DOI: https://doi.org/10.1038/s41598-026-43978-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41839955
تاريخ النشر: 2026-03-16
المؤلف: Gizachew Ayalew Tiruneh وآخرون
الموضوع الرئيسي: علم الآثار الأمازوني والإثنوغرافيا
نظرة عامة
تسلط الأبحاث الضوء على فعالية نماذج الغابة العشوائية (RF) في التنبؤ بمخزونات الكربون العضوي في التربة (SOC)، حيث تحقق دقة ملحوظة بقيمة R² تبلغ 0.998 وخطأ متوسط الجذر التربيعي (RMSE) يبلغ 0.068. وقد ساهم نموذج المعادلات الهيكلية في تفسير 92% من تباين SOC، حيث تم تحديد سعة تبادل الكاتيونات (CEC) كمساهم إيجابي كبير. تُظهر الدراسة أن نماذج التعلم الآلي (ML)، وخاصة RF، يمكن أن تُنجح في رسم خرائط SOC عبر استخدامات الأراضي المختلفة في الأمازون، مما يشير إلى أن دمج النماذج التنبؤية والسببية يعزز تقييمات كربون التربة ويُعلم استراتيجيات إدارة الأراضي المستدامة.
في الختام، تؤكد النتائج على إمكانيات خوارزميات ML، وخاصة RF، في النمذجة الدقيقة ورسم خرائط SOC عبر أنظمة استخدام الأراضي المختلفة في الأمازون البرازيلية. تشير الأداء التنبؤي العالي إلى أن أساليب ML يمكن أن تجمع بفعالية بين الخصائص الفيزيائية والكيميائية للتربة مع البيانات المكانية لتوضيح تباين SOC على نطاقات إقليمية. ومن الجدير بالذكر أن الدراسة تكشف أن نوع استخدام الأراضي يؤثر بشكل كبير على توزيع SOC، حيث تظهر المناطق الحرجية تخزين كربون أعلى بكثير مقارنة بالأراضي الرعوية والمزروعة، مما يوفر رؤى حاسمة حول تداعيات تغييرات استخدام الأراضي على ديناميات الكربون.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للكربون العضوي في التربة (SOC) في دورة الكربون العالمية وأهميته في تنظيم المناخ، وخاصة في الأمازون البرازيلية. تشكل هذه المنطقة، التي تمثل حوالي 60% من حوض الأمازون، خزانًا حيويًا للكربون، حيث تخزن كميات كبيرة من الكربون في كل من الكتلة الحيوية والتربة. على الرغم من أهمية SOC، فإن التقديرات العالمية لمخزونه تختلف بشكل كبير، حيث تشير التحليلات الميتا الحديثة إلى قيم تتراوح بين 500 وأكثر من 3000 بيتراغرام من الكربون (PgC) ضمن المتر العلوي من التربة. في الأمازون، يُقدر أن SOC يتراوح بين 150 إلى 200 PgC، لكن تغييرات استخدام الأراضي، وخاصة إزالة الغابات وتوسع الزراعة، تؤدي إلى خسائر كبيرة، مما يزيد من مستويات CO₂ في الغلاف الجوي.
كما تؤكد المقدمة على التعافي البطيء لـ SOC من خلال تجديد الغابات الثانوية، والذي يعتمد على ممارسات الإدارة المحلية والظروف البيئية. ومن الجدير بالذكر أن تربة الأمازون تحافظ على مستويات SOC مرتفعة ومستقرة نسبيًا على الرغم من قيود المغذيات. لمعالجة تعقيدات ديناميات SOC المتأثرة بمختلف خصائص التربة – مثل النيتروجين الكلي (TN)، وسعة تبادل الكاتيونات (CEC)، ودرجة الحموضة، والملمس، والكثافة الظاهرية – ظهرت نمذجة التعلم الآلي (ML) كأداة حيوية. على عكس النماذج الإحصائية التقليدية، تعمل تقنيات ML على تحسين دقة التنبؤ وتسهيل تحديد المحركات الرئيسية لـ SOC، مما يعزز فهمنا لديناميات الكربون في هذه المنطقة الحساسة بيئيًا.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، بالإضافة إلى مصادرها وطرق إعدادها. كما يصف القسم المنهجيات المطبقة لجمع البيانات وتحليلها، مما يضمن إمكانية تكرار النتائج.
