DOI: https://doi.org/10.1038/s41598-024-82868-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39837880
تاريخ النشر: 2025-01-21
المؤلف: Zhenhai Luo وآخرون
الموضوع الرئيسي: الجيوديسيا التربة ورسم الخرائط
نظرة عامة
تبحث هذه الدراسة في ملوحة التربة، وهي قضية حاسمة تؤثر على إنتاجية الزراعة واستدامة البيئة في المناطق الجافة وشبه الجافة في الصين. تركز الدراسة على تقدير محتوى ملح التربة (SSC) على أعماق مختلفة تحت نمو الشعير باستخدام بيانات الاستشعار عن بعد متعددة المصادر وتقنيات التعلم الآلي. تم إجراء تجارب ميدانية محكومة لاشتقاق متغيرات الميزات من صور الاستشعار عن بعد، والتي تم تحليلها بعد ذلك باستخدام شجرة القرار المعززة (BDT) لاختيار الميزات. تم استخدام أربعة خوارزميات تعلم آلي – الانحدار باستخدام عملية غاوسية (GPR)، وغابة عشوائية (RF)، وآلة دعم المتجهات (SVM)، وشبكة عصبية ذات انتشار عكسي (BPNN) – لتطوير نماذج تقدير SSC.
تشير النتائج الرئيسية إلى أن نموذج GPR تفوق على الآخرين لعمق 0-10 سم و30-40 سم، محققًا قيم تحقق $R^2$ تبلغ 0.774 و0.705، على التوالي، مع قيم RMSE تبلغ 0.185% و0.31%. بالنسبة لعمق 10-20 سم و20-30 سم، أظهر نموذج RF دقة متفوقة، مع قيم $R^2$ تبلغ 0.666 و0.714، باستخدام بيانات المؤشر الطيفي والملمس. كما أبرزت الدراسة أن تغطية النباتات المتوسطة حققت أعلى دقة عند أعماق معينة، مع الاعتراف بالقيود مثل ظروف التجربة المحكومة واستبعاد عوامل مثل نوع المحصول ومحتوى الماء في التربة. يُوصى بإجراء أبحاث مستقبلية لتضمين مجموعة أوسع من المتغيرات لتعزيز قدرات النموذج التنبؤية في السيناريوهات الواقعية.
طرق
في هذه الدراسة، بحث المؤلفون في تقدير ملوحة التربة باستخدام نماذج تعلم آلي (ML) متنوعة في محطة التجارب البيئية بجامعة يانغتشو، التي تتميز بمناخ موسمي شبه استوائي. تضمنت تصميم التجربة أربعة معالجات ملوحة (تحكم، منخفض، متوسط، وعالي) تم تطبيقها على محاصيل الشعير، مع جمع عينات التربة من منطقة ذات ملوحة عالية تأثرت بالتسلل البحري. استخدمت الدراسة إعداد زراعة صندوقية للحفاظ على مستويات ملوحة محددة، وتم استخدام نماذج ML – غابة عشوائية (RF)، وآلة دعم المتجهات (SVM)، والانحدار باستخدام عملية غاوسية (GPR)، وشبكة عصبية ذات انتشار عكسي (BPNN) – للتنبؤ بمحتوى ملوحة التربة (SSC) بناءً على انعكاس الشريط، والمؤشر الطيفي، وبيانات الملمس.
أشارت النتائج إلى أن نموذج GPR، الذي استخدم مجموعة المتغيرات الكاملة، حقق أعلى دقة لقياسات التربة السطحية (0-10 سم) والعميقة (30-40 سم)، مع R² تبلغ حوالي 0.77 وRMSE تبلغ 0.24%. بالنسبة للتربة المتوسطة العمق (10-20 سم و20-30 سم)، حقق نموذج RF الذي يدمج ميزات المؤشر الطيفي والملمس أفضل أداء، محققًا قيم R² تبلغ 0.62 و0.67، على التوالي. ساهمت قدرة نموذج RF على دمج أشجار القرار المتعددة في استقراره ودقته. على الرغم من أن نماذج SVM وBPNN أظهرت أداءً أقل بشكل عام، إلا أنها لا تزال قدمت توقعات معقولة في سياقات معينة. بشكل عام، تسلط الدراسة الضوء على فعالية تقنيات ML المتنوعة في تعزيز تقدير ملوحة التربة عبر أعماق مختلفة.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يسلط الضوء على النتائج المهمة التي تدعم الفرضيات أو أسئلة البحث المطروحة سابقًا في الدراسة. عادةً ما تكون النتائج مصحوبة ببيانات إحصائية ذات صلة، أو أشكال، أو جداول توضح الاتجاهات والأنماط الملاحظة.
