nature.com にアクセスいただきありがとうございます。ご利用のブラウザは CSS のサポートが制限されています。最適なエクスペリエンスを得るには、最新のブラウザを使用する (または Internet Explorer の互換モードをオフにする) ことをお勧めします。その間、継続的なサポートを確保するため、このサイトはスタイルと JavaScript なしで表示されています。
Scientific Reports第14巻、論文番号：9889（2024）この記事を引用
土壌の表面とさまざまな深さの両方における土壌温度は、変化する環境において土壌の生物学的、化学的、物理的特性を理解する上で重要です。これは、食糧の持続可能性を達成するために不可欠です。しかし、世界中のほとんどの開発途上地域では、貧弱な計測機器や、干ばつ、洪水、サイクロンなどの自然災害などの他の多くの避けられない理由により、確実なデータ測定と記録を確立することが困難になっています。したがって、正確な予測モデルはこれらの問題を解決します。ウズベキスタンは、乾燥した気候のために気候変動を懸念している国の一つです。したがって、この研究では初めて、ウズベキスタンのヌクスの気候要因に基づいて、表面と10 cmの深さの土壌温度レベルを予測する統合モデルを提示します。広く使用されているパフォーマンス指標に基づいて最も優れたモデルを理解するために、8つの機械学習モデルがトレーニングされました。Long Short-Term Memory（LSTM）モデルは、10 cmの深さでの土壌温度レベルの正確な予測を実行しました。さらに重要なのは、ここで開発されたモデルは、測定された気候データと予測された表面土壌温度レベルを使用して、10 cm の深さの温度レベルを予測できることです。このモデルは、地表土壌温度の測定をせずに、10 cm の深さの土壌温度を予測できます。開発されたモデルは、ウズベキスタンのヌクスのような乾燥地域での食糧生産の持続可能性を達成するための計画アプリケーションに効果的に使用できます。
土壌は、固体、水、空気からなる三相系です。土壌の物理的成分の長期的なバランスは、人間だけでなく、世界中の他のすべての生物にとっても非常に重要です1。したがって、土壌システムのバランスに直接的および間接的に影響を与える人為的活動を理解することが重要です。開発活動は、土壌システムの不均衡に大きく貢献しています2。さらに、気候変動は土壌システムの不均衡の主な原因の1つです3。気候変動は、さまざまな方法で土壌システムに大きな影響を与えています。これは、降雨パターン、気温、その他の気候条件の劇的な変化によるものです4,5。水資源6、エネルギー収穫7、食料と農業8など、さまざまな自然のクラスターに対する気候変動の影響には、大きな注目が集まっています。しかし、農業に直接関与しているほとんどの開発途上地域では、土壌温度の経時的変化に対する包括的な理解が十分に得られていません。それにもかかわらず、土壌温度は、土壌内の植物やその他の微生物の活動に影響を与える主な要因の1つです。したがって、適切な土壌温度を維持することは、自然のバランスを制御するための重要な課題です。土壌温度の急激な変化は、年間の特定の季節にのみ栽培される敏感な作物に大きな影響を与えます9。したがって、食糧生産に重大な影響が及ぶことになります10。
これらの要因により、土壌温度は直接的および間接的に地球上のすべての生物の生活様式に影響を与えます。このような重大なケースは、動物の多様性の変化を引き起こす可能性があります11。生息地に発生する損傷は、大きな懸念事項の 1 つです12。自然に発生する季節変動は、環境の他の利害関係者によって適応されます12。ただし、突然の急激な変化には注意が必要です。したがって、土壌温度を適切に理解することが重要です。さらに、変化する気候下での土壌温度の正確な予測も同様に重要です。突然の高温および低温は、土壌内の生物学的成分に影響を与えます13,14。土壌温度の上昇は、生態系の呼吸速度の増加につながります15,16。したがって、生態系全体の炭素収支は変動を受ける可能性があります17。一方、土壌温度が低いと、さまざまな方法で植物の成長に影響を与える可能性があります。植物の成長は、根源的な原因の拡大と植物の光合成プロセスに適用された制限により減少する可能性があります18,19。表土温度レベル (0〜1 m) は、ほとんどの農業活動にとって重要です20。しかし、これらの温度レベルは、ほとんどの開発途上国では監視されていません。さらに、既存の監視ステーションのいくつかは適切に維持管理されていないため21、深さに沿った土壌温度の記録は最小限です。しかし、最初の10 cm層の温度変化を理解することは、研究者が悪影響を予測するのに役立ちます22。農業に依存しているウズベキスタンを含むほとんどの開発途上国では、この理解は行われていません。
ウズベキスタンは中央アジアに位置し、砂漠を含む地理的条件により乾燥した気候です23。水不足、土壌の塩分濃度、悪天候は、同国で増加している環境問題です24。土壌の塩分濃度は、水不足と変化する土壌温度と相まって、同国の農業生産を悪化させます25,26。間接的に、生活の質は著しく低下します。したがって、ウズベキスタンのような国では、土壌の状態を考慮することが非常に重要であることは明らかです。土壌温度は、土壌の水分の蒸発に直接寄与するため、土壌の塩性化プロセスにつながる主な要因の1つです4。一方、土壌の塩性化は、土壌の鉱化プロセスに寄与する要因の1つです27。さまざまな気候要因が微生物のプロセスを加速させるのに寄与します。微生物の活動速度に影響を与えると、土壌有機物の分解プロセスの速度が変化します。これらは、ウズベキスタンの土壌状況を悪化させるでしょう。上記の要因を考慮すると、土壌温度が直接的および間接的に環境に関連する多くの要因を制御していることがわかります。一方、これは経済レベルの変化や生活の質の変化につながる可能性があります6。したがって、ウズベキスタンなどの国では、土壌温度を予測する正確なシステムが必要であることは明らかです。これの主な利点は、土壌の肥沃度を制御および適切なレベルに維持できること、土壌の水分含有量を制御できること、土壌有機物を分解するプロセスにおける微生物活動の機能です。さらに、間接的に、これは経済成長と生活の質をサポートします。
