基于地理空间和机器学习的土壤肥力评估与地适宜性分析

地球科学中的人工智能2（2021）179通过整合地理空间和机器学习算法在Kaliyaganj C.D.种植香米的场地适宜性block，印度Debabrata Sarkar，研究学者，Sunil Saha，研究学者，Manab Maitra，B.Sc.Prolay Mondal博士，助理教授*地理系，Raiganj大学，Raiganj，西孟加拉邦，733134，印度A R T I C L E I N F O保留字：土壤肥力适宜性分析MCDM-AHP机器学习GISA B S T R A C T本工作的目的是评估卡利亚甘杰C.D. Tulaipanji水稻种植的土壤肥力使用层次分析法（AHP）和机器学习算法以及现场调查数据和GIS进行块从土来盘基稻田随机采集了40个土壤样品（0至40厘米深），用于分析土壤健康状况。 为了给这些参数打分，考虑了10位专家的意见。最终的土壤肥力图显示，18. 01%的土地处于良好的健康状况，可支持土莱盘基种植。人工神经网络（ANN），支持向量机（SVM），和Bagging模型为基础的适合性分析也进行了使用地理空间和土壤数据的土来盘鸡栽培。然而，人工神经网络是更合适的模型，为位置分析的土来盘鸡种植。基于人工神经网络的发现显示，25. 8%（77. 89平方米）的面积2002年，土来盘基水稻种植面积占总面积的22.01%（66.45平方公里），是土来盘基水稻的优良种植区19.84%（59.90平方公里）为高度适宜区中等适宜面积21.19%（63.97平方公里）11.16%（33.69sq.km）不适合土来盘基水稻栽培。受试者工作特征（ROC）曲线表明，所应用的模型具有较高的准确度这一努力将大大有助于土壤肥力和场地适宜性评估，这将有助于当地政府官员，学者和制定者以科学的方式利用土地1. 介绍根据粮农组织的定义，在农业中，土壤肥力是指土壤通过提供所需的土壤养分以及适当的生物化学和物理特性作为植物生长环境来支持作物生长的能力。必需的大量营养素氮（N）、磷（P）和钾（K），以及镁（Mg）、硫（S）和钙（Ca）都作为微量营养素存在于植物中，并且通过食用这些食物，人类满足了他们的营养需求。营养素主要由元素铁（Fe）、铜（Cu）、钼（Mo）、氯（Cl）、硒（Se）、锌（Zn）、锰（Mn）和硼（B）组成水是植物生长所必需的植物大约80%-95%是土壤肥力影响体现在大多数可持续发展目标中，因为它们包括经济、社会和环境方面。土壤肥力提供的主要设施是农业生产，这对实现粮农组织计划的零饥饿目标至关重要 肥沃的土壤生产出健康的作物，满足人体的营养需求。而土壤缺乏某些关键元素将无法生产营养食品，最终导致人体营养缺乏。在所有人类都面临营养不良健康问题的最坏情况出现之前，我们应该通过实施不同的管理和保护策略来保护和保持良好的土壤健康，例如为特定土地划分特定作物是非常重要的。水稻（Oryza sativaL.） 是地球上最重要的谷类作物之一，通过为全球一半以上的人口提供食物，为全球粮食安全做出了重大贡献（Chauhan等人，2017年）。今天，世界人口的约三分之一，而南亚约有17亿人，包括5000多万家庭，完全靠大米为生（Manzanilla等人， 2011; Nayak等人， 2019年）。大米可能会变得非常* 通讯作者。印度Raiganj大学地理系电子邮件地址：debabratas077@gmail.com（D. Sarkar），sahasunil2507@gmail.com（S. Saha），manabmaitra1@gmail.com（M. Maitra），mon.gmail.com（P.Mondal）。https://doi.org/10.1016/j.aiig.2022.03.001接收日期：2021年11月11日;接收日期：2022年3月10日;接受日期：2022年3月10日2022年3月15日网上发售2666-5441/©2022作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表地球科学中的人工智能杂志主页：www.keaipublishing.com/en/journals/artificial-intelligence-in-geosciencesD. Sarkar等人地球科学中的人工智能2（2021）179180随着严重依赖大米的发展中国家的人口以显著的速度增长，这一点农业贡献了印度近40%的国民生产总值（GNP），并确保了约70%的总人口的生计该国近67%（三分之二）的农田被雨养农业所覆盖（Rath等人， 2018年）。在印度，水稻种植不仅养活了大多数人，而且还有助于促进相关产业的发展，例如，该国约32%的化肥（粮农组织，2005年）和22%的农药用于水稻种植。印度政府在2016年估计，每年约有4340万公顷的土地和约60%的水用于生产水稻（Reddy等人， 2005年）。在印度，特别是在该国东部的土地密集用于水稻种植。 Tulaipanji是印度东部西孟加拉邦Uttar Dinajpur地区Kaliyaganj街区种植的最具代表性的水稻。 