19.01.2023

Maschinelle Lernmodelle zur Bewertung der Bodeneignung und Nachhaltigkeit der landwirtschaftlichen Produktion

Die Nahrungsmittelproduktion ist von vielen Faktoren abhängig. Dazu zählen beispielsweise die Bodeneignung, Klimaschwankungen und die Anbauplanung. Die Bewertung der Bodeneignung ist für die Steigerung der Produktion und die Planung eines nachhaltigen landwirtschaftlichen Systems von entscheidender Bedeutung. Maschinelles Lernen kann die Kartierung von Bodeneigenschaften verbessern.

In den semiariden Regionen des Iran beispielsweise sind solche Informationen kaum vorhanden. Ziel einer Studie von Ruhollah Taghizadeh-Mehrjardi aus der Cluster-Gruppe von Thomas Scholten und Kollegen, die im Journal Agronomy veröffentlicht wurde, war es, die Bodeneignung für zwei Hauptkulturen, d.h. Weizen und Gerste im Regenfeldbau, die gut an die Niederschlagsbedingungen im westlichen Iran angepasst sind, zu bewerten. Der Artikel wurde aus Editor's Choice ausgewählt.

Auf der Grundlage der "Land Suitability Classification", entwickelt von der Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen (FAO), entwickelten sie für eine landwirtschaftliche Fläche von 65 km² in der Provinz Kurdistan, Iran, eine Karte der Bodeneignungsklassen. Im ersten Ansatz wurden die Karten mithilfe von ML-Modellen und Hilfsvariablen erstellt. Im zweiten Ansatz wurden die Karten nach dem traditionellen Ansatz erstellt, der im Iran am häufigsten zur Erstellung von Karten der Bodeneignungsklassen verwendet wird. Bodenproben wurden aus genetischen Schichten von 100 Bodenprofilen entnommen und die physikalisch-chemischen Eigenschaften der Bodenproben wurden analysiert. Außerdem wurden Topographie- und Klimadaten erfasst.

Nach der Berechnung der Bodeneignungsklassen für die beiden Kulturen wurden diese mit Hilfe von maschinellem Lernen (ML) und traditionellen Ansätzen kartiert. Die von den beiden Ansätzen vorhergesagten Karten wiesen bemerkenswerte Unterschiede auf. Bei Regenweizen beispielsweise zeigten die Ergebnisse eine höhere Genauigkeit der ML-basierten Landeignungskarten im Vergleich zu den Karten, die mit dem traditionellen Ansatz erstellt wurden. Darüber hinaus zeigten die Ergebnisse, dass die Flächen mit den Klassen N2 (≈18%↑) und S3 (≈28%↑) höher und die Flächen mit der Klasse N1 (≈24%↓) beim traditionellen Ansatz im Vergleich zum ML-basierten Ansatz schlechter vorhergesagt waren. Die wichtigsten Einschränkungen des Untersuchungsgebiets waren Niederschläge in der Blütezeit, starke Hanglage, geringe Bodentiefe, hoher pH-Wert und großer Kiesgehalt.

Um die Produktion zu steigern und ein nachhaltiges landwirtschaftliches System zu schaffen, werden daher Maßnahmen zur Bodenverbesserung vorgeschlagen.

Originalpublikation: Ruhollah Taghizadeh-Mehrjardi, Kamal Nabiollahi, Leila Rasoli, Ruth Kerry and Thomas Scholten. Agronomy 2020, 10(4), 573; https://doi.org/10.3390/agronomy10040573 

Weitere Informationen auf Ruhollah Taghizadehs Webseite