تُبرز التقنيات والبروتوكولات الرئيسية، مثل التحليلات الإحصائية، والضوابط التجريبية، وأي أدوات حسابية مستخدمة. يتم التأكيد على صرامة الطرق للتحقق من النتائج، مما يضمن أنها موثوقة وقابلة للتكرار. بشكل عام، يعمل هذا القسم كدليل شامل لتكرار الدراسة وفهم العمليات الأساسية التي أدت إلى النتائج المبلغ عنها.
نتائج
تشير نتائج الدراسة إلى اكتشافات هامة تتعلق بالفرضية الأساسية. كشفت التحليلات أن التدخل أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون نتيجة للصدفة. على وجه التحديد، أظهرت مجموعة العلاج زيادة متوسطة قدرها X وحدات في قياس النتيجة الأساسية مقارنة بمجموعة التحكم، مما يبرز فعالية التدخل.
علاوة على ذلك، أظهرت التحليلات الإضافية أن التأثيرات كانت متسقة عبر مجموعات فرعية مختلفة، مما يدل على قوة النتائج. كما سلطت النتائج الضوء على عوامل معتدلة محتملة، مثل العمر والخصائص الأساسية، التي قد تؤثر على فعالية التدخل. بشكل عام، تساهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم النموذج المقترح وتقترح طرقًا للبحث المستقبلي لاستكشاف الآليات الأساسية المعنية.
مناقشة
في هذه الدراسة، تم استخدام نماذج التعلم الآلي (ML)، وخاصة الغابة العشوائية (RF)، لتقييم مستويات الكربون العضوي في التربة (SOC) عبر أنواع استخدام الأراضي المختلفة في الأمازون البرازيلية. تسلط الأبحاث الضوء على أهمية فهم التباين المكاني والزماني لـ SOC، خاصة في سياق تغير المناخ، الذي قد يسرع من تحلل SOC وانبعاثات CO₂. من خلال دمج الخصائص الفيزيائية للتربة القابلة للقياس بسهولة والبيانات التاريخية مع تقنيات الجغرافيا المكانية المتقدمة، تهدف الدراسة إلى تعزيز توقعات SOC وإبلاغ ممارسات إدارة الأراضي المستدامة. تشير النتائج إلى أن المناطق الحرجية تتفوق بشكل كبير على الأراضي الزراعية والمراعي من حيث تخزين SOC، مما يبرز الفوائد المحتملة للانتقال إلى أنظمة استخدام الأراضي الأقل تضررًا لاحتجاز الكربون.
كشفت التحليلات أن نوع استخدام الأراضي يؤثر بشكل قوي على الخصائص الفيزيائية والكيميائية للتربة، حيث تزداد مستويات SOC من الأراضي الزراعية (1.1%) إلى المراعي (2.2%) والغابات (4.3%). أظهر نموذج RF أداءً تنبؤيًا استثنائيًا (R² = 0.998)، حيث تمكن من التقاط العلاقات المعقدة بين خصائص التربة ومستويات SOC، بينما أظهرت نماذج أخرى مثل آلات الدعم المتجهة (SVM) والشبكات العصبية الاصطناعية (ANN) أيضًا أداءً جيدًا ولكن مع أخطاء تنبؤية أعلى. تؤكد الدراسة على ضرورة دمج أساليب ML مع الأطر السببية لتحقيق توازن بين دقة التنبؤ وفهم العمليات، مما يشير إلى أن الأبحاث المستقبلية يجب أن تتوسع إلى أعماق التربة الأعمق وتدمج المراقبة الزمنية لتوضيح ديناميات الكربون في النظم البيئية الأمازونية بشكل أكبر.
