«`html
Использование машинного обучения и моделей на основе процессов для прогнозирования органического углерода в почве: сравнительное исследование и роль ChatGPT в почвоведении
Практические решения для прогнозирования органического углерода в почве
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, типичных для долгосрочных исследований почвы, еще не было полностью оценено, особенно в сравнении с традиционными моделями, основанными на процессах. Исследование, проведенное 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 показывали лучшие результаты при наличии больших наборов 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 надежного прогнозирования SOC на различных масштабах и в различных условиях.
Значение SOC для здоровья почвы и практические решения
SOC важен для здоровья почвы, поэтому поддержание и увеличение уровня SOC необходимы для повышения плодородия почвы, 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 использования земли. Машинное обучение и модели на основе процессов играют критическую роль в этом деле. Машинное обучение особенно полезно при больших наборах данных, в то время как модели на основе процессов предоставляют всесторонние представления о механизмах почвы. Комбинируя эти подходы, мы можем компенсировать недостатки каждого и достичь более точных и адаптивных прогнозов, что крайне 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 практики управления, направленные на накопление SOC. Эти эксперименты охватывали 53 варианта обработки и предоставляли подробную информацию о характеристиках почвы, климатических данных и практиках 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, были использованы наряду с алгоритмами машинного обучения (Random Forest, SVM, гауссовской процессной регрессии) 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 почвоведении. Было оценено 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 с просьбой «Действуйте как почвовед», и в случае превышения времени ожидания, следовало «Продолжить». Экспертная оценка включала пять специалистов, оценивающих ответы по шкале от 0 до 100, с усреднением окончательных баллов. Кроме того, был проведен опрос Ликерта, собравший восприятия 73 почвоведов относительно знаний и надежности ChatGPT, что привело к ответам 50 участников для анализа.
Выводы о использовании ChatGPT в почвоведении и машинном обучении для прогнозирования SOC
Исследование подчеркивает ценную роль ChatGPT и машинного обучения в почвоведении. Индонезийские почвоведы 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. В то же время нелинейные модели машинного обучения, особенно в сочетании с моделями на основе процессов, показывают потенциал в прогнозировании динамики SOC, особенно в наборах данных из долгосрочных сельскохозяйственных исследований. Интеграция машинного обучения с экспертными знаниями может улучшить точность прогнозов SOC, подчеркивая важность человеческого контроля и совершенствования моделей.
Источники:
https://www.sciencedirect.com/science/article/pii/S2666544124000194
https://www.sciencedirect.com/science/article/pii/S1871678424000086
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!
«`
