专业大挑战的文章

前面。土壤科学。,20 August 2021
秒。Pedometrics
卷1 - 2021 | https://doi.org/10.3389/fsoil.2021.714323

Pedometrics-AI研究的重大挑战

Sabine格 ^*

Pedometrics、景观分析和GIS实验室、土壤和水科学系,佛罗里达大学盖恩斯维尔,佛罗里达州,美国

Pedometrics和数字土壤制图的基础

的纪律pedometrics结合土壤学(即。,understanding of the physical, chemical, and biological soil properties, patterns, and their genesis) and quantitative modeling of soils. Pedometrics research has focused extensively to model soil properties and associated uncertainties from field to large landscape scale (1,2)。人工智能(AI),特别是机器学习(毫升)和深度(DL)学习算法,拥有先进的深远变革的纪律与新的挑战。

概念框架的底层pedometrics和数字土壤制图(DSM)已经植根于阶乘模型相关的土壤和土壤形成因素影响,所谓的协变量土壤环境(3,4)。这些土壤的阶乘框架已经从概念CLORPT土壤形成模型¹(5,6时空上),明确SCORPAN框架²(7)向时空上明确STEP-AWBH模型框架³(8- - - - - -11)。soil-factorial建模的一般方法使用STEP-AWBH输入变量来预测土壤属性或类展示图1。后一种心理框架占soil-landscape条件(步骤因素^三世)和大气的动力学/气候(A)、水/水圈(W),生物圈(B),以及人类活动(H)的社会、文化、经济和政治领域(例如,土地管理、碳信贷市场,经济激励措施和计划,人力资源资本)。例如,STEP-AWBH框架促进了公司的短期暂时AWBH不同等因素短期气候变量(例如,降雨径流事件前土壤观察)和长期气候模式和变化(例如,40年的平均年降水量和40年的前土壤温度变化幅度观察),在研究地区成土作用的影响。STEP-AWBH框架固定在系统理论观点的总和一个生态系统集成领域的多样性。因此,STEP-AWBH已经阶乘模型更接近地球机械仿真模型通过整合土壤、生物地球化学、社会文化、经济和政治因素建模过程的土壤。

图1

图1。概述soil-factorial建模基于STEP-AWBH模型[后(8)]。

一般来说,概念的阶乘土壤模型使用纯粹的空间实现定量方法(例如,地质统计学方法),环境相关方法(例如,拟合多元回归等方法,ML,和DL),和混合方法(例如,回归克里格)(12- - - - - -14)。纯机械的时空模拟土壤成因仍在pedometrics由于以下挑战的前沿(1)劳动力和成本收集土壤数据和最新的土壤环境数据集,(2)适当的算法模型在时空尺雷竞技rebat度上土壤,(3)人类的主观性和特质的影响到景观,由于需求变化很大,人们的价值观和信仰,和(4)不足的社会,文化,经济和政治维度建模过程。尽管阶乘土壤模型旨在提供一种机械的土壤形成他们主要用作框架功能适合模型形式化和由此产生的土壤成土因素之间的关系。

知识与数据驱动Soil-Factorial建模

知识型Soil-Factorial模型

土壤因子预测模型主导pedometrics评估领域的土壤质量,安全,健康,生育能力,生产力,更多(15,16)。从土壤的角度来看,这些模型是单向的,旨在预测土壤(S)在空间:等成土因素→S .因此,CLORPT启发土壤预测模型确定的假设土壤环境协变量之间的因果关系(原因)和土壤(效果)。底层的哲学范式(1)建构主义关注的整合新知识和理解的土壤环境的整体的一部分,和(2)参与性认识论断言的意义出现通过人类与环境的参与。例如,对于土壤科学家通过土壤的研究意义时,农民通过裁剪和可持续性意义产生的土壤,为环保意义出现通过关心和保护土壤。建构主义和参与范式认为人类和所有生命形式的代理参与土壤的形成和使用(B和H→S);反之亦然,土壤土地利用形状,水通量的影响,气候条件影响,等等。(S→SCORPAN;STEP-AWBH)。这种知识型观点承认之间的反馈循环成土因素和采用综合系统的角度来看,荣誉的意思,连接,和理解soil-people关系(17)。

