In den letzten Jahren haben ML-Algorithmen zunehmend Anerkennung in der ökologischen Modellierung gefunden, einschließlich der Vorhersage von organischem Kohlenstoff im Boden (SOC). Ihre Anwendung auf kleinere Datensätze, wie sie typisch für die langfristige Bodenforschung sind, muss jedoch noch umfassend evaluiert werden, insbesondere im Vergleich zu traditionellen prozessbasierten Modellen. Eine in Österreich durchgeführte Studie verglich ML-Algorithmen wie Random Forest und Support Vector Machines mit prozessbasierten Modellen wie RothC und ICBM anhand von Daten von fünf langfristigen Versuchsstandorten. Die Ergebnisse zeigten, dass ML-Algorithmen bei großen Datensätzen eine bessere Leistung zeigten. Ihre Genauigkeit nahm jedoch bei kleineren Trainingssets oder strengeren Kreuzvalidierungsmethoden wie Leave-One-Site-Out ab. Prozessbasierte Modelle erfordern zwar eine sorgfältige Kalibrierung, verstehen aber die biophysikalischen und biochemischen Mechanismen, die der SOC-Dynamik zugrunde liegen, besser. Die Studie empfahl daher, ML-Algorithmen mit prozessbasierten Modellen zu kombinieren, um ihre jeweiligen Stärken für robuste SOC-Vorhersagen über verschiedene Maßstäbe und Bedingungen hinweg zu nutzen.

Der SOC ist für die Bodengesundheit von entscheidender Bedeutung. Daher sind die Aufrechterhaltung und Steigerung des SOC-Niveaus unerlässlich, um die Bodenfruchtbarkeit zu steigern, die Widerstandsfähigkeit gegenüber dem Klimawandel zu verbessern und die Kohlenstoffemissionen zu reduzieren. Um diese Ziele zu erreichen, benötigen wir zuverlässige Überwachungssysteme und Vorhersagemodelle, insbesondere angesichts sich ändernder Umweltbedingungen und Landnutzungspraktiken. Sowohl ML als auch prozessbasierte Modelle spielen bei diesem Unterfangen eine entscheidende Rolle. ML ist besonders nützlich bei großen Datensätzen, während prozessbasierte Modelle umfassende Einblicke in Bodenmechanismen bieten. Durch die Kombination dieser Ansätze können wir die Mängel jedes einzelnen Ansatzes abmildern und präzisere und anpassungsfähigere Vorhersagen erzielen, die für ein effektives Bodenmanagement und den Umweltschutz weltweit von entscheidender Bedeutung sind.

Methoden und Materialien:

Die Studie nutzte Daten aus fünf langfristigen Feldversuchen in ganz Österreich, die verschiedene Managementpraktiken zur SOC-Akkumulation umfassten. Diese Experimente umfassten 53 Behandlungsvarianten und lieferten detaillierte Informationen zu Bodeneigenschaften, Klimadaten und Managementpraktiken. Die Bodenproben wurden je nach Standort in einer Tiefe von 0-25 cm entnommen. Tägliche Klimadaten, einschließlich Temperatur, Niederschlag und Verdunstung, wurden aus hochwertigen Datensätzen bezogen. Prozessbasierte SOC-Modelle wie RothC, AMG.v2, ICBM und C-TOOL wurden zusammen mit maschinellen Lernalgorithmen (Random Forest, SVMs, Gaussian Process Regression) zur Vorhersage der SOC-Dynamik eingesetzt.

Überblick über die Forschungsmethodik:

Die zwischen dem 25. Februar und 5. März 2023 durchgeführte Studie untersuchte die Fähigkeit von chatgpt, grundlegende Fragen der modernen Bodenkunde zu beantworten. Vier ChatGPT-Antworten wurden bewertet: Kostenloser ChatGPT-3.5, kurze und lange Antworten vom kostenpflichtigen ChatGPT-3.5 (Pro-a und Pro-b) und Reaktionen vom kostenpflichtigen ChatGPT-4.0. Die Antworten wurden mit der Aufforderung „Agieren Sie als Bodenkundler“ eingeleitet, und wenn die Zeit abgelaufen war, folgte „Weiter“. Die Expertenbewertung umfasste fünf Spezialisten, die die Antworten auf einer Skala von 0 bis 100 bewerteten, wobei die endgültigen Punktzahlen gemittelt wurden. Darüber hinaus erfasste eine Likert-Skala-Umfrage die Wahrnehmungen von 73 Bodenkundlern in Bezug auf das Wissen und die Zuverlässigkeit von ChatGPT und lieferte Antworten von 50 Teilnehmern zur Analyse.

