Published August 13, 2023
| Version v1
Publication
Open
Spatial prediction of soil micronutrients using machine learning algorithms integrated with multiple digital covariates
Creators
- 1. University of Tehran
- 2. Isparta University of Applied Sciences
- 3. Griffith University
- 4. Universidad de Granada
Description
The design and application of multiple tools to map soil micronutrients is key to efficient land management. While collecting a representative number of soil samples is time consuming and expensive, digital soil mapping could provide maps of soil properties fast and reliably. The objective of this research was to predict the spatial distribution of soil micronutrients within the piedmont plain in northeastern Iran using random forest (RF) and support vector regression (SVR) algorithms. Sixty-eight locations with different land uses were sampled to determine the content of iron, manganese, zinc and copper in the topsoil (0–20 cm). Forty-one digital covariates were used as input to the models and were derived from a digital elevation model, open-source remote sensing (RS) data (Landsat 8 OLI and Sentinel 2A MSI images), WorldClim climate database and maps of soil properties. Covariates were grouped into 11 scenarios: I–III, based on RS data; IV–VI, including RS, topographic, climate and soil covariates; VII, VIII and IX, based only on topographic, climate and soil covariates, respectively; X and XI, based on recursive feature elimination and expert opinion, respectively. The RF algorithm gave 91, 94, 91 and 108% normalized root mean squared error values for iron, manganese, zinc and copper, respectively, for the validation dataset with scenario XI. The most important digital covariates for micronutrients prediction with both RF and SVR models were precipitation seasonality, mean annual temperature and the mean saturation index based on Sentinel 2A MSI data. Digital maps produced at 30 m spatial resolution using scenario XI could be used to effectively identify micronutrient deficiencies and excess hotspots.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد تصميم وتطبيق أدوات متعددة لرسم خرائط المغذيات الدقيقة للتربة أمرًا أساسيًا للإدارة الفعالة للأراضي. في حين أن جمع عدد تمثيلي من عينات التربة يستغرق وقتًا طويلاً ومكلفًا، فإن رسم خرائط التربة الرقمية يمكن أن يوفر خرائط لخصائص التربة بسرعة وموثوقية. كان الهدف من هذا البحث هو التنبؤ بالتوزيع المكاني للمغذيات الدقيقة للتربة داخل سهل بيدمونت في شمال شرق إيران باستخدام خوارزميات الانحدار العشوائي للغابات (RF) ومتجهات الدعم (SVR). تم أخذ عينات من ثمانية وستين موقعًا باستخدامات مختلفة للأراضي لتحديد محتوى الحديد والمنغنيز والزنك والنحاس في التربة السطحية (0–20 سم). تم استخدام واحد وأربعين متغيرًا رقميًا كمدخلات في النماذج وتم اشتقاقها من نموذج الارتفاع الرقمي، وبيانات الاستشعار عن بعد مفتوحة المصدر (صور لاندسات 8 أولي و سنتينل 2A MSI)، وقاعدة بيانات المناخ WorldClim وخرائط خصائص التربة. تم تجميع المتغيرات التبادلية في 11 سيناريو: الأول إلى الثالث، بناءً على بيانات جمهورية صربسكا ؛ والرابع إلى السادس، بما في ذلك جمهورية صربسكا، والمتغيرات الطوبوغرافية والمناخية والتربة ؛ والسابع والثامن والتاسع، بناءً على المتغيرات الطوبوغرافية والمناخية والتربة فقط، على التوالي ؛ والعاشر والحادي عشر، بناءً على إزالة السمات المتكررة ورأي الخبراء، على التوالي. أعطت خوارزمية التردد اللاسلكي 91 و 94 و 91 و 108 ٪ من قيم خطأ الجذر التربيعي المعيارية للحديد والمنغنيز والزنك والنحاس، على التوالي، لمجموعة بيانات التحقق من الصحة مع السيناريو الحادي عشر. كانت أهم المتغيرات الرقمية المشتركة للتنبؤ بالمغذيات الدقيقة مع كل من نماذج الترددات اللاسلكية والمقاومة الوعائية المحيطية هي موسمية هطول الأمطار ومتوسط درجة الحرارة السنوية ومؤشر التشبع المتوسط بناءً على بيانات Sentinel 2A MSI. يمكن استخدام الخرائط الرقمية التي يتم إنتاجها بدقة مكانية تبلغ 30 مترًا باستخدام السيناريو الحادي عشر لتحديد نقص المغذيات الدقيقة والنقاط الساخنة الزائدة بشكل فعال.Translated Description (French)
La conception et l'application de multiples outils pour cartographier les micronutriments du sol sont essentielles à une gestion efficace des terres. Bien que la collecte d'un nombre représentatif d'échantillons de sol prenne du temps et soit coûteuse, la cartographie numérique des sols pourrait fournir des cartes des propriétés des sols de manière rapide et fiable. L'objectif de cette recherche était de prédire la distribution spatiale des micronutriments du sol dans la plaine du piémont, dans le nord-est de l'Iran, à l'aide d'algorithmes de forêt aléatoire (RF) et de régression vectorielle de soutien (SVR). Soixante-huit emplacements avec différentes utilisations des terres ont été échantillonnés pour déterminer la teneur en fer, manganèse, zinc et cuivre dans la couche arable (0–20 cm). Quarante et une covariables numériques ont été utilisées comme entrée pour les modèles et ont été dérivées d'un modèle d'élévation numérique, de données de télédétection (RS) open-source (images Landsat 8 OLI et Sentinel 2A MSI), de la base de données climatiques WorldClim et de cartes des propriétés du sol. Les covariables ont été regroupées en 11 scénarios : I–III, sur la base des données RS ; IV–VI, y compris les covariables RS, topographiques, climatiques et pédologiques ; VII, VIII et IX, sur la base uniquement des covariables topographiques, climatiques et pédologiques, respectivement ; X et XI, sur la base