它是最软的大米之一，因其独特的功能而在市场上非常受欢迎。土来盘吉是一种味道鲜美、色泽鲜艳、不粘、脆香的米饭。Tulaipanji主要在 Kharif 季 节 种 植 它 在 8 月 至 11 月 之 间 生 长 2017年10 月 24 日，Tulaipanji获得了政府工业和国内贸易促进部颁发的地理工业（GI TAG）证书。印度。 它的市场价格比其他水稻品种高得多。由于该品种与同等数量的其他品种相比回报更多，如果农民在生产和出口该品种方面得到适当的帮助，种植该品种可能有能力改善农民的经济状况。选择合适的种植区域的能力，预期用途和作物实践将有助于减轻不利的自然影响，同时提高农业生产力 和 经 济 优 势 （ Mahmood 和 Ahmad ， 2001;Ashraf 和Normohammadan，2011）。 土地适宜性评估，被描述为对特定土地用途和作物的土地“效率“的评估（Bagheri Bodaghabadi等人， 2015; Saleh等人， 2015年）是可持续发展和土地利用管理的关键阶段。 土地适宜性评估不仅有助于改善作物生产系统和提高土地效率（Prudat等人，2018; ElBaroudy，2016），但它们通常可以提供对作物短缺的关键因素的见解（Halder，2013）。 为了优化农业土地管理，考虑环境因素并理解当地生物物理条件施加的主要限制可以帮助作物选择（Kazemi等人，2016;Mendas和Delali，2012）。适 宜 性 评 价 涉 及 多 个 参 数 ， 因 此 ， 专 家 意 见 结 合 层 次 分 析 法（AHP），以及收集的众多标准，预计将了解作物生产的适宜土地。基于遥感和地理信息系统的层次分析法是一种广泛采用的地理决策过程的工具。重要的是，Saaty（1980）引入的AHP已经与GIS（Akinci等人，2013年）作为管理土壤适宜性等众多不同实体的最佳方法。 AHP是一种将各种变量组织成层次结构并决定其感知价值的技术（Saaty，2000）。 该技术已被用于分析场地适宜性的许多研究中（Mishra等人，2016; Bozdag等人， 2016; Amini等人， 2020; Ostovari等人， 2019;Pilevar等人， 2020年）。此外，地理信息系统技术促进了一种有效的方法来分析网站的适合性。然而，近年来，不同的机器学习模型，如人工神经网络（ANN），支持向量机（SVM），随机森林（RF），装袋和基于决策树的网站适合性分析已经获得了显着的重要性。如今，研究人员经常使用不同的机器学习技术进行场地适合性分析（Sarmadian等人，2014; Rodriguez-Galiano等人， 2015; Mishra等人，2016; Hengl等人，2017; Senagi等人，2017 a，b; Thanh Noi和Kappas，2018;Mekonnen 等 人 ， 2019;MohsenzadehKarimi 等 人 ， 2020;Taghizadeh-Mehrjardi等人，2020; Moller等人， 2021年）。世界各地的许多科学家已经应用遥感技术，基于GIS的水稻生产立地适宜性评价策略以及其它作物（Gumma等，2009; Samanta等人，2011; Kuria等人，2011; Kihoro等人，2013; Dengiz，2013）。遥感和地理信息系统（GIS）是在土地适宜性评估中调查空间信息的定义明确、精确和适应性强的方法（Mokarram等人，2011; Mendas和Delali，2012）。基于卫星的数字信息已经成为产生物理和生物细节的关键资源（例如，地形和坡度），这有助于一个地区的可持续发展的最佳土地利用战略的演变。因此，利用遥感和地理信息系统进行水稻种植的土地适宜性分析显得非常迫切。此外，在过去的四分之一个世纪中，遥感和地理信息系统技术在广泛的用途中越来越受欢迎，其中包括土地能力评估（Hamzeh等人，2014; El Baroudy和Moghanm，2014; El-Zeiny和Effat，2019）。遥感和地理信息系统评估成本较低，有利于大的空间范围，其结果比传统分析更可靠（Zhou等人， 2017; Demarez等人， 2019年）。 对于分析土地适宜性，LISS-III、Sentinel-2、Landsat-8和Gaofeng-1等高分辨率卫星图像是比其他数据源更容易接受的数据源（Dong等人，2015; Kussul等人，2016年）。多标准决策（MCDM）框架与GIS一起用于评估不同的制约因素，并做出适当的土地利用决策（Malczewski，2006年;Cengiz和Akbulak，2009年;Mendas和Delali，2012年）。 土地利用/土地覆被是一个广义的术语，使用公认的统计和科学技术描述了不同时间的自然特征和人类活动。本研究的主要目的是通过结合AHP，机器学习ANN，SVM和Bagging模型和GIS技术的Kaliyaganj块的Uttar Dinajpur区，印度东部的Tulaipanji水稻种植的场地适宜性进行评估。