评估机器学习模型的稳定性和通用性,以预测大米中的含量:来自珍珠河三角洲和中国广东东部的案例研究

科学领域:

• 农业科学 农业科学
• 环境科学 环境科学
• 土壤科学 土壤科学

背景情况:

• 预测作物谷物的 (Se) 含量对于人类健康和农业至关重要.
• 现有的预测模型由于地理变化和不同土壤特性而面临局限性.
• 了解影响作物Se吸收的因素对于开发准确的预测工具至关重要.

研究的目的:

• 评估一个预测模型的稳定性和通用性,用于在不同地理区域的米粒Se含量.
• 确定影响不同地质环境下米粒中Se积累的关键土壤因素.
• 评估土壤母性物质石质学和地形学对模型性能的影响.

主要方法:

• 从中国广东省的两个不同的地区 (珍珠河三角洲和河) 采集了配对的米粒和树球土壤样本.
• 分析了土壤和大米粒的Se度和各种土壤特性 (SiO2,Al2O3,TOC,S,pH).
• 开发并验证了使用不同特征子集的预测模型,在不同地区和时间段测试其性能.

主要成果:

• 在珍珠河三角洲和河之间观察到土壤和大米粒的Se水平有显著差异.
• 在这两个地区,土壤Se和米粒Se含量之间没有发现显著的正相关性.
• 土壤SiO2,Al2O3,总有机碳 (TOC),S和pH被确定为影响米粒Se含量的主要因素.
• 开发的模型显示出随着时间的推移的稳定性和在不同地区的高通用性,无论石学和地形.

结论:

• 超出总Se度的土壤特性对于预测米粒中的Se含量至关重要.
• 开发的预测模型是强大的和可通用的,提供了一个有价值的工具,用于估计在不同环境中的米Se含量.
• 当考虑适当的土壤特征时,岩石学和地形学等地理因素不会显著阻碍模型的预测准确性.