使用机器学习和地球统计技术,在性石灰质土壤中识别影响土壤Olsen-P的隐藏因素

科学领域:

• 土壤科学 土壤科学
• 农业学是一种农业学.
• 环境科学 环境科学

背景情况:

• (P) 缺乏是可持续作物生产的主要障碍,特别是在石灰质土壤中.
• 了解控制土壤可用的 (Olsen P) 的因素对于有效的营养管理至关重要.

研究的目的:

• 确定影响石灰质土壤中土壤变异性的关键土壤特征.
• 为了比较机器学习算法在预测奥尔森P水平方面的性能.
• 以空间地图绘制奥尔森P的分布,并了解其异质性.

主要方法:

• 在100公的农场进行了全面的土壤采样,分析了31个物理,化学和地理属性.
• 使用的机器学习算法:部分最小平方回归 (PLSR),随机森林 (RF) 和立方体回归 (CR).
• 使用Gaussian半波形图模型的普通 kriging 来进行Olsen P.的空间映射.

主要成果:

• 可以交换的和,阴离子交换能力和碳酸盐含量被确定为控制奥尔森P的关键因素.
• 随机森林 (RF) 模型显示出最佳性能 (R2 = 0.95),其次是立体回归 (CR) (R2 = 0.92).
• 空间测绘显示了奥尔森P分布的显著异质性,受土壤特性和外部因素的影响,如沉积物运输和大气沉积.

结论:

• 机器学习和地质统计方法有效阐明了土壤可用的P (Olsen-P) 动态的复杂性.
• 这些发现支持在石灰质土壤中开发可持续和精确的管理策略.
• 确定Olsen P的关键土壤调节器和空间模式对于优化作物产量和环境健康至关重要.