学习与理解:什么时候人工智能在土壤有机碳预测中超越了基于过程的建模?

科学领域:

• 生态建模 生态建模
• 土壤科学 土壤科学
• 机器学习应用程序 机器学习应用程序

背景情况:

• 机器学习 (ML) 算法越来越多地用于生态建模.
• 对于ML在预测土壤有机碳 (SOC) 中使用长期研究典型的小数据集进行有限的评估.
• 对于SOC预测的ML性能并没有与传统的基于过程的模型进行比较.

研究的目的:

• 为了比较ML算法,基于过程的模型和SOC预测合集的性能.
• 用奥地利五个长期实验场所的数据来评估模型性能.
• 评估数据集大小和交叉验证策略对ML性能的影响.

主要方法:

• 基于过程的ML算法 (随机森林,具有多项式内核的支持向量机器),校准和未校准的基于过程的模型和集合的比较.
• 利用来自奥地利五个长期实验地点的256个独立数据点的数据.
• 应用了一个站点的交叉验证和减少训练样本大小,以测试模型的稳定性.

主要成果:

• 在使用所有可用的数据时,ML方法 (随机森林,SVM) 超过了基于过程的模型.
• 随着培训数据的减少或离开一个站点的交叉验证,ML算法性能显著下降.
• 基于过程的模型准确性高度依赖于适当的校准和模型组合.

结论:

• 当有大量数据集可用时,ML模型对于SOC预测是优越的.
• 基于过程的模型更适合探索SOC动态的潜在生物物理和生物化学机制.
• 建议使用结合了ML算法和基于过程的模型的集体来利用这两种方法的优势.