Применение Машинного Обучения и Процессно-ориентированных моделей для прогнозирования органического углерода в почве: Сравнительное исследование и роль ChatGPT в почвенной науке
В последние годы алгоритмы машинного обучения все чаще используются в экологическом моделировании, включая прогнозирование содержания органического углерода в почве (SOC). Однако их применение на небольших наборах данных, характерных для долгосрочных исследований почвы, еще не было достаточно оценено, особенно в сравнении с традиционными процессно-ориентированными моделями. Исследование, проведенное в Австрии, сравнивало алгоритмы машинного обучения, такие как Random Forest и Support Vector Machines, с процессно-ориентированными моделями, такими как RothC и ICBM, используя данные из пяти долгосрочных экспериментальных участков. Выводы показали, что алгоритмы машинного обучения показали себя лучше при наличии больших наборов данных. Однако их точность снижалась при использовании меньших наборов данных для обучения или более строгих методов перекрестной проверки, таких как leave-one-site-out. Хотя для достижения точности требуется тщательная калибровка, процессно-ориентированные модели лучше понимают биофизические и биохимические механизмы, лежащие в основе динамики SOC. Исследование рекомендовало комбинировать алгоритмы машинного обучения с процессно-ориентированными моделями для использования их сильных сторон в надежных прогнозах SOC на различных масштабах и условиях.
Значение SOC для здоровья почвы
SOC важен для здоровья почвы, поэтому поддержание и увеличение его уровня необходимы для повышения урожайности, улучшения устойчивости к изменению климата и снижения выбросов углерода. Нам нужны надежные системы мониторинга и прогностические модели для достижения этих целей, особенно в свете изменяющихся условий окружающей среды и практик землепользования. Искусственный интеллект и процессно-ориентированные модели играют критическую роль в этом деле. Машинное обучение особенно полезно при больших наборах данных, в то время как процессно-ориентированные модели предоставляют всесторонние представления о почвенных механизмах. Комбинируя эти подходы, мы можем компенсировать недостатки каждого и достигнуть более точных и адаптивных прогнозов, что критически важно для эффективного управления почвой и сохранения окружающей среды по всему миру.
Методы и материалы
Исследование использовало данные из пяти долгосрочных полевых экспериментов по всей Австрии, охватывающих различные методы управления, направленные на накопление SOC. Эти эксперименты охватывали 53 варианта обработки и предоставляли подробную информацию о характеристиках почвы, климатических данных и методах управления. Образцы почвы были собраны с глубины 0-25 см, в зависимости от участка. Ежедневные климатические данные, включая температуру, осадки и испарение, были получены из качественных наборов данных. Процессно-ориентированные модели SOC, такие как RothC, AMG.v2, ICBM и C-TOOL, были использованы наряду с алгоритмами машинного обучения (Random Forest, SVM, гауссовским процессным регрессором) для прогнозирования динамики SOC.
Обзор методологии исследования
Исследование, проведенное с 25 февраля по 5 марта 2023 года, оценивало способность ChatGPT отвечать на фундаментальные вопросы в современной почвенной науке. Были оценены четыре ответа ChatGPT: Free ChatGPT-3.5, короткие и длинные ответы от платного ChatGPT-3.5 (Pro-a и Pro-b) и реакции от платного ChatGPT-4.0. Ответы начинались с приглашения “Действовать как почвенный ученый” и, при необходимости, продолжались с “Продолжить”. Оценка экспертов включала пять специалистов, оценивающих ответы по шкале от 0 до 100, с усреднением окончательных баллов. Кроме того, был проведен опрос Ликерта, собравший мнения 73 почвенных ученых относительно знаний и надежности ChatGPT, что привело к ответам 50 участников для анализа.
Выводы о использовании ChatGPT в почвенной науке и машинном обучении для прогнозирования SOC
Исследование подчеркивает ценную роль ChatGPT и машинного обучения в почвенной науке. Индонезийские почвенные ученые выразили более 80% доверия ChatGPT, предпочитая ChatGPT-4.0 за его превосходную точность в помощи исследованиям и образованию, хотя бесплатные и платные версии ChatGPT-3.5 также считаются надежными. Однако воспринимаемая точность ответов ChatGPT в целом составляет 55%, что указывает на потенциал для будущих улучшений. В то же время нелинейные модели машинного обучения, особенно в сочетании с процессно-ориентированными моделями, такими как Random Forest, показывают потенциал в прогнозировании динамики SOC, особенно в наборах данных из долгосрочных агрокультурных исследований. Интеграция машинного обучения с экспертными знаниями может улучшить точность прогнозов SOC, подчеркивая важность человеческого контроля и совершенствования моделей.
Источники
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте Leveraging Machine Learning and Process-Based Models for Soil Organic Carbon Prediction: A Comparative Study and the Role of ChatGPT in Soil Science. Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI. Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ. Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI. На полученных данных и опыте расширяйте автоматизацию. Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями о ИИ в нашем Телеграм-канале t.me/itinainews или в Twitter @itinairu45358. Попробуйте AI Sales Bot https://itinai.ru/aisales. Этот AI ассистент в продажах, помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию. Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru. Будущее уже здесь!
