تاثیر تغییر اقلیم بر سلامت خاک: تحلیل واکنش میکروبیوم به گرمایش با بهره گیری از مدل های یادگیری ماشین

تغییر اقلیم اثرات گسترده ای بر عملکرد خاک دارد؛ به ویژه از طریق حساسیت تنفس میکروبی به دما که با ضریب حساسیت دمایی (Q۱۰)  سنجیده می شود. این پژوهش با هدف شناسایی عوامل موثر بر این ضریب و ارزیابی کارایی الگوریتم های یادگیری ماشین انجام شد.در این مطالعه از داده های مربوط به ۳۳۲ نمونه خاک از ۲۹ کشور جهان استفاده شد و ضریب حساسیت دمایی در سه سطح کم، متوسط و زیاد طبقه بندی گردید. شش الگوریتم شامل جنگل تصادفی، ماشین بردار پشتیبان، نزدیک ترین همسایگی، رگرسیون لجستیک، تقویت گرادیانی و شبکه عصبی چندلایه به کار گرفته شدند. عملکرد مدل ها با شاخص های دقت، سطح زیر منحنی مشخصه عملکرد گیرنده (ROC) و سطح زیر منحنی دقت–بازخوانی (PRC) مقایسه شد. نتایج نشان داد جنگل تصادفی بالاترین کارایی را داشته است؛ به گونه ای که با دقت /۰ ± ۱۱۷۰/۰، مقدارROC  برابر با ۸۱۵۰/۰ ± ۰۸۰/۰ و مقدار PRC برابر با ۷۵۳۰/۰ ± ۰۹۶۰/۰ بر سایر مدل ها برتری داشت. برای تفسیر نتایج از روشSHAP  به عنوان رویکرد هوش مصنوعی توضیح پذیر استفاده شد. این تحلیل نشان داد تنفس ناشی از گلوکز، غنای قارچی و شوری خاک مهم ترین عوامل موثر بر ضریب حساسیت دمایی هستندد. این یافته ها با ارائه تصویری روشن از نقش ترکیبی ویژگی های خاکی و میکروبی، توان الگوریتم های یادگیری ماشین و روش های توضیح پذیر را در تحلیل پاسخ خاک به گرمایش جهانی نشان می دهند.

کلیدواژه ها:

یادگیری ماشین ، جامعه میکروبی خاک ، تغییر اقلیم ، هوش مصنوعی توضیح پذیر