Оценка стандартных, «черного ящика» и байесовских моделей RSM‑SVR в полузасушливой зоне юго‑востока Ирана для прогнозирования химических свойств почв

Почему солёные почвы важны для фермеров

Во многих сухих регионах урожаи страдают не только от нехватки воды, но и потому, что сама почва истощена и насыщена солью. На полузасушливых равнинах юго‑востока Ирана фермеры сталкиваются с почвами, которые плохо удерживают питательные вещества и содержат избыток натрия, что может уплотнять грунт и вызывать гибель растений. В этом исследовании ставится практический вопрос: можно ли с помощью интеллектуальных компьютерных моделей быстро оценивать ключевые свойства почвы по нескольким простым измерениям, чтобы фермеры и планировщики могли управлять землёй эффективнее и дешевле?

Суровый ландшафт с уязвимыми почвами

Исследование проводится в Систане и Белуджистане, обширном ветреном регионе на восточной границе Ирана. Климат здесь жаркий и сухой, осадков мало, а пыльные бури регулярно уносят плодородный слой. Большая часть 60‑тысячного гектарного полигона представлена супесчаными и песчаными почвами — типами, которые быстро дренируют воду, содержат мало органики и склонны к накоплению солей. Собрав 258 тщательно подготовленных образцов почвы, исследователи подтвердили серьёзные проблемы: в среднем на более чем половине участков превышен обычный порог натриевой опасности, и почти на трёх четвертях участков способность удерживать питательные вещества была низкой. Эти условия делают ведение сельского хозяйства рискованным и дорогим, особенно для мелких земледельцев с ограниченными ресурсами.

Три показателя состояния почвы

Для оценки степени повреждения или здоровья почвы исследование сосредоточено на трёх химических показателях. Процент обменного натрия (ESP) показывает, какая доля «паркомест» для ионов в почве занята натрием вместо более полезных элементов, таких как кальций и магний. Коэффициент адсорбции натрия (SAR) сравнивает количество натрия в почвенном растворе с кальцием и магнием и указывает на риск накопления натрия и разрушения структуры почвы. Катионообменная ёмкость (CEC) описывает, сколько таких «паркомест» вообще имеется, и, следовательно, насколько хорошо почва удерживает удобрения, а не теряет их при вымывании. Традиционно измерения этих показателей требуют трудоёмкой и дорогой лабораторной работы — что затрудняет их регулярное применение на больших и отдалённых территориях.

Обучение алгоритмов на простых тестах

Вместо полного лабораторного тестирования исследователи обучили компьютерные модели прогнозировать ESP, SAR и CEC по более простым измерениям: текстуре почвы (песок, ил, глина), кислотности (pH), электропроводности, содержанию извести и органического вещества. Они создали три «гибридных» подхода, которые объединяют старый статистический инструмент — методологию поверхностей отклика (RSM), фиксирующую кривые зависимости и взаимодействия между переменными, — с современным методом машинного обучения Support Vector Regression, известным способностью работать со сложными нелинейными закономерностями. Три варианта были следующие: стандартный — когда признаки из RSM напрямую подаются в алгоритм; «черный ящик» — где эти признаки стандартизируются и добавляется тщательная проверка наиболее значимых входных переменных; и байесовский — который мягко сжимает неопределённые параметры в сторону более устойчивых значений, применяя вероятностные принципы.

Что определяет солёность и бедность почвы по питательным веществам

Сравнивая прогнозы с фактическими лабораторными результатами, команда обнаружила, что текстура почвы и показатели, связанные с солёностью, существенно влияют на химические свойства. Содержание песка оказалось главным фактором, определяющим способность почвы удерживать питательные вещества: чем песчанее почва, тем ниже CEC, подтверждая, что крупнозернистые почвы плохо удерживают удобрения. Напротив, содержание ила и электропроводность сильнее всего влияли на натриевые индикаторы ESP и SAR. Эти два показателя натрия были почти полностью связаны между собой: узнав один, второй в значительной степени становится предсказуемым. Модели в целом показали хорошую работу, но им было трудно адекватно предсказывать самые тяжёлые случаи — экстремально засолённые и деградированные почвы — где данных было мало и условия сильно варьировались, что является распространённой проблемой в экологическом моделировании.

Какой подход к моделированию оказался лучшим

Гибридная модель «черный ящик» дала самые точные прогнозы для ESP и CEC, сократив ошибки примерно на 40% и 28% соответственно по сравнению со стандартным методом. Для SAR слегка лучше проявил себя байесовский вариант — он обеспечивал повышенную надёжность там, где риски, связанные с натрием, высоки. Все три метода работали с относительно небольшим набором данных из 258 образцов благодаря тому, что шаг поверхностей отклика обогащает информацию, поступающую в алгоритм обучения. Тем не менее авторы отмечают, что дополнительные данные из экстремальных участков и других регионов, а также сравнения с дополнительными методами машинного обучения помогли бы дальше уточнить и проверить модели.

Превращение прогнозов в более разумные решения для сельского хозяйства

Для неспециалистов практический эффект очевиден: имея лишь скромный набор рутинных почвенных тестов, эти модели позволяют быстро и дешево оценивать ключевые химические свойства на больших территориях. Это означает, что фермеры и управленцы земельными ресурсами могут легче выявлять места с высоким содержанием натрия, участки с плохой способностью к удержанию питательных веществ и те участки, где конкретные меры — например внесение гипса для удаления натрия, увеличение органического вещества, корректировка поливной воды или выбор более толерантных культур — принесут наибольшую пользу. Несмотря на то, что методы не идеальны, особенно для самых разрушенных почв, они представляют собой важный шаг к управлению уязвимыми сухими землями на основе данных, помогая сохранить дефицитные водные и почвенные ресурсы в одних из самых уязвимых сельскохозяйственных районов мира.

Цитирование: Ahangar, A.G., Piri, J. Evaluation of standard, black-box, and bayesian RSM-SVR models in the semi-arid area of south-eastern Iran for predicting soil chemical properties. Sci Rep 16, 11183 (2026). https://doi.org/10.1038/s41598-026-42058-1

Ключевые слова: солёность почвы, точное земледелие, машинное обучение, полузасушливые почвы, плодородие почвы