挑战依然存在在知识型soil-factorial模型填充SCORPAN和STEP-AWBH因素,尤其是B和H的因素。大量的DSM应用填充因子和H因子B使用土地覆盖,土地使用,或光谱签名来自近端传感器或远程传感器(如。,(12,14,18- - - - - -21)]。这些土壤预测模型缺乏表达的多样性人为影响到土壤和减少H因子在环境系统可量化的变量;或者更糟,忽视填充H因子。商品化的B和H等因素忽略社会文化领域(如土地利用管理,人们的信仰和价值的性质和土壤)和政治经济领域(如保护计划,经济作物市场和环境法规)与soilscapes交互。

数据驱动的土壤因子模型

采用AI-ML AI-DL到土壤学的研究目标的理解土壤形成和模式向搜索“最好的”执行土壤预测模型。字面意思是“跑步机”来确定理想的SCORPAN或STEP-AWBH变量之间的关系和目标土壤性质(年代)。最近,Padarian et al。(22)提供了一个全面审查的数字土壤模型使用DL和Khaledian和米勒(23)综述了ML预测土壤映射的方法。

一般来说,预测是指对未来状态的预测,尽管阶乘土壤模型不适合预测或展望,因为土壤的理解传达,成土因素和之间的关系随时间变化(24)。因此,阶乘模型主要用于数字土壤制图来计算土壤属性的空间明确的预测。例如,地理空间预测土壤有机碳、土壤容重、阳离子交换容量、pH值、土壤质地分数,是由基岩的深度Hengl et al。(25)使用随机森林、梯度推进,和神经网络。Padarian et al。(22)使用卷积神经网络和立体派预测土壤层和土壤有机碳,而(26)使用各种ML算法(其中随机森林,袋装回归树,提高了回归树,支持向量机)来预测土壤总碳和多个碳分数。

土壤因子建模方法不适合项目土壤属性在未来,因为这将涉及土壤外推预测与高相关的不确定性。因此,有限制的阶乘土壤建模解决大挑战,如评估未来的土壤和粮食安全。相反,现在最先进的阶乘模型广泛应用于pedometrics社会计算成土因素和年代之间的关系和应用这些机械备件未取样的位置在一个给定的研究模型。例如,Minasny et al。(27)、罗斯et al。(28),Wadoux et al。(29日),熊等。11),杨et al。(30.使用各种人工智能)计算土壤有机碳及其配件用随机森林算法在土壤科学中最流行的方法之一。AI-ML AI-DL技术准备优化通过蛮合适的输入和输出(31日)。

基于ai的阶乘土壤建模的影响是惊人的。AI模型旨在计算之间的“完美”连接成土因素和年代来描述因素采用纯粹的实证数据驱动的视角。计算进步有促进应用AI-DL算法,使用多层指毫升,节点,权重因素调节计算的元素(32)。人工神经网络,如卷积神经网络(CNN),采用DL模式以适应输入(成土因素)和输出(一个特定的土壤属性或类)占实际土壤生态系统的复杂性(如CNN-DSM应用28)。根据廖(33),“深度学习公布预测没有解释(人类)如何到达预测”(p。7)。AI-DL土壤模型理想化R²1.0和能够最小化误差指标如没有其他统计或地质统计学方法。AI-DL模型使用节点或节点层表示土壤知识以抽象的形式,缺乏透明度对土壤科学家,土地管理者和公众。

重要的是,这场运动从知识型向数据驱动的基于ai soil-factorial建模是一个深刻的范式转换,即从早期的研究集中在理解humans-soil-environmental域向土壤映射成机器码。基于ai土壤建模放松deterministic-mechanistic假设土壤环境协变量之间的因果关系(原因)和土壤(效应);相反,协变量之间的关联和土壤(s)优化识别表现最好的模型(s)。后者关联可能是虚假的,缺乏透明度,人类一种价值主导型和信任模型中,所谓感性,容易受到一个pixel-attacks (33)。通过改变图像像素,哈佛大学研究人员能够得到一个DL算法分类的图像一辆车作为一只狗(33)。pixel-attacks如何影响土壤地图和模型?的含义是什么添加/改变土壤观察或协变量(例如,遥感图像中的一个像素)在一个AI-DL土壤预测模型?

