“`html

Использование машинного обучения и моделей на основе процессов для прогнозирования органического углерода почвы: сравнительное исследование и роль ChatGPT в почвенной науке

В последние годы алгоритмы машинного обучения все чаще применяются в экологическом моделировании, включая прогнозирование содержания органического углерода в почве (SOC). Однако их применение на небольших наборах данных, характерных для долгосрочных почвенных исследований, еще не получило полноценной оценки, особенно в сравнении с традиционными моделями на основе процессов. Проведенное исследование в Австрии сравнило алгоритмы машинного обучения, такие как Random Forest и Support Vector Machines, с моделями на основе процессов, такими как RothC и ICBM, используя данные из пяти долгосрочных экспериментальных участков. Исследование показало, что алгоритмы машинного обучения показали себя лучше, когда были доступны большие наборы данных. Однако их точность снижалась при использовании меньших наборов обучающих данных или более строгих методов перекрестной проверки, таких как leave-one-site-out. Требуется тщательная калибровка, но модели на основе процессов лучше понимают биофизические и биохимические механизмы, лежащие в основе динамики SOC. Исследование рекомендовало комбинировать алгоритмы машинного обучения с моделями на основе процессов, чтобы использовать их сильные стороны для надежных прогнозов SOC на разных масштабах и в различных условиях.

Значимость SOC для здоровья почвы

SOC важен для здоровья почвы, поэтому поддержание и увеличение его уровня являются ключевыми для повышения плодородия почвы, улучшения устойчивости к изменению климата и снижения выбросов углерода. Нам необходимы надежные системы мониторинга и прогностические модели для достижения этих целей, особенно в свете изменяющихся экологических условий и практик использования земли. Машинное обучение и модели на основе процессов играют критическую роль в этом. Машинное обучение особенно полезно при работе с большими наборами данных, в то время как модели на основе процессов предоставляют всестороннее понимание почвенных механизмов. Объединяя эти подходы, мы можем компенсировать недостатки каждого из них и достичь более точных и адаптивных прогнозов, что является важным 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 почвенных характеристиках, 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. Модели SOC на основе процессов, такие как RothC, AMG.v2, ICBM и C-TOOL, использовались наряду с алгоритмами машинного обучения (Random forest, SVM, гауссова регрессия) для прогнозирования динамики SOC.

Обзор методологии исследования:

Исследование, проведенное с 25 февраля по 5 марта 2023 года, оценило 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 были инициированы приглашением “Действуйте как почвенный ученый”, и, в случае тайм-аута, за ним следовало “Продолжить”. Оценка экспертов включала пять специалистов, оценивавших ответы по шкале от 0 до 100, с усреднением окончательных баллов. Кроме того, было проведено опросирование Ликерта, собравшее восприятия 73 почвенных ученых относительно знаний и надежности ChatGPT, с получением ответов от 50 участников для анализа.

Выводы по использованию 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 к ChatGPT, предпочитая ChatGPT-4.0 за его высокую 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. Параллельно нелинейные модели машинного обучения, особенно когда они комбинируются с моделями на основе процессов, такими как Random Forest, показывают перспективы в прогнозировании динамики SOC, особенно в наборах данных долгосрочных сельскохозяйственных исследований. Интеграция машинного обучения с экспертными знаниями может улучшить точность прогнозов SOC, подчеркивая важность человеческого контроля и совершенствования моделей.

“`