في هذا القسم، قد يناقش المؤلفون تداعيات نتائجهم، مقارنتها بالدراسات السابقة لوضع مساهماتهم في السياق. بالإضافة إلى ذلك، يتم تناول أي نتائج غير متوقعة أو شذوذ، مما يوفر نظرة شاملة على نتائج البحث وتأثيرها المحتمل على الأعمال المستقبلية. بشكل عام، تعتبر النتائج أساسًا حاسمًا للنقاشات والاستنتاجات اللاحقة التي تم التوصل إليها في الورقة.
نقاش
في هذه الدراسة، طور المؤلفون نموذج تقدير ملوحة التربة باستخدام بيانات متعددة الطيف مأخوذة من الطائرات بدون طيار وقياسات ملوحة التربة التي تم جمعها خلال مراحل نمو الشعير المختلفة. تم جمع ما مجموعه 84 مجموعة بيانات، مع قياس الموصلية الكهربائية الظاهرة للتربة (EC) على أعماق مختلفة وترابطها مع محتوى الملح القابل للذوبان في الماء في التربة من خلال علاقة تجريبية (SSC = 0.0013EC + 0.0008، $R^2 = 0.92$). قامت الطائرة بدون طيار المزودة بكاميرا متعددة الطيف بالتقاط صور عبر ستة نطاقات طيفية، وتم حساب مؤشرات طيفية وملمس متنوعة لتعزيز قدرات النموذج التنبؤية. تم تحديد ما مجموعه 77 متغيرًا للميزات في البداية، والتي تم تحسينها بعد ذلك باستخدام طريقة شجرة القرار المعززة (BDT)، مما أدى إلى اختيار 25 ميزة رئيسية لتدريب النموذج.
تم تقييم أداء أربعة نماذج تعلم آلي – غابة عشوائية (RF)، وآلة دعم المتجهات (SVM)، والانحدار باستخدام عملية غاوسية (GPR)، وشبكة عصبية ذات انتشار عكسي (BPNN) – لتقدير ملوحة التربة عبر أعماق مختلفة. أظهرت النماذج دقة عالية، مع قيم $R^2$ متوسطة تتجاوز 0.6 وقيم RMSE أقل من 0.4% عبر أعماق التربة المختلفة. من الجدير بالذكر أن نموذج RF قدم أداءً استثنائيًا عند أعماق 20 إلى 30 سم، محققًا $R^2$ يبلغ 0.87. كما أبرزت الدراسة تأثير تغطية النباتات على تقدير الملوحة، حيث تم ملاحظة أفضل أداء للنموذج تحت تغطية نباتية متوسطة. تؤكد النتائج على أهمية اختيار نطاقات طيفية ومؤشرات حساسة، لا سيما نطاقات الحافة الحمراء والأشعة تحت الحمراء القريبة، في تعزيز دقة تقييمات ملوحة التربة. بشكل عام، تسهم هذه الدراسة في تقديم رؤى قيمة حول دمج الاستشعار عن بعد والتعلم الآلي من أجل مراقبة وإدارة ملوحة التربة بشكل فعال.
DOI: https://doi.org/10.1038/s41598-024-82868-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39837880
Publication Date: 2025-01-21
Author(s): Zhenhai Luo et al.
Primary Topic: Soil Geostatistics and Mapping
Overview
This research investigates soil salinization, a critical issue affecting agricultural productivity and environmental sustainability in arid and semi-arid regions of China. The study focuses on estimating soil salt content (SSC) at various depths beneath barley growth using multi-source remote sensing data and machine learning techniques. Field-controlled experiments were conducted to derive feature variables from remote sensing images, which were then analyzed using boosting decision tree (BDT) for feature selection. Four machine learning algorithms—Gaussian Process Regression (GPR), Random Forest (RF), Support Vector Machine (SVM), and Back Propagation Neural Network (BPNN)—were employed to develop SSC estimation models.