什么是“完美”的土壤模型的未来?

soil-landscape模式的关键从土壤转移知识-发现,《创世纪》向机器优化土壤模型创造了热情,批评和争议pedometrics研究社区。Wadoux et al。(34)表明,毫升可以找到相关土壤模式即使毫无意义的伪变量,pedometricians数字肖像照片等,成功地预测土壤有机碳使用机器学习算法随机森林。

SCORPAN的流行趋势和STEP-AWBH促进建模的土壤需要增加使用(1)潜变量和AI-ML方法,特别流行的随机森林方法(如。,(35,36)、(2)隐藏节点层,AI-DL方法(如加权因素。,(29日,37),(3)应用程序的自动化映射技术在全球范围内(25,38之间)来确定最适合的土壤,土壤环境协变量和光谱数据,减少不确定性和偏见,并优化土壤预测的准确度和精密度。这些machine-focused研究应用揭示“完美”的土壤模型的误差和不确定性度量。然而,这些类型的机器生成的土壤模型是根植于抽象的土壤环境关系维度和复杂的高阶非线性的输入和输出变量之间的交互。挑战依然存在提高透明度和AI土壤模型的意义。在人工智能、黑盒(AI-DL)或灰色盒子(AI-ML)概念框架采用前者AI-DL限制控制土壤的土壤环境关系的见解预测模型。相比之下,“完美”的土壤模型使用non-AI方法旨在最大化知识发现(例如,评估土壤碳或识别STEP-AWBH变量与最强烈地与一个特定的年代)研究者对人来说是有意义的。

未来soil-factorial模型应用面临的挑战是账户,选择相关的土壤环境(例如反是;SCORPAN或STEP-AWBH因素)根据土壤的知识以及严谨后土壤模型解释。熊等。11)提供了一个整体soil-landscape建模框架相结合的知识和数据驱动的人工智能的方法来评估土壤有机碳在佛罗里达州。熊等的战略方法能够辨别(1)所有相关设置(即。,strongly and weakly relevant STEP-AWBH variables to assess S which has value to understand the mechanisms underlying the formation of S), (2) minimal-optimal set (i.e., to identify a parsimonious and transparent model for end-users), and (3) irrelevant variables (e.g., pseudo-variables that are not meaningful to explain pedological processes). Challenges remain to harmonize and reconcile knowledge-based and data-driven AI soil modeling approaches to account for the diversity of soil-landscapes.

作者的贡献

作者证实了这项工作的唯一贡献者和已批准出版。

资金

SG由佛罗里达大学的资助。

的利益冲突

作者说,这项研究是在没有进行任何商业或金融关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

确认

我要感谢Pedometrics委员会内的关键讨论国际土壤科学联合会的灵感写这篇简短的文章。

脚注

1。^用CL CLORPT土壤形成模型、气候;啊,生物;R,救援;P,母体材料;和时间T,形成土壤(5,6)。

2。^SCORPAN模型与年代,土壤类或属性;啊,生物(动物、植物、植被、或人类活动);R,救援(地形、景观属性);P,母质,岩性;一、年龄和时间因素和N,空间,空间位置(7)。

3所示。^STEP-AWBH模型和S:辅助土壤属性(例如,土壤质地、土壤光谱数据),T,地形属性(如高程、坡度、曲率、复合地形指数);E、生态/地理属性(例如,地形学的地区,ecoregion);P,母体材料;地质属性(例如,地质形成);一、大气属性(如降水、温度、太阳辐射);W,水属性(例如,地表径流、下渗率);B,生物属性(例如,植被/土地覆盖,土地利用、土地利用变化、光谱指数来源于遥感、生物);H,人为因素(如污染、温室气体排放)(8)。

引用

1。Minasny B, McBratney AB。数字土壤制图:一个简短的历史和一些教训。Geoderma。(2015)264:301-11。doi: 10.1016 / j.geoderma.2015.07.017