したがって、本研究では、ウズベキスタンの重要な地域の一つであるヌクスにおいて、気候要因などの外部環境要因下での土壌温度を予測する初の研究を提示する。変化する環境条件下での土壌表面温度と10cm深の土壌温度の予測に成功した。ここで提示する研究は、機械学習技術を用いてヌクスの土壌温度を予測する文脈で実施された初の研究であるため、大きな新規性がある。10cm深の土壌温度は、種子の発芽を含む栽培の初期段階に極めて重要である。表土の水分レベルは、栽培の初期段階に極めて重要である。したがって、10cm深に高い注意が払われた。さらに、その地域では根域全体のデータは入手できなかった。したがって、根域の土壌プロファイル全体の土壌温度変動を包括的に理解することはできない。
この調査研究は、ウズベキスタンのヌクスを対象としています。ヌクスは、ウズベキスタンのカラカルパクスタン共和国の首都であり、ウズベキスタンで6番目に大きな都市です。ウズベキスタンの北西部に位置する伝統的な農業地域です。綿と穀物がこの地域の主な農産物です28。この地域は、夏の気温が高く、寒い砂漠気候です。それでも、332,500人が住んでいます（2022年の国勢調査による）28,29。図1は、ヌクス（42.4619°N、59.6166°E）の位置を示しています。さらに、水域、植生、および陸地（砂漠）に関する詳細を示しています。この地図は、無料で入手できるソフトウェアモジュールQGISバージョン3.36.1とMicrosoft Paintバージョンoffice 365を使用して作成されました。
調査地域 – ウズベキスタン、ヌクス (使用ソフトウェア – QGIS バージョン 3.36.1 および Microsoft Paint バージョン Office 365)。
ウズベキスタンでは、さまざまな種類の土壌組成が見られます30。国全体の土壌タイプの分布は、表 1 に示すように確認できます。
提示された統計によると、ウズベキスタンの陸地の大部分、28% は灰褐色の砂漠で覆われています。そのため、水不足と農業の制限が頻繁に見られます。しかし、この研究が行われたヌクスは灰色砂漠土壌で構成されています。ヌクスでは、塩分濃度が高く、有機物が少ないことが見られます。
ウズベキスタンは、さまざまな生物多様性パターンからなるユニークな生態系を持っています。国連開発計画によると、ウズベキスタンの水の 80% は近隣諸国から来ていることが証明されています31。しかし、国内の水資源は限られています。土壌浸食、土壌劣化、水質問題など、この地域で見られるその他の関連する環境問題もあります。
気候要因は、検討対象地域であるヌクス32の土壌温度と重要な関係があります。そのため、本研究では、気温、相対湿度、風速の3つの気候要因を観察しました。ヌクスの気温は7月に最も高くなり（35℃を超えることもあります）、1月は最も低くなります（-2.7℃を下回ることもあります）。ただし、ヌクスの年間降雨量は約100mmであるため、月間降雨量の変動は重要ではありません。
ヌクスの地理的特徴は重要であり、土壌温度に影響を与えます。ヌクスは標高 80 メートルに位置しています。前述のように、ウズベキスタンは近隣諸国からほとんどの表層水を受け取っています31。しかし、ヌクス地域の近くにはいくつかの水域があり、以下にリストします。
a. アムダリア川。この川の支流はヌクスを流れています。（これはヌクスの土壌の肥沃さと温度の維持を支えています）
b. サリカミシュ湖は、約170km離れた水域にある湖です。
c. クヴァドラト湖、4km離れた小さな湖
d. コスクル湖（5kmの距離にある）
さらに、カラクム砂漠とキジルクム砂漠は、最も近い注目すべき地域です。したがって、砂漠とヌクスの間の距離、および水域までの距離は、ヌクスの土壌温度に直接的および間接的に影響を与えます。さらに、最も近い山脈は、土壌温度の変化に寄与するもう 1 つの重要な現象です。ヌクスに近い最も近い山は、ベシュトベ トグです。ヌクスから約 25 km 離れています。
したがって、土壌温度の予測は、ウズベキスタンのヌクスにとって将来の計画、そして持続可能な開発目標（SDG2、3、8、13）の達成にとって非常に重要であることがはっきりとわかります。
ここでは、ヌクスの土壌温度レベルを予測するために、気温 (AT) (最低および最高 °C)、相対湿度 (RH) (%)、および風速 (WS) (m/s) を考慮しました。したがって、1989年から2018年 (30年間) のヌクスの月間気候データは、カラカルパクスタン共和国水文気象センターから入手しました。各月について3回の記録が行われました。したがって、1080 (30 × 12 × 3) のデータセットが得られました。同時に、土壌表面温度と表面から10 cm下の温度は、カラカルパクスタン共和国水文気象センターから入手しました。さらに、時間的変動を理解するために、降雨量データも収集されました。
現在、人工知能は世界で最も利用されている技術の1つになっています33,34。目に見えないパターンや、データ系列内の複雑な相互関係を識別する能力があります。機械学習モデルは、非線形関係を高精度で予測することができます35,36。そのため、いくつかの（8）最先端の機械学習モデルを利用して、地表と10cmの深さの土壌温度を予測しました。
