportion of bacteria associated with Q₁₀. Additionally, t-SNE and clustering techniques were employed to categorize low Q₁₀ soils into subgroups, highlighting those at greater risk of transitioning to higher Q₁₀ states. The findings underscore the utility of XAI in enhancing model interpretability and offer practical insights for managing soil carbon release, thereby contributing to climate resilience strategies in agriculture.
Methods
In this section, the authors detail the materials and methods employed in their analysis of soil samples collected from a global survey. The dataset comprises 332 unique soil samples, representing diverse ecosystems across 29 countries and spanning seven continents. Samples were collected from a depth of 0-10 cm, capturing the biologically active layer of soil, and were homogenized from multiple cores to ensure representativeness. The climatic conditions of the samples encompass a range of biomes, with mean annual temperatures (MAT) from -7 °C to 30 °C and mean annual precipitation (MAP) from 50 to 4,500 mm/year.
The analysis incorporates 27 distinct factors related to environmental traits, soil microorganisms, biochemical stability, substrate levels, and mineral protection elements. Key parameters include soil characteristics such as pH, electrical conductivity, and organic carbon ratios, alongside climatic data and geographical information. The dataset also features a Q10 value for each sample, indicating the sensitivity of soil respiration to temperature changes. Additionally, microbial diversity and activity are assessed through measures of microbial biomass and richness of bacterial, fungal, and protist taxa, providing insights into the impact of soil warming on respiration processes.
Results
In this study, interpretable machine learning models were employed to investigate the relationships among biochemical, microbiome, and environmental soil characteristics in relation to Q10 values. The analysis revealed distinct subgroups of low Q10 soils with varying probabilities of transitioning to high Q10, identified through SHAP-based embeddings. The machine learning classifiers demonstrated robust performance, with an average accuracy of 0.813, precision of 0.812, and an Area Under the ROC Curve (AuROC) of 0.884, indicating strong predictive capability. The SHAP summary plot highlighted the significant influence of the proportion of bacterial taxa positively associated with Q10 and microbial biomass on Q10 sensitivity, alongside other important features such as soil organic carbon content and environmental factors like forest presence and soil pH.
Further analysis using t-SNE on SHAP values showed a clear separation between high and low Q10 soils, with a centroid distance of 20.59, significantly greater than the 5.22 observed in the input feature space. This enhanced separability allowed for the clustering of low Q10 soils into six distinct subgroups, with K-means clustering yielding the best-defined groupings. Clusters 4, 6, and 2 exhibited higher probabilities of transitioning to high Q10, while Clusters 1 and 3 showed lower probabilities. The box plots of key variables indicated that higher levels of microbial biomass and bacterial taxa positively associated with Q10 were linked to clusters with greater transition probabilities, underscoring their role in soil temperature sensitivity.
Discussion
The discussion section of this research paper emphasizes the significant contributions made in predicting soil microbial respiration sensitivity (Q10) through the application of machine learning and explainable artificial intelligence (XAI) techniques. The study achieved high predictive accuracy, with metrics such as an AUC-ROC of 0.884 and an AUC-PRC of 0.883, demonstrating the effectiveness of machine learning in capturing complex interactions among soil properties, microbial communities, and environmental factors. Key drivers influencing Q10 values were identified, including glucose-induced soil respiration and specific bacterial taxa associations, underscoring the potential for developing targeted agricultural strategies to mitigate CO2 emissions and enhance carbon sequestration.
The research also utilized SHAP values to provide local explanations for model predictions, allowing for a nuanced understanding of how individual features contribute to Q10 sensitivity. This approach facilitated the identification of subgroups within low Q10 soils that are at higher risk of transitioning to high Q10, particularly highlighting Clusters 4 and 6 as candidates for targeted interventions. Furthermore, the integration of XAI with machine learning not only enhances model transparency but also bridges the gap between complex predictions and actionable insights for stakeholders, including land managers and policymakers. The study calls for future research to incorporate long-term field data and detailed soil classifications to further refine predictions and management strategies in the context of climate change.