de l'élimination récursive des caractéristiques et de l'opinion des experts, respectivement. L'algorithme RF a donné des valeurs d'erreur quadratique moyenne normalisée de 91, 94, 91 et 108 % pour le fer, le manganèse, le zinc et le cuivre, respectivement, pour l'ensemble de données de validation avec le scénario XI. Les covariables numériques les plus importantes pour la prédiction des micronutriments avec les modèles RF et SVR étaient la saisonnalité des précipitations, la température annuelle moyenne et l'indice de saturation moyen basé sur les données MSI de Sentinel 2A. Les cartes numériques produites à une résolution spatiale de 30 m en utilisant le scénario XI pourraient être utilisées pour identifier efficacement les carences en micronutriments et les points chauds excédentaires.Translated Description (Spanish)
El diseño y la aplicación de múltiples herramientas para mapear los micronutrientes del suelo es clave para una gestión eficiente de la tierra. Si bien la recolección de un número representativo de muestras de suelo requiere mucho tiempo y es costosa, el mapeo digital del suelo podría proporcionar mapas de las propiedades del suelo de manera rápida y confiable. El objetivo de esta investigación fue predecir la distribución espacial de los micronutrientes del suelo dentro de la llanura de piedemonte en el noreste de Irán utilizando algoritmos de bosque aleatorio (RF) y regresión de vectores de soporte (SVR). Sesenta y ocho lugares con diferentes usos del suelo fueron muestreados para determinar el contenido de hierro, manganeso, zinc y cobre en la capa superior del suelo (0–20 cm). Se utilizaron cuarenta y una covariables digitales como entrada a los modelos y se derivaron de un modelo digital de elevación, datos de teledetección (RS) de código abierto (imágenes Landsat 8 OLI y Sentinel 2A MSI), base de datos climáticos WorldClim y mapas de propiedades del suelo. Las covariables se agruparon en 11 escenarios: I–III, basado en datos de RS; IV–VI, incluyendo RS, covariables topográficas, climáticas y del suelo; VII, VIII y IX, basado solo en covariables topográficas, climáticas y del suelo, respectivamente; X y XI, basado en la eliminación recursiva de características y la opinión de expertos, respectivamente. El algoritmo de RF dio valores de error cuadrático medio normalizado del 91, 94, 91 y 108% para hierro, manganeso, zinc y cobre, respectivamente, para el conjunto de datos de validación con el escenario XI. Las covariables digitales más importantes para la predicción de micronutrientes con modelos de RF y SVR fueron la estacionalidad de la precipitación, la temperatura media anual y el índice de saturación media basado en los datos de Sentinel 2A MSI. Los mapas digitales producidos a una resolución espacial de 30 m utilizando el escenario XI podrían utilizarse para identificar eficazmente las deficiencias de micronutrientes y el exceso de puntos críticos.Files
latest.pdf.pdf
Files
(3.8 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:8346ddce142ed3272648a0d11f3bc534
|
3.8 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التنبؤ المكاني بالمغذيات الدقيقة للتربة باستخدام خوارزميات التعلم الآلي المدمجة مع متغيرات رقمية متعددة
- Translated title (French)
- Prévision spatiale des micronutriments du sol à l'aide d'algorithmes d'apprentissage automatique intégrés à plusieurs covariables numériques
- Translated title (Spanish)
- Predicción espacial de micronutrientes del suelo mediante algoritmos de aprendizaje automático integrados con múltiples covariables digitales
Identifiers
- Other
- https://openalex.org/W4385788514
- DOI
- 10.1007/s10705-023-10303-y
References
- https://openalex.org/W118104234
- https://openalex.org/W1541868899
- https://openalex.org/W1984586193
- https://openalex.org/W1990864684
- https://openalex.org/W2000613913
- https://openalex.org/W2007811186
- https://openalex.org/W2037524467
- https://openalex.org/W2047364731
- https://openalex.org/W2052053184
- https://openalex.org/W2130098273
- https://openalex.org/W2162774880
- https://openalex.org/W2283421449
- https://openalex.org/W2296622003
- https://openalex.org/W2426304303
- https://openalex.org/W2614464134
- https://openalex.org/W2741922227
- https://openalex.org/W2810891287
- https://openalex.org/W2887209346
- https://openalex.org/W2911964244
- https://openalex.org/W2948067319
- https://openalex.org/W2980990633
- https://openalex.org/W3037975905
- https://openalex.org/W3044969968
- https://openalex.org/W3046907527
- https://openalex.org/W3064185571
- https://openalex.org/W3086056576
- https://openalex.org/W3087328730
- https://openalex.org/W3160467120
- https://openalex.org/W3193051455
- https://openalex.org/W3194088617
- https://openalex.org/W3197693894
- https://openalex.org/W3199184533
- https://openalex.org/W3208125946
- https://openalex.org/W3210954228
- https://openalex.org/W3212612536
- https://openalex.org/W3215367274
- https://openalex.org/W3217344529
- https://openalex.org/W4205332754
- https://openalex.org/W4206046985
- https://openalex.org/W4210625172
- https://openalex.org/W4220686918
- https://openalex.org/W4225662024
- https://openalex.org/W4239510810
- https://openalex.org/W4283825847
- https://openalex.org/W4285492050
- https://openalex.org/W4287147593
- https://openalex.org/W4327637451