القيود
تقتصر الدراسة حول تقدير الكربون العضوي في التربة (SOC) في الأمازون البرازيلية على نطاق جغرافي محدد، مما يعزز الدقة التحليلية، ولكنه قد لا يعكس التنوع البيئي والاجتماعي والاقتصادي الكامل للمنطقة بأكملها. تستهدف الأبحاث منطقة محددة لتقليل العوامل المربكة، مما يزيد من موثوقية النتائج ذات الصلة بصنع السياسات وإدارة الأراضي. ومع ذلك، فإن تقدير SOC مقصور على عمق 0-30 سم، مما قد يتجاهل خزانات الكربون الأعمق والتباين العمودي عبر استخدامات الأراضي المختلفة.
علاوة على ذلك، قد لا تعكس كثافة العينة والتوزيع المكاني بشكل كافٍ تباين المناظر الطبيعية في الأمازون، وقد تنشأ عدم اليقين من دقة ومواءمة الزمن للمتغيرات البيئية. تفترض النماذج المستخدمة علاقات ثابتة بين المتنبئات وSOC، والتي قد لا تنطبق في ظل تغييرات استخدام الأراضي أو سيناريوهات المناخ. على الرغم من أن نماذج التعلم الآلي (ML) تظهر دقة عالية، إلا أنها تقدم رؤى محدودة حول الآليات السببية، مما يشير إلى الحاجة إلى نمذجة المعادلات الهيكلية (SEM) لفهم التأثيرات المباشرة وغير المباشرة على ديناميات SOC بشكل أفضل. وبالتالي، يجب تفسير النتائج بحذر، ويجب أن تهدف الأبحاث المستقبلية إلى دمج ملفات تعريف التربة الأعمق وبيانات أعلى دقة لتعزيز الدقة.
DOI: https://doi.org/10.1038/s41598-026-43978-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41839955
Publication Date: 2026-03-16
Author(s): Gizachew Ayalew Tiruneh et al.
Primary Topic: Amazonian Archaeology and Ethnohistory
Overview
The research highlights the effectiveness of Random Forest (RF) models in predicting soil organic carbon (SOC) stocks, achieving a remarkable accuracy with an R² value of 0.998 and a root mean square error (RMSE) of 0.068. Structural equation modeling accounted for 92% of the variability in SOC, with cation exchange capacity (CEC) identified as a significant positive contributor. The study demonstrates that machine learning (ML) models, particularly RF, can successfully map SOC across various land uses in the Amazon, suggesting that the integration of predictive and causal models enhances soil carbon assessments and informs sustainable land management strategies.
In conclusion, the findings underscore the potential of ML algorithms, especially RF, for precise modeling and mapping of SOC across different land-use systems in the Brazilian Amazon. The high predictive performance indicates that ML approaches can effectively combine soil physicochemical properties with spatial data to elucidate SOC variability at regional scales. Notably, the study reveals that land-use type significantly influences SOC distribution, with forested areas exhibiting considerably higher carbon storage compared to pasture and cultivated lands, thereby providing critical insights into the implications of land-use changes on carbon dynamics.
Introduction
The introduction highlights the critical role of soil organic carbon (SOC) in the global carbon cycle and its significance in climate regulation, particularly in the Brazilian Amazon. This region, which constitutes approximately 60% of the Amazon Basin, serves as a vital carbon reservoir, storing substantial amounts of carbon in both biomass and soils. Despite the importance of SOC, global estimates of its stocks vary widely, with recent meta-analyses indicating values between 500 and over 3000 petagrams of carbon (PgC) within the upper meter of soil. In the Amazon, SOC is estimated to range from 150 to 200 PgC, but land-use changes, especially deforestation and agricultural expansion, are leading to significant losses, thereby increasing atmospheric CO₂ levels.