極度勾配ブーストアルゴリズム (XGBoost) は、予測のための人工知能でよく使用されるアルゴリズムの 1 つです。このモデルは、決定木構造に従って各ステップでエラーを最小限に抑えようとします。XGBoost はエラーを制御することができます37。
カテゴリ ブースト アルゴリズム (CatBoost) – CatBoost は XGBoost で使用されるのと同じアプローチを採用しており、非常に強力な回帰モデルです。CatBoost の主な特長は、大規模なデータセットを効率的に機能させ、データ パターンを理解することです。特徴の重要性と並列機能は、このモデルの 2 つの主な利点であり、より高い結果をもたらします。
長短期記憶 (LSTM) – LSTM は、回帰分析を行う RNN とほぼ同じ構造に従います。複雑なデータ パターンと因子関係の処理は、このモデルの重要な機能の 2 つです。LSTM は、勾配の爆発や消失などの制限を克服し、シーケンス内の長期的な依存関係を効果的に処理できます。これは、他のモデルと比較して LSTM が提供する利点を強調しています。構造的には、これは入力ゲート、出力ゲート、および忘却ゲート 38,39 に続く 3 つの主要なゲート構造で構成されています。
双方向 LSTM (Bi-LSTM) – RNN 構造は、単方向 LSTM よりも多くのデータ パターンを理解できます。データセットのノイズを機能させ、理解して処理することが、このモデルの特徴の 1 つです。前方通過と後方通過の機能により、モデルはエラーを最小限に抑えることができます。両方向でシーケンスを処理すると、単方向 LSTM と比較してゲート数と重みが 2 倍になり、トレーニング時間とリソース要件が高くなります40。
人工ニューラルネットワーク (ANN) – ANN は、入力要因と出力要因間の線形および非線形の組み合わせを理解する可能性が高くなります39。さらに、ハイパーパラメータによるモデルの制御性が高くなるため、ANN モデルを特定のシナリオに適応させることができます。モデルを微調整すると、モデルの機能性が向上します41。
リッジ回帰—これは、シナリオの過剰適合と多重共線性のケースで機能するように開発された最先端のモデルです。このアプローチは、係数の L2 ノルムの 2 乗に比例する L2 正則化項を導入することで、通常最小二乗法 (OLS) 回帰を修正します。これは、独立変数間の多重共線性が高いシナリオで特に有利であり、係数のインフレーションと不安定性の問題を軽減します42,43。
ElasticNet – ElasticNet の重要な要素の 1 つは、Lasso 回帰と Ridge 回帰の弱点に基づいて構築されていることです。ElasticNet は Lasso 回帰と Ridge 回帰のショートケーキから学習し、モデルの正規化を改善します。一般に、機能選択、堅牢性、および多数のデータセット変数に対する優れたパフォーマンスにより、この最先端のモデルは、この研究調査とより互換性があります43,43。
最小絶対収縮および選択演算子 (Lasso) 回帰 – これは、統計モデルと機械学習モデルの組み合わせとして表すことができます。これにより、モデルは関係性とデータ パターンを理解し、予測を実行できます。モデルは制御可能であるため、特定のケースに合わせて微調整でき、予測の精度が向上します。リッジ回帰では L2 正規化が使用されますが、Lasso では L1 正規化手法が使用されます43。
機械学習アプローチに関する文献には、環境工学への応用に関する有望な研究結果が示されています38,41,44,45。Mampitiya ら38 が実施した研究では、関連する環境工学の問題における AI の適用可能性が示されました。
AI は土壌温度の予測に広く使用されています。主な理由は、データ パターンの変化を理解できる可能性があるためです。LSTM と Gradient Boost アルゴリズムは、これらのシナリオで効果的に活用されました46。最先端のモデルを実際のアプリケーションに適用するには、いくつかの手順を踏む必要があります。Ozturk ら47 は、土壌温度の予測における人工ニューラル ネットワークの使用方法を示しました。さらに、彼らは、さまざまな深度レベルで予測がどのように進むかを示しました。最先端のモデルのパフォーマンスはより有望ですが、データ取得の頻度が重要な役割を果たします。
この研究の主な目的は、気候パラメータに基づいて土壌表面と表面から 10 cm 下の土壌温度レベルを予測することです。モデル開発では、大気温度 (気温)、相対湿度、風速が外部気候パラメータとして考慮されました。図 2 は、表面土壌温度と 10 cm 深土壌温度に寄与する要因を示しています。これらのデータは、1989 年から 2018 年までの 30 年間にわたって取得されました。
表面および深さ 10 cm の土壌温度に対する異なる要因の寄与。
データ クリーニングは、機械学習モデルのデータ処理における重要なステップです。データのノイズの除去と欠損値の処理は、データ クリーニングにおける 2 つの重要なケースです。許容できないデータ変動は、現場の専門知識のサポートにより除去されました。データ処理中に発生する主要な問題の 1 つは、データセットの欠損データです。これらのデータセット要因は、環境工学の観点から相互に関連しています。したがって、データセットの欠損値は、データ パターンの中断につながる可能性があります。これらの欠損データも削除され、評価用の堅牢なデータセットがもたらされました。
この研究は2段階で行われ、第1段階では表土温度の予測が行われ、第2段階では表土温度に基づいて10cm深度の土壌温度が予測されました。式(1)は、土壌温度と表土温度の最小値と最大値を予測するための数学的定式化を示しています。