Zusammenfassung der SOC-Sequestrierungs- und Modellierungsansätze:

Die beobachteten jährlichen Sequestrierungsraten an fünf österreichischen Standorten stimmen mit anderen Studien überein und decken eine Reihe von Boden- und Klimabedingungen ab, die für Mittel- und Osteuropa typisch sind. Die Studie ergab, dass bestimmte ML-Algorithmen wie Random Forest und SVM mit einem polynomischen Kernel prozessbasierte Modelle aufgrund ihrer Fähigkeit, nichtlineare Beziehungen zu erfassen, übertrafen. Die Kombination von ML mit prozessbasierten Modellen verbesserte die Vorhersagen. Für eine robuste SOC-Modellierung werden unkalibrierte Modelle empfohlen, wenn Daten knapp sind, kalibrierte Modelle mit Kreuzvalidierung, wenn Daten ausreichend sind, und ML-Modelle, wenn Daten im Überfluss vorhanden sind. Eine genaue SOC-Modellierung erfordert umfassende, langfristige Datensätze, die verschiedene landwirtschaftliche Praktiken und Bedingungen umfassen.

Wahrnehmungen und Beiträge von ChatGPT in der Bodenkunde:

Eine Studie, die die Wahrnehmung indonesischer Bodenkundler gegenüber ChatGPT untersuchte, brachte bedeutende Erkenntnisse zutage. Die Community besteht überwiegend aus 64 % Männern und 36 % Frauen, wobei die Mehrheit (88 %) eine formale Ausbildung in Bodenkunde hat. Die meisten Befragten (76 %) kennen ChatGPT und 60 % haben es verwendet, wobei sie vor allem sein Potenzial als Hilfe bei der Forschung und beim wissenschaftlichen Schreiben schätzen. Während 86 % ChatGPT nicht als betrügerisch betrachten, stimmen sie zu, dass es vor der Verwendung in wissenschaftlichen Kontexten überprüft und umformuliert werden muss. ChatGPT-4.0 wurde für seine Genauigkeit bei der Bereitstellung relevanter Antworten, insbesondere auf Englisch, hoch bewertet. Trotz des Vertrauens in das Potenzial von ChatGPT, die Bodenkunde voranzubringen, betonen die Befragten die Notwendigkeit menschlicher Aufsicht, um eine verantwortungsvolle und effektive Verwendung des Tools sicherzustellen.

Schlussfolgerungen zur Verwendung von ChatGPT in der Bodenkunde und im maschinellen Lernen zur SOC-Vorhersage:

Die Forschung unterstreicht die wertvolle Rolle von ChatGPT und ML in der Bodenkunde. Indonesische Bodenkundler äußern über 80 % Vertrauen in ChatGPT und bevorzugen ChatGPT-4.0 aufgrund seiner überlegenen Genauigkeit bei der Unterstützung von Forschung und Bildung, obwohl auch die kostenlosen und kostenpflichtigen Versionen von ChatGPT-3.5 als zuverlässig gelten. Die wahrgenommene Genauigkeit der ChatGPT-Antworten liegt jedoch im Allgemeinen bei 55 %, was auf Raum für zukünftige Verbesserungen hindeutet. Gleichzeitig sind nichtlineare ML-Modelle, insbesondere in Kombination mit prozessbasierten Modellen wie Random Forest, vielversprechend bei der Vorhersage von SOC-Dynamiken, insbesondere in Datensätzen aus langfristigen landwirtschaftlichen Studien. Die Integration von ML mit Expertenwissen könnte die Genauigkeit von SOC-Prognosen verbessern und die Bedeutung menschlicher Aufsicht und Modellverfeinerung unterstreichen.

Quellen:

Sana Hassan, ein Beratungspraktikant bei Marktechpost und Student im Doppelstudium am IIT Madras, ist begeistert davon, Technologie und KI zur Bewältigung realer Herausforderungen einzusetzen. Mit seinem ausgeprägten Interesse an der Lösung praktischer Probleme bringt er eine frische Perspektive an die Schnittstelle zwischen KI und realen Lösungen.