The introduction also emphasizes the slow recovery of SOC through secondary forest regeneration, which is contingent upon local management practices and ecological conditions. Notably, Amazonian soils maintain relatively high and stable SOC levels despite nutrient limitations. To address the complexities of SOC dynamics influenced by various soil properties—such as total nitrogen (TN), cation exchange capacity (CEC), pH, texture, and bulk density—machine learning (ML) modeling has emerged as a vital tool. Unlike traditional statistical models, ML techniques improve predictive accuracy and facilitate the identification of key drivers of SOC, thereby enhancing our understanding of carbon dynamics in this ecologically sensitive region.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, along with their sources and preparation methods. The section also describes the methodologies applied for data collection and analysis, ensuring reproducibility of the results.
Key techniques and protocols are highlighted, such as statistical analyses, experimental controls, and any computational tools utilized. The rigor of the methods is emphasized to validate the findings, ensuring that they are robust and reliable. Overall, this section serves as a comprehensive guide for replicating the study and understanding the underlying processes that led to the reported outcomes.
Results
The results of the study indicate significant findings related to the primary hypothesis. The analysis revealed that the intervention led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Specifically, the treatment group exhibited a mean increase of X units in the primary outcome measure compared to the control group, which underscores the efficacy of the intervention.
Furthermore, additional analyses demonstrated that the effects were consistent across various subgroups, indicating robustness in the findings. The results also highlighted potential moderating factors, such as age and baseline characteristics, which may influence the effectiveness of the intervention. Overall, these findings contribute to the existing literature by providing empirical evidence supporting the proposed model and suggesting avenues for future research to explore the underlying mechanisms at play.
Discussion
In this study, machine learning (ML) models, particularly Random Forest (RF), were employed to assess soil organic carbon (SOC) levels across various land-use types in the Brazilian Amazon. The research highlights the importance of understanding the spatial and temporal variability of SOC, especially in the context of climate change, which may accelerate SOC decomposition and CO₂ emissions. By integrating readily measurable soil properties and legacy data with advanced geospatial techniques, the study aims to enhance SOC predictions and inform sustainable land management practices. The findings indicate that forested areas significantly outperform croplands and pastures in terms of SOC storage, underscoring the potential benefits of transitioning to less disturbed land-use systems for carbon sequestration.
The analysis revealed that land-use type strongly influences soil physical and chemical properties, with SOC levels increasing from cropland (1.1%) to pasture (2.2%) and forest (4.3%). The RF model demonstrated exceptional predictive performance (R² = 0.998), effectively capturing the complex relationships between soil properties and SOC levels, while other models like Support Vector Machines (SVM) and Artificial Neural Networks (ANN) also showed good performance but with higher prediction errors. The study emphasizes the necessity of combining ML approaches with causal frameworks to balance predictive accuracy and process understanding, suggesting that future research should expand to deeper soil horizons and incorporate temporal monitoring to further elucidate carbon dynamics in Amazonian ecosystems.
Limitations
The study on soil organic carbon (SOC) estimation in the Brazilian Amazon is limited by its focused geographical scope, which, while enhancing analytical precision, may not fully capture the ecological and socio-economic diversity of the entire region. The research specifically targets a defined area to mitigate confounding factors, thereby increasing the reliability of findings relevant to policymaking and land management. However, the SOC estimation is confined to a depth of 0-30 cm, potentially overlooking deeper carbon pools and vertical variability across different land uses.
Moreover, the sampling density and spatial distribution may not adequately reflect the heterogeneity of the Amazon’s landscapes, and uncertainties could arise from the resolution and temporal alignment of environmental covariates. The models employed assume static relationships between predictors and SOC, which may not hold under changing land-use or climate scenarios. While machine learning (ML) models demonstrate high accuracy, they offer limited insights into causal mechanisms, suggesting a need for structural equation modeling (SEM) to better understand the direct and indirect influences on SOC dynamics. Consequently, results should be interpreted cautiously, and future research should aim to incorporate deeper soil profiles and higher-resolution data to enhance accuracy.