式（2）は地表下10cmの土壌温度を予測するための数学的定式化を示す。
2 つの方程式 (式 1、2) の作成には、XGBoost、CatBoost、LSTM、ANN、Bi-LSTM、Ridge Regression、Lasso Regression、ElasticNet を含む 8 つの最先端の機械学習モデルが使用されました。図 3 は、土壌温度を予測するために実行された全体的な方法論を示しています。
過剰適合は、多くの機械学習アプローチにおける主な懸念事項の 1 つです。そのため、過剰適合を最小限に抑えるために、正規化手法、評価によるハイパーパラメータ調整、および k 分割クロス検証手法が利用されました。さらに、この研究では、過剰適合を回避するためにモデルの早期停止が行われました。さらに、モデルの過剰適合を回避することで最大のパフォーマンスを達成するために、アルゴリズムの複雑さが調整されました。
このステップでは、モデルの全体的な機能性が検査されました。結果の正当性を得るために、モデルに対して 4 つの評価マトリックスが検討され、シナリオ全体で最もパフォーマンスの高いモデルを特定するために分析されました。評価マトリックスでは、回帰係数 (\({R}^{2}\))、二乗平均平方根誤差 (RMSE)、平均絶対誤差 (MAE)、および平均二乗誤差 (MSE) が使用されました。
関係する要因の相互依存性が特定されました。土壌の深さとともに温度が上昇するのが通常です。ただし、データセットでは表面から 10 cm の深さまで異なる変動が見られました。土壌温度は表面よりも低いようですが、これは水分含有量と太陽放射との接触が最小限であることによるものと考えられます。さらに、10 cm の土壌温度には明確な季節変動が見られます。図 4 は、2 年間の 10 cm の土壌温度の変動を示しています。6 月から 9 月の夏季には土壌温度が高くなり、冬季には温度が低くなります。
深さ10cmの土壌温度の変化。
図 5 は、10 cm の深さでの土壌温度を他の変数と比較して時間経過とともに示しています。時間的変動と変数間の関連性を議論するために、4 つのフェーズを識別できます。フェーズ 1 は、1 月から 3 月の間の変動の変化を示しています。これは、10 cm の深さの温度が約 0 °C である期間を表します。この期間中、他の要因はマイナスおよびプラスの上昇を示します。空気の相対湿度はかなりの変化を示します。フェーズ 2 では、10 cm の深さの温度の上昇エッジが観察されます。土壌表面温度が上昇し、相対湿度の突然の低下が見られます。フェーズ 3 では、10 cm の深さでの土壌温度が低下します。同時に、表面の土壌温度が大幅に低下します。一方、これらの月には、気温の低下など、他の関連要因も大幅な変動を示す傾向があります。フェーズ 4 では土壌温度が 0 °C まで低下し、フェーズ レベルに達します。ただし、この期間中に相対湿度が大幅に増加します。したがって、図 5 は変数間の関係を明確に説明し、予測モデルを開発するためにこれらの変数を考慮することの重要性を強調しています。
10cmの深さにおける土壌温度の時間的変化。
さらに、ピアソン相関は、考慮された要因間の関係を示しました。相関テストによって得られた結果は、要因の比例関係を表します。次の図 6 は、考慮された要因の相関マップがどのようになっているかを示しています。10 cm の深さの土壌温度は、気温、土壌表面温度、相対湿度、風速と良好な関係にあることが明確にわかります。したがって、すべての要因が機械学習モデルのトレーニングに利用されました。
10 cm 深さの土壌温度を予測するために考慮される要因の相関マップ。
さらに、散布図でデータ パターンの変化が特定されました。これにより、各要因のデータ相関が特定されました。次の図 7 は、さまざまな要因によって相関がどのように変化するかを示しています。
10 cm 深さの温度とその他の考慮される要因との相関関係。
負の相関とより高い正の相関は、図 7 によく示されています。最も相関係数が低い風速は、散在するデータ量が多いプロットを示しています。これは、10 cm 深度の温度と風速の関係が弱いことを示しています。ただし、10 cm 深度の土壌温度は、主に気温と表土温度の影響を受けます。表土層は、空気の温度変化に直接接触しています。さらに、表土温度は 10 cm の温度レベルと直接関係しています。ピアソン相関係数が 0.9 を超えると、上記の点が検証されます。相対湿度 (RH) が負であっても、値を考慮すると値は高くなります。
図 8 は、土壌表面の実際の（地上測定）温度に対する予測最大土壌温度レベルを示しています。
予測値と実際値 – 地表の最大表面温度。
図 8 は、予測モデルの決定係数の散布図を示しています。ほとんどのモデルは予測どおりに動作します。とりわけ、XGBoost は土壌表面最大値予測において最も優れたモデルとして識別できます。予測パフォーマンスの詳細については、表 2 を参照してください。
同様に、表 3 は、地表の最低土壌温度レベルの予測用に開発されたモデルのパフォーマンスを示しています。すべてのモデルのパフォーマンスは同等ですが、LSTM がわずかに優れています。
10 cm の深さでの土壌温度レベル予測のパフォーマンスを図 9 に示します。LSTM は、10 cm の深さでの土壌温度の予測において、他のモデルよりも優れています。これは、LSTM が入力データセットのデータ パターンを理解できることを意味します。他の指標に関するモデルのパフォーマンスは、表 4 に示されています。
予測値と実際値 – 深さ 10 cm での最大土壌温度。
表 4 に示す結果のとおり、予測におけるすべてのモデルのパフォーマンスは許容範囲内です。ただし、LSTM はわずかな改善で最良のパフォーマンスを示しています (R2 = 0.963、RMSE = 2.512)。