Key findings indicate that the GPR model outperformed others for depths of 0-10 cm and 30-40 cm, achieving validation $R^2$ values of 0.774 and 0.705, respectively, with RMSE values of 0.185% and 0.31%. For depths of 10-20 cm and 20-30 cm, the RF model demonstrated superior accuracy, with $R^2$ values of 0.666 and 0.714, utilizing spectral index and texture data. The study also highlighted that medium vegetation coverage yielded the highest accuracy at certain depths, while acknowledging limitations such as the controlled experimental conditions and the exclusion of factors like crop type and soil water content. Future research is recommended to incorporate a wider range of variables to enhance the model’s predictive capabilities in real-world scenarios.
Methods
In this study, the authors investigated soil salinity estimation using various machine learning (ML) models at the Yangzhou University ecological experimental station, characterized by a subtropical monsoon climate. The experimental design involved four salinity treatments (control, low, medium, and high) applied to barley crops, with soil samples collected from a high salinity area affected by marine intrusion. The study utilized a box planting setup to maintain specific salinity levels, and the ML models—Random Forest (RF), Support Vector Machine (SVM), Gaussian Process Regression (GPR), and Back Propagation Neural Network (BPNN)—were employed to predict soil salinity content (SSC) based on band reflectance, spectral index, and texture data.
The results indicated that the GPR model, utilizing the complete variable set, achieved the highest accuracy for surface (0-10 cm) and deep (30-40 cm) soil measurements, with an R² of approximately 0.77 and RMSE of 0.24%. For middle-depth soils (10-20 cm and 20-30 cm), the RF model incorporating spectral index and texture features yielded the best performance, achieving R² values of 0.62 and 0.67, respectively. The RF model’s ability to integrate multiple decision trees contributed to its stability and accuracy. Although the SVM and BPNN models demonstrated lower overall performance, they still provided reasonable predictions in specific contexts. Overall, the study highlights the effectiveness of diverse ML techniques in enhancing soil salinity estimation across varying depths.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It highlights the significant outcomes that support the hypotheses or research questions posed earlier in the study. The results are typically accompanied by relevant statistical data, figures, or tables that illustrate the trends and patterns observed.
In this section, the authors may discuss the implications of their findings, comparing them with previous studies to contextualize their contributions to the field. Additionally, any unexpected results or anomalies are addressed, providing a comprehensive overview of the research outcomes and their potential impact on future work. Overall, the results serve as a critical foundation for the subsequent discussion and conclusions drawn in the paper.
Discussion
In this study, the authors developed a soil salinity estimation model using UAV-based multispectral data and soil salinity measurements collected during different growth stages of barley. A total of 84 datasets were collected, with soil apparent electrical conductivity (EC) measured at various depths and correlated with soil water-soluble salt content through an empirical relationship (SSC = 0.0013EC + 0.0008, $R^2 = 0.92$). The UAV equipped with a multispectral camera captured images across six spectral bands, and various spectral and texture indices were calculated to enhance the model’s predictive capabilities. A total of 77 feature variables were initially identified, which were then optimized using the Boosted Decision Tree (BDT) method, resulting in the selection of 25 key features for model training.
The performance of four machine learning models—Random Forest (RF), Support Vector Machine (SVM), Gaussian Process Regression (GPR), and Backpropagation Neural Network (BPNN)—was evaluated for estimating soil salinity across different depths. The models demonstrated high accuracy, with average $R^2$ values exceeding 0.6 and RMSE values below 0.4% across various soil depths. Notably, the RF model performed exceptionally well at depths of 20 to 30 cm, achieving an $R^2$ of 0.87. The study also highlighted the impact of vegetation cover on salinity estimation, with the best model performance observed under intermediate vegetation coverage. The findings underscore the importance of selecting sensitive spectral bands and indices, particularly the red-edge and near-infrared bands, in enhancing the accuracy of soil salinity assessments. Overall, this research contributes valuable insights into the integration of remote sensing and machine learning for effective soil salinity monitoring and management.