A mezőgazdasági fenntarthatóság javítása MI-alapú talajnedvesség-modellezéssel: talajtípusra és -mélységre vonatkozó elemzés SHAP-modellel
DOI:
https://doi.org/10.17108/ActAgrOvar.2025.66.2.5Kulcsszavak:
talajnedvesség-tartalom előrejelzése, random forest regresszió, IoT-érzékelők, talajmélység-specifikus modellezés, öntözési stratégiákAbsztrakt
A talajnedvesség-tartalom (SMC) pontos előrejelzése elengedhetetlen az öntözés- és a vízfelhasználás optimalizálása, összességében a mezőgazdaság fenntarthatóságának javítása érdekében. A tanulmányban egy Random Forest regressziós modellt alkalmaztak a talajnedvesség-tartalom talajmélység-specifikus előrejelzésére két vegetációs időszak alatt (2023, 2024). A modellt két fizikai talajtípuson (vályog és iszapos vályog) öt mélységben tesztelték. Az elemzésben két forgatókönyvet alkalmaztak, melyben az első kizárólag vegetációs indexeket, a második pedig a vegetációs indexeket mellett meteorológiai adatokat is integrált. Az eredmények mindkét talajtípuson és mélységnél szignifikáns különbséget mutattak a második forgatókönyvben, bizonyítva ezzel a meteorológiai adatok integrálásának fontosságát. Vályog talaj esetén az R² érték az 5, 20 és 40 cm-es mélységeken az első forgatókönyvben 0,65; 0,61 és 0,82-ről; a második forgatókönyvben 0,94; 0,83 és 0,87-re nőtt. Hasonlóképpen, az iszapos vályog talajnál ugyanezen mélységek (5, 20, 40 cm) esetén az R² a második forgatókönyvben 0,97; 0,96 és 0,94 értékre javult, szemben az első forgatókönyvben prognosztizált 0,88; 0,94 és 0,82 adatokkal. A SHAP (SHapley Additive exPlanations) elemzés feltárta, hogy a talajnedvesség előrejelzésére legnagyobb hatással bíró jellemzők a vályog talajnál a csapadék, a páratartalom és az NDVI, míg az iszapos vályognál a napsugárzás és az Normalizált Differenciált Vegetációs Index (NDVI) voltak. Ezek az eredmények hangsúlyozzák, hogy a meteorológiai adatok integrálása jelentősen javítja a modell teljesítményét a talajnedvesség előrejelzésében.
Hivatkozások
Ågren, A. M., Larson, J., Paul, S. S., Laudon, H., & Lidberg, W. (2021). Use of multiple LIDAR-derived digital terrain indices and machine learning for high-resolution national-scale soil moisture mapping of the Swedish forest landscape. Geoderma, 404, 115280. https://doi.org/10.1016/j.geoderma.2021.115280
Alahmad, T., Neményi, M., & Nyéki, A. (2024). Soil Moisture Content Prediction in Loam Soil with RFR Model. Acta Agronomica Óváriensis, 65(2), 43-56. https://doi.org/10.17108/ActAgrOvar.2024.65.2.43
Alahmad, T., Neményi, M., & Nyéki, A. (2025a). Soil Moisture Content Prediction Using Gradient Boosting Regressor (GBR) Model: Soil-Specific Modeling with Five Depths. Applied Sciences, 15(11), 5889. https://doi.org/10.3390/app15115889
Alahmad, T., Neményi, M., & Nyéki, A. (2025b). Soil moisture prediction with machine learning: combining vegetation indices and meteorological data. In Precision agriculture’25 (pp. 1319-1326). Wageningen Academic.
Bibek, A., & Vivek, S. (2025). Comparative analysis of soil and water dynamics in conventional and sod-based crop rotation in Florida. Frontiers in Agronomy, 7. https://doi.org/doi:10.3389/fagro.2025.1552425
Bramley, R. G. V., Perry, E. M., Richetti, J., Colaço, A. F., Mowat, D. J., Ratcliff, C. E. M., & Lawes, R. A. (2024). Within-field extrapolation away from a soil moisture probe using freely available satellite imagery and weather data. Precision Agriculture, 25(4), 1877-1893. https://doi.org/10.1007/s11119-024-10138-9
Celik, M. F., Isik, M. S., Yuzugullu, O., Fajraoui, N., & Erten, E. (2022). Soil Moisture Prediction from Remote Sensing Images Coupled with Climate, Soil Texture and Topography via Deep Learning. Remote Sensing, 14(21), 5584. https://doi.org/10.3390/rs14215584
Chen, P.-Y., Chen, C.-C., Kang, C., Liu, J.-W., & Li, Y.-H. (2025). Soil water content prediction across seasons using random forest based on precipitation-related data. Computers and Electronics in Agriculture, 230, 109802. https://doi.org/10.1016/j.compag.2024.109802
Dirksen, C. (1999). Soil physics measurements. Catena Verlag.
Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C., Laberinti, P., Martimort, P., Meygret, A., Spoto, F., Sy, O., Marchese, F., & Bargellini, P. (2012). Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services. Remote Sensing of Environment, 120, 25-36. https://doi.org/10.1016/j.rse.2011.11.026
Gao, Y., Xie, Y., Jiang, H., Wu, B., & Niu, J. (2014). Soil water status and root distribution across the rooting zone in maize with plastic film mulching. Field Crops Research, 156, 40-47. https://doi.org/10.1016/j.fcr.2013.10.016
Guo, F., Huang, Z., Su, X., Li, Y., Luo, L., Ba, Y., Zhang, Z., & Yao, Y. (2024). Soil Moisture Content Inversion Model on the Basis of Sentinel Multispectral and Radar Satellite Remote Sensing Data. Journal of Soil Science and Plant Nutrition, 24(4), 7919-7933. https://doi.org/10.1007/s42729-024-02087-z
Hussein, E. E., Zerouali, B., Bailek, N., Derdour, A., Ghoneim, S. S. M., Santos, C. A. G., & Hashim, M. A. (2024). Harnessing Explainable AI for Sustainable Agriculture: SHAP-Based Feature Selection in Multi-Model Evaluation of Irrigation Water Quality Indices. Water, 17(1), 59. https://doi.org/10.3390/w17010059
Li, B., You, Z., Ni, K., & Wang, Y. (2024). Prediction of Soil Compaction Parameters Using Machine Learning Models. Applied Sciences, 14(7), 2716. https://doi.org/10.3390/app14072716
Luo, W., Xu, X., Liu, W., Liu, M., Li, Z., Peng, T., Xu, C., Zhang, Y., & Zhang, R. (2019). UAV based soil moisture remote sensing in a karst mountainous catchment. CATENA, 174, 478-489. https://doi.org/10.1016/j.catena.2018.11.017
Ning, J., Yao, Y., Tang, Q., Li, Y., Fisher, J. B., Zhang, X., Jia, K., Xu, J., Shang, K., Yang, J., Yu, R., Liu, L., Zhang, X., Xie, Z., & Fan, J. (2023). Soil moisture at 30 m from multiple satellite datasets fused by random forest. Journal of Hydrology, 625, 130010. https://doi.org/10.1016/j.jhydrol.2023.130010
Nyéki, A., Kerepesi, C., Daróczy, B., Benczúr, A., Milics, G., Nagy, J., Harsányi, E., Kovács, A. J., & Neményi, M. (2021). Application of spatio-temporal data in site-specific maize yield prediction with machine learning methods. Precision Agriculture, 22(5), 1397-1415. https://doi.org/10.1007/s11119-021-09833-8
Python Software Foundation. (2024). Python Language Reference, version 3.10. https://www.python.org QGIS. (2024). QGIS. https://qgis.org/
Saha, A., Patil, M., Goyal, V. C., & Rathore, D. S. (2019). Assessment and Impact of Soil Moisture Index in Agricultural Drought Estimation Using Remote Sensing and GIS Techniques. Proceedings, 7(1), 2. https://doi.org/10.3390/ECWS-3-05802
Sentinel Hub. (2024). https://www.sentinel-hub.com
Sihag, P., Tiwari, N. K., & Ranjan, S. (2019). Prediction of cumulative infiltration of sandy soil using random forest approach. Journal of Applied Water Engineering and Research, 7(2), 118-142. https://doi.org/10.1080/23249676.2018.1497557
Songara, J. C., & Patel, J. N. (2022). Calibration and comparison of various sensors for soil moisture measurement. Measurement, 197, 111301. https://doi.org/10.1016/j.measurement.2022.111301
Tarolli, P., & Zhao, W. (2023). Drought in agriculture: Preservation, adaptation, migration. The Innovation Geoscience, 1(1), 100002. https://doi.org/10.59717/j.xinn-geo.2023.100002
USDA. ND. (2020). Natural Resources Conservation Service. Soil classification. Retrieved October 17, 2020, from https://www.nrcs.usda.gov/wps/portal/nrcs/main/soils/survey/class/
Willmott, C. J., Ackleson, S. G., Davis, R. E., Feddema, J. J., Klink, K. M., Legates, D. R., O’Donnell, J., & Rowe, C. M. (1985). Statistics for the evaluation and comparison of models. Journal of Geophysical Research: Oceans, 90(C5), 8995-9005. https://doi.org/10.1029/JC090iC05p08995
Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557.
Zheng, J., Jin, X., Li, Q., Lang, J., & Yin, X. (2024). Soil moisture variation and affecting factors analysis in the Zhangjiakou–Chengde district based on modified temperature vegetation dryness index. Ecological Indicators, 168, 112775. https://doi.org/10.1016/j.ecolind.2024.112775
Zhu, S., Cui, N., Jin, H., Jin, X., Guo, L., Jiang, S., Wu, Z., Lv, M., Chen, F., Liu, Q., & Wang, M. (2024). Optimization of multi-dimensional indices for kiwifruit orchard soil moisture content estimation using UAV and ground multi-sensors. Agricultural Water Management, 294, 108705. https://doi.org/10.1016/j.agwat.2024.108705
Downloads
Megjelent
Hogyan kell idézni
Folyóirat szám
Rovat
License
Copyright (c) 2025 Tarek Alahmad, Miklós Neményi, Anikó Nyéki
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