図 10 は、最良のモデルによる地表の最高気温と最低気温の土壌温度予測を示しています。最高気温予測では、XGBoost によってピークと谷が適切に予測されたことがはっきりとわかります (図 10a を参照)。ただし、最低土壌表面温度レベルの予測では、2 つのピークが LSTM によって捕捉されませんでした。地上で測定された他の温度レベルと比較すると、これら 2 つのピークは異常です。これは、測定における何らかのセンサーの問題によるものである可能性があります。ただし、最低土壌温度レベルの他のすべてのピークと谷は正確に予測されました (図 10b を参照)。したがって、開発されたモデルによって、地表の最低および最高土壌温度レベルの正確な予測が設定されます。
表面の土壌温度レベルの予測。
図 11 は、10 cm の深さでの土壌温度の予測レベルを示しています。予測値は測定温度と比較されました。実際のデータは、10 cm の深さでの測定温度を表しています。予測データは、測定された表面温度レベルと測定された気候データに基づく予測です。しかし、興味深いことに、この予測モデルの最終結果として、測定された気候データと予測された土壌表面温度レベルを使用して、10 cm の深さでの土壌温度レベルを予測しました。これは、図 11 の実際のアプリケーションとして示されています。
10cmの深さでの土壌温度予測。
予測値は実際の気温と滑らかに重なり、ピークと谷が強調されています。また、季節変動も十分に確立されています。したがって、外部の気候データと予測された土壌表面温度レベルに基づく予測モデルは、10 cm の深さの土壌温度レベルを理解するために効率的に使用できます。したがって、ウズベキスタンのヌクスでの連続測定を最小限に抑えることができます。
さらに、予測された土壌温度は、乾燥地域での持続可能な農業目的に使用できます。 Chaturanika ら 48 は、マルチング農業の助けを借りて、ウズベキスタンの農業における節水技術の重要性を包括的に提示しました。 土壌温度レベルはマルチング農業と直接関係しています 49。 したがって、土壌温度の予測は、マルチングの計画の必要性を促進するでしょう。 この戦略は、水資源が限られているウズベキスタンのような国にとって非常に重要です。 序論で説明したように、植物の成長は土壌温度レベルに直接関係しています。 この研究の調査結果を使用すると、モデルを修正することで植物の成長を正確に予測できます。 植物の成長だけでなく、発芽も土壌温度レベルに大きく影響されます 50。 したがって、調査結果は、農業の初期プロセスを適切に計画するのに役立ちます。
蒸発は土壌温度に直接関係するもう一つの側面である51。水循環は多くの人為的活動により不均衡になっている。したがって、変化する気候下での土壌温度との関係を理解することは、気候変動に対する可能な緩和戦略を特定する上で不可欠であろう。土壌温度予測モデルは、持続可能性への道の多くの側面で重要な役割を果たしている。Biazarら32は、フロリダの放牧地農業システム向けにハイブリッドニューラルネットワークを使用した土壌温度予測モデルを開発した。彼らは、5、10、20、50cmの深さまでの土壌温度を予測することができ、農業開発におけるそのようなモデルの重要性を示した。同様の発見は、青海チベット高原でLiら52によっても示された。したがって、土壌温度レベルを予測する局所的なモデルを開発する可能性は、農業に関連する地域的な問題に対処する上で極めて重要である。
しかし、この研究で開発されたモデルは、1 つの深度の 1 つの観測所のデータに基づいています。したがって、この分析では空間分布は考慮されていません。これは、信頼できるデータが不足しているためです。したがって、データが利用可能であれば、近隣地域からのより多くのデータを使用してモデルをさらに開発し、総合的な予測モデルにすることができます。これにより、土壌温度の等高線が作成され、農業におけるこれらの土壌温度の等高線の影響を理解できるようになります。さらに、このモデルは、より多くのデータを使用してさまざまな深度に開発され、地域で頻繁に栽培される換金作物の根圏に対応することもできました。ただし、データの不足により、作業の範囲が制限されています。
それにもかかわらず、研究の成果はいくつかの持続可能な開発目標（SDGs）の達成に役立ちます。SDG-2「飢餓をゼロに」は研究成果に直接関係しています。さらに、研究成果は間接的にSDG-1「貧困をなくそう」、SDG-8「働きがいも経済成長も」、SDG-13「気候変動に具体的な対策を」の達成にも役立ちます。したがって、開発されたモデルはSDGs達成に大きな可能性を秘めています。気候変動は水資源、エネルギー生産、食糧生産など多くの重要な分野に大きな影響を与えています53,54。したがって、SDGsの達成は最大の課題です。
ウズベキスタンのヌクスの表面と 10 cm の深さの両方で土壌温度レベルを予測する正確なモデルが開発されました。予測モデルの開発には、最先端の機械学習アルゴリズムが使用されました。10 cm の深さで温度レベルを予測するために開発されたモデルは、気候パラメータと予測された土壌表面温度レベルを入力として使用できます。したがって、10 cm の深さでの土壌の挙動を理解するために土壌表面温度を測定する必要はありません。これは、ここで適用された研究の大きな新規性を示しています。ただし、変化する気候条件下でモデルを随時検証するために、随時測定することをお勧めします。ここで提示された研究は、ヌクスやウズベキスタンなどの乾燥地域での食料生産の持続可能性の側面を改善するために使用できます。さらに、同様のモデルを国全体で開発し、土壌の挙動を理解することができます。予測された結果は、食料生産だけでなく生物多様性を改善するための全国的な持続可能性モデルの開発に使用できます。したがって、この研究の調査結果は、いくつかの持続可能な開発目標の達成につながります。提示された研究作業の結果に基づいて、以下の推奨事項を示すことができます。
