应用机器学习方法来预测不同类型的土壤中的氨运输,并评估控制因素的贡献

科学领域:

• 土壤科学 土壤科学
• 环境科学 环境科学
• 数据科学数据科学数据科学

背景情况:

• 从土壤中丧失气会给环境带来重大风险.
• 提高使用效率对于可持续农业至关重要.
• 鉴定影响 (NH₄⁺-N) 运输的因素是复杂的,因为土壤的特性不同.

研究的目的:

• 利用机器学习 (ML) 精确识别控制土壤中NH₄⁺-N运输延迟的主要因素.
• 为了提高对NH+-N固定的理解,并减轻环境污染.

主要方法:

• 使用柱体实验和运输建模来研究NH₄⁺-N运输,并计算减速因子 (Rf).
• 拉索和脊回归选了ML模型输入的土壤物理化学参数.
• 评估了6个ML模型,使用交叉验证确定极端梯度提升 (XGB) 为最佳.

主要成果:

• 在预测NH4+-N运输方面,XGB模型实现了高准确性 (测试r² = 0.97).
• 电离子交换能力 (CEC),总有机碳 (TOC) 和高被确定为最有影响力的因素.
• 对NH₄⁺-N运输的最大抵抗发生在CEC>6cmol⁺kg^-1和TOC>40g kg^-1时.

结论:

• 这项研究提出了一种基于ML的新方法,用于预测土壤中的NH₄⁺-N运输动态.
• 研究结果为管理土壤营养素和防止环境污染提供了关键的见解.
• 结果可以为土壤营养损失的早期预警系统的开发提供信息.