最適な作物の種類を理解するには、10 cm の深さの土壌温度を農業専門家と連携させる必要があります。
作物の種類は、気候耐性を高めるために技術的に強化する必要があります。
気候の変化に伴う予測モデルの時間的変化を検証するには、頻繁なモニタリングが必要です。
全体的な予測モデルには、より多くの空間データを組み込む必要があります。
この論文で使用されているデータは、研究目的でリクエストに応じて提供されます。
Kannojia, P.、Sharma, P.、Sharma, K.「気候変動と農業生態系」43–64（エルゼビア、2019年）。
書籍 Google Scholar
Yang, T., Lupwayi, N., Marc, S.-A., Siddique, KH & Bainard, LD 土壌微生物群集の人為的要因と農業生態系における土壌生物学的機能への影響。Glob. Ecol. Conserv. 27, e01521 (2021)。
Google 学術
Frouz, J. 気候変動と土壌相互作用 1–19 (Elsevier、2020)。
書籍 Google Scholar
Li, M., Wu, P. & Ma, Z. 第3世代の大気および土地再解析データセットによる土壌水分と土壌温度の包括的評価。Int. J. Climatol. 40, 5744–5766 (2020)。
記事 Google Scholar
Zhang, L. et al.「中国東部の高地における土壌有機炭素の変化に対する気温と降水量の複合影響」Geoderma 337, 1105–1115 (2019)。
記事 ADS CAS Google Scholar
Du, P., Xu, M. & Li, R. 「一帯一路」沿線の主要国における気候変動による水資源への影響。PeerJ 9, e12201 (2021)。
論文 PubMed PubMed Central Google Scholar
Zabihi, N. & Saafi, M. 道路インフラからのエネルギー収集システムの最近の開発。サステナビリティ 12, 6738 (2020)。
記事 CAS Google Scholar
Yadav, SS, Hegde, V., Habibi, AB, Dia, M. & Verma, S. 気候変動農業と食糧安全保障。食糧安全保障と気候変動第1版（Yadav, SS、Redden, RJ、Hatfield, JL他編）（Wiley、2019年）。
Google 学術
Dwevedi, A. 他「新しい農薬と土壌センサー」561–594 (Elsevier、2017)。
書籍 Google Scholar
Chatterjee, A. et al. 米国農業土壌の窒素動態の温度感受性。Open J. Soil Sci. 10, 298–305 (2020)。
記事 CAS Google Scholar
Jeong, SH, Eom, J.-Y., Park, JY, Chun, JH & Lee, JS 温帯広葉樹林における降水量の土壌呼吸への影響。J. Ecol. Environ. 42, 1–8 (2018).
記事 Google Scholar
Wu, T., Hao, S. & Kang, L. 内モンゴル草原における土壌温度と水分がバッタの卵の発育と生存に与える影響。Front. Ecol. Evol. 9, 727911 (2021)。
記事 Google Scholar
Xu, C., Qu, JJ, Hao, X., Zhu, Z. & Gutenberg, L. 衛星観測と現場測定を組み合わせた森林地帯の表層土壌温度の季節変動推定。Int. J. Appl. Earth Obs. Geoinf. 91, 102156 (2020)。
Google 学術
Zheng, Y. et al. 気候要因は12の森林生態系における土壌細菌β多様性に予想外に大きな影響を及ぼす。Soil Biol. Biochem. 142, 107699 (2020)。
記事 CAS Google Scholar
Azizi-Rad, M., Guggenberger, G., Ma, Y. & Sierra, CA 凍結融解下における土壌呼吸速度の温度、水分、酸素に対する感受性。Soil Biol. Biochem. 165, 108488 (2022)。
記事 CAS Google Scholar
Yang, Y. et al. 土壌呼吸とその温度感受性への地球規模の影響は窒素添加率に依存する。Soil Biol. Biochem. 174, 108814 (2022)。
記事 CAS Google Scholar
Xu, S., Sheng, C. & Tian, C. 変化する土壌炭素：影響要因、隔離戦略、研究方向。Carbon Balance Manag. 15, 2 (2020)。
論文 CAS PubMed PubMed Central Google Scholar
Chakraborty, PK, Banerjee, S., Nath, R. & Samanta, S. インド下部ガンジス平野におけるさまざまな水ストレス条件下での夏イネの適温土壌温度と根の成長、穀粒収量への影響の評価。J. Saudi Soc. Agric. Sci. 21, 98–107 (2022)。
Google 学術
Hilty, J., Muller, B., Pantin, F. & Leuzinger, S. 植物の成長：その内容、方法、理由。New Phytol. 232, 25–41 (2021).
論文 PubMed Google Scholar
Burger, D., Bauke, S., Amelung, W. & Sommer, M. 完全な表土喪失後の農業用表土の急速な再形成 – ユニークな歴史的フィールド実験からの証拠。Geoderma 434, 116492 (2023)。
記事 ADS CAS Google Scholar
Alizamir, M. et al. 計算インテリジェントパラダイムに基づく気象予測子を使用した半乾燥大陸性気候における堅牢な毎日の土壌温度推定の開発。PLoS ONE 18、e0293751 (2023)。
論文 CAS PubMed PubMed Central Google Scholar
Jiao, M. et al. 青海-チベット工学回廊沿いの永久凍土地域における10cmおよび50cmの深さでの土壌温度の時空間変動。Remote Sens. 15, 455 (2023)。
記事広告 Google Scholar
Bekhzod, A. et al. 中央キジルクムの牧草地タイプの現状。Am. J. Plant Sci. 7, 677 (2016)。
記事 Google Scholar
Juraev, Z. MDPI プレプリント 水の安全保障。Authorea。(2023)。
Khasanov, S. et al. ウズベキスタンにおける土壌塩分の作物生産への影響評価とその世界的意義。Agric. Ecosyst. Environ. 342, 108262 (2023)。
記事 CAS Google Scholar
Khamidov, M., Ishchanov, J., Hamidov, A., Donmez, C. & Djumaboev, K. ウズベキスタン、ホラズム地方における気候変動による土壌塩分変化の評価。Int. J. Environ. Res. Public Health 19, 8794 (2022).
論文 PubMed PubMed Central Google Scholar
Rengasamy P. オックスフォード環境科学研究百科事典。(2016)
Liu, Z. et al. ヌクス灌漑地域アム川下流域における定量的蒸発散量逆転に基づく水収支分析。Remote Sens. 12, 2317 (2020)。
記事 ADS CAS Google Scholar
ルビン、N. 旧ソビエト連邦共和国における環境資源と制約 289–306 (Routledge、2019)。
書籍 Google Scholar
Rakhmatullaev , S. 、Huneau , F. 、Le Coustumer , P. & Motelica-Heino , M. 2011 経済移行期にある国々の持続可能な灌漑農業生産: 課題と機会 (中央アジアのウズベキスタンのケーススタディ)。農業。製品..139–161。 https://ensu.hal.science/insu-00460453 (2011)。
Orzaliev, K.、Mukasheva, A.、Ybyray, N.、Nurekeshov, T. 中央アジアにおける水関係の現在の規制。登録科学。 Policy Pract.、100038。https://eabr.org/en/analytics/special-reports/regulation-of-the-water-and-energy-complex-of-central-asia/ (2024)。
Biazar, SM, Shehadeh, HA, Ghorbani, MA, Golmohammadi, G. & Saha, A. フロリダ亜熱帯放牧地農業生態系におけるハイブリッド人工ニューラルネットワークを使用した土壌温度予測。Sci. Rep. 14, 1535 (2024)。
論文 ADS CAS PubMed PubMed Central Google Scholar
Wang, H. et al.人工知能時代の科学的発見。Nature 620, 47–60 (2023)。
記事 ADS CAS PubMed Google Scholar
Ali, S. 他「説明可能な人工知能 (XAI): 信頼できる人工知能を実現するためにわかっていることと残されていること」Inf. Fusion 99, 101805 (2023)。
記事 Google Scholar
Imanian, H., Shirkhani, H., Mohammadian, A., Hiedra Cobo, J. & Payeur, P. 人工知能を用いた陸水界面の土壌温度と水分量の空間補間。Water 15, 473 (2023).
記事 Google Scholar
Talsma, CJ, Solander, KC, Mudunuru, MK, Crawford, B. & Powell, MR 機械学習とディープニューラルネットワークモデルを使用した霜予測。Front. Artif. Intell. 5, 963781 (2023)。
論文 PubMed PubMed Central Google Scholar
Meddage, P. et al. Shapleyの加法説明（SHAP）を使用した低層切妻屋根の建物に対する機械学習ベース（ブラックボックス）の風圧予測の解釈。Buildings 12、734（2022）。
記事 Google Scholar
Mampitiya, L., Rathnayake, N., Hoshino, Y. & Rathnayake, U. PM10レベルを予測する機械学習モデルの性能。MethodsX 12, 102557 (2024)。
記事 CAS Google Scholar
Kujawska, J., Kulisz, M., Oleszczuk, P. & Cel, W. ポーランドのルブリンにおけるPM10の濃度を予測するための機械学習手法。Energies 15, 6428 (2022)。
記事 CAS Google Scholar
Moharm, K.、Eltahan, M.、Elsaadany, E. 2020年国際スマートグリッドおよびエネルギーシステム会議（SGES）、922–927（IEEE、2020）。
Mampitiya, L. 他「スリランカの2つの都市部における気象データを用いた空気質予測のための機械学習技術」Environments 10, 141 (2023)。
記事 Google Scholar
Narisetty, NN 統計ハンドブック 207–248 (Elsevier、2020)。
Google 学術
Liu, W. & Li, Q. スペクトルデータの変数選択のための回帰係数法による効率的な弾性ネット。PLoS ONE 12、e0171122 (2017)。
論文 PubMed PubMed Central Google Scholar
Pereira, JM, Basto, M. & Da Silva, AF 企業倒産の予測におけるロジスティックラッソとリッジ回帰。Proced. Econ. Finance 39, 634–641 (2016)。
記事 Google Scholar
Mampitiya, L., Rathnayake, N., Hoshino, Y. & Rathnayake, U. スリランカの PM10 レベルの予測: 機械学習モデルの比較分析 PM10. J. Hazard. Mater. Adv. 13, 100395 (2024).
記事 CAS Google Scholar
Imanian, H.、Hiedra Cobo, J.、Payeur, P.、Shirkhani, H.、Mohammadian, A. 通常の気候条件と極端に暑いイベントでの土壌温度予測のための人工知能アプリケーションの包括的な研究。サステナビリティ 14、8065 (2022)。
記事 Google Scholar
Ozturk, M., Salman, O. & Koc, M. 土壌温度を推定するための人工ニューラルネットワークモデル。Can. J. Soil Sci. 91, 551–562 (2011)。
記事 Google Scholar
Chathuranika, I., Khaniya, B., Neupane, K., Rustamjonovich, KM & Rathnayake, U. ウズベキスタンの農業における節水型農業技術と灌漑方法の大規模導入は緊急課題である。Sustain. Water Resour. Manag. 8, 155 (2022).
記事 Google Scholar
Komariah, et al. 土壌マルチングによる土壌温度と収穫時期がジャワティー（Orthosiphon aristatus B.）のフェノール、フラボノイド、抗酸化物質含有量に与える影響。Chem. Biol. Technol. Agric. 8, 1–13 (2021).
記事 Google Scholar
Szczerba, A. et al. 低温が4種類の大豆（Glycine max L.）栽培品種の発芽、成長、種子収量に与える影響。農学誌 11, 800 (2021)。
記事 CAS Google Scholar
Liu, P., Xia, Y. & Shang, M. 冬季の土壌温度が裸地蒸発に与える影響に関するベンチスケール評価。Hydrol. Res. 51, 1349–1357 (2020)。
記事 CAS Google Scholar
Li, Y. et al. 青海チベット高原の浅層土壌温度の時間的・空間的特性の解析。Sci. Rep. 12, 19746 (2022)。
論文 ADS CAS PubMed PubMed Central Google Scholar
Azamathulla, HM, Rathnayake, U. & Shatnawi, A. 遺伝子発現プログラミングと人工ニューラルネットワークによるサウジアラビアタブークの気温の推定。Appl. Water Sci. 8(184), 1–7 (2018).
広告 Google Scholar
Perera, A. et al. 西インド諸島トリニダード・トバゴの最近の気候傾向。アジア太平洋J.Sci.Technol.25(2), 1–11 (2020)。
Google 学術
水資源管理およびソフトコンピューティング研究室、アトゥルギリヤ、ミレニアムシティ、10150、スリランカ
ウズベキスタン、ヌクス、サマルカンド国立獣医学・畜産・バイオテクノロジー大学ヌクス支部、動物解剖学・生理学・生化学学科、230100
ケジャベク・ロズムベトフ & アディルバイ・エシンベトフ
東京大学工学部土木工学科、〒113-8656 東京都文京区弥生1丁目1番1号
サンクトペテルブルク国立小児医学大学正常生理学科、194100、サンクトペテルブルク、ロシア
アトランティック工科大学工学部電子機械工学科、レターケニー、F92 FC93、アイルランド
UN-SPIDER-UK 地域サポート オフィス、セントラル ランカシャー大学、プレストン、PR1 2HE、英国
セントラルランカシャー大学工学部、プレストン、PR1 2HE、英国
高知工科大学システム工学部、〒782-8502 高知県加美市土佐山田字宮ノ口185
アトランティック工科大学工学デザイン学部土木工学建設学科、スライゴ、F91 YW50、アイルランド
この著者をPubMed Google Scholarで検索することもできます
この著者をPubMed Google Scholarで検索することもできます
この著者をPubMed Google Scholarで検索することもできます
この著者をPubMed Google Scholarで検索することもできます
この著者をPubMed Google Scholarで検索することもできます
この著者をPubMed Google Scholarで検索することもできます
この著者をPubMed Google Scholarで検索することもできます
この著者をPubMed Google Scholarで検索することもできます
この著者をPubMed Google Scholarで検索することもできます
概念化、UR、SA、データキュレーション、形式分析、調査、AE.、UR、KR、方法論、LM、視覚化、NR、LM、KR、原稿執筆、SA、KM、編集とレビュー、YH、KK、検証、UR、監督とプロジェクト管理、UR
ウパカ・ラスナヤケ氏への通信。
著者らは利益相反がないことを宣言します。
Springer Nature は、公開された地図や所属機関における管轄権の主張に関しては中立の立場を維持しています。
オープンアクセス この記事は、クリエイティブ コモンズ アトリビューション 4.0 国際ライセンスに基づいてライセンスされています。このライセンスは、元の著者と情報源を適切にクレジットし、クリエイティブ コモンズ ライセンスへのリンクを提供し、変更があった場合はその旨を記載する限り、あらゆるメディアや形式での使用、共有、翻案、配布、複製を許可します。この記事内の画像やその他の第三者の素材は、素材のクレジット ラインに別途記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図する使用が法定規制で許可されていない、または許可された使用を超える場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。
Mampitiya, L., Rozumbetov, K., Rathnayake, N. et al. 新しいモデルの開発による土壌温度予測のための人工知能。Sci Rep 14, 9889 (2024). https://doi.org/10.1038/s41598-024-60549-x
出典: https://doi.org/10.1038/s41598-024-60549-x
次のリンクを共有する人は誰でもこのコンテンツを読むことができます:
申し訳ありませんが、この記事には現在共有可能なリンクがありません。
Springer Nature SharedItコンテンツ共有イニシアチブ提供
コメントを送信することにより、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。不適切な内容や利用規約やガイドラインに準拠していない内容を見つけた場合は、不適切として報告してください。
Scientific Reports (Sci Rep) ISSN 2045-2322 (オンライン)
© 2024 シュプリンガー・ネイチャー・リミテッド
Nature Briefing: Anthropocene ニュースレターに登録してください。人新世研究で重要な情報が毎週無料であなたの受信箱に届きます。
元記事: https://www.nature.com/articles/s41598-024-60549-x