第一部分采用层次分析法对研究区土壤健康状况进行了评价。在第二阶段，土壤特性和其他生理气候变量被用来评估合适的地点Tulaipanji水稻种植。1.1. 研究区域本研究在Kaliyaganj区块（图1）进行，该区块位于印度西孟加拉邦北Dinajpur的东南侧，面积为301.90平方米。公里. 该地区为肥沃的成熟山地，地势向南平缓。所选研究区属于亚热带湿润区，最高气温记录在6月，最低气温记录在1月，最低气温为15摄氏度（图2）。研究区年平均降雨量为1540.2mm，最大降雨量出现在7月，其次是8月。在现场调查期间，计算的距土壤表面2m处的平均湿度为58.59%。土地利用/土地覆被情景描述了土地利用/土地覆被总量的50%处于集约化耕作下的情景农业土地和耕作是研究区的主要收入来源以壤土为主的土壤和现有的气候条件为水稻的种植创造了理想的环境在研究区，农民根据气候条件，该地区的土壤保持足够的水分，以支持植物在受控条件下生长种植者大多使用电动和柴油抽水机抽取地下水灌溉农作物。Srimati河是Tangan河的一条丰富的河道，从北向东延伸，将该区块分为两半。这条河是短暂的性质，并保持干燥的大部分时间，这设施密集的本地水稻生产在河床上与其他作物，虽然这导致了一个经济辩论，这种做法是否适合河流生态系统的可持续性或没有。生产的香米远销全国各地农民的反应显示，尽管他们在生产这些特定类型的本地稻米时面临各种问题，但与其他种植作物相比，成品稻米的回报率较高D. Sarkar等人地球科学中的人工智能2（2021）179181图1.一、 研究区域的位置。图二. 气候条件（a）月降雨量、湿度和（b）温度分布。2. 数据库和采用的方法2.1. 数据源2.1.1. 土壤样本采集和实验室测试于2020年11月至12月及2021年5月至6月期间，我们使用手持式GPS及温度计仪器于不同研究地点收集合共40个土壤样本首先，我们在实地调查期间，考虑到当地人民的看法，确定了研究区的Tulaipanji稻田 为了收集土壤样品，我们使用分层随机抽样方法从8-g panchayats中选择了5个土壤采样点。 土壤样品是在距地表40厘米的Z字形深度处采集的。在每个土壤样本点，我们收集了五个土壤样本，平均距离为20米，约500克，并混合进行实验室分析。收集土壤在采集土壤样本后，将土壤干燥并制成细粒度以供实验室使用。然后，所有土壤样本都由作者在Raiganj土壤实验室的一名适当的实验室助理进行测试。图1给出了从土壤样品采集到实验室分析的一些情况。3. 为了分析不同的土壤性质，如氮（N），钾（K），磷酸盐（PO4），硫酸盐（SO4），硼（B），氢的潜力（pH），有机碳（OC），锌（Zn），锰（Mn），铜（Cu），铁（Fe），可溶性盐（SS），容重（BD），阳离子交换能力（CEC）和水分指数（MI）（表1）的采样土壤的农业和合作部提出的指导方针，印度政府已经遵循。2.1.2. 所选数据图层的构造如前所述，土壤样本是使用手持GPS（GPS）从研究区域随机分布的40个地点采集的D. Sarkar等人地球科学中的人工智能2（2021）179182¼¼¼¼ð图三. 土壤性质分析程序。名称Garmin Etrex）。在分析了物理和化学根据采样点或采样点的信息，利用反距离法进行空间制图，（CR），用于定义层次分析法的有效性要求。Arc GIS v.10.5环境中的IDW算法（图 4）。图4空间数据层;（a）氮（N），（b）钾（K），（c）CIλmax-nn-1（二）磷酸盐（PO4）、（d）硫酸盐（SO4）、（e）硼（B）、（f）氢电位（pH）、（g）有机碳（OC）、（h）锌（Zn）、（i）锰（Mn）、（j）铜（Cu）、（k）铁（Fe）、（l）可溶性盐（SS）、（m）堆密度（BD）、（n）阳离子交换容量（CEC）和（o）水分指数（MI）。公式（2）用于计算一致性指数。其中λmax表示来自构造的成对矩阵表的主特征值或最高特征值，n是干扰变量的总数。2.2. 土壤肥力分析参数的分级方法CRCIRI（三）2.2.1. 多准则决策方法：层次分析法（AHP）层次分析法（AHP）是一种多标准决策方法，Saaty（1980）提出的MCDM工艺。在研究区，该层次分析法模型用于土壤肥力状况的评价，可以帮助决策，在土来盘基种植。Saaty使用成对比较矩阵开发了一个9分量表，该矩阵可以帮助提取个体在量化参数中的相对权重（表3）（Saaty，1980）。基本的成对矩阵分类（等式2）。（1））在层次分析法中是基于1到9的倒数相关性评级，1表示“同等重要”，9表示“非常重要” 在适当性评估中，变量根据其在决策过程中的影响力被赋予相对重要性。的1a2a3采用一致性指数（CI）和随机性指数（RI）计算CR值。 CR是对政策或决策制定者错误的量化，或者是对一致性和/或不规则性的程度的指示（Sarkar和Ruman，2018）。它表示任意形成成对矩阵评估的概率 如果计算出的CR值大于等于10%，则需要重新考虑参数的相对重要性判断，以重建成对矩阵，但如果计算出的CR值小于10%，则决策者可以准确地判断变量的重要性，从而获得高精度的可接受结果。2.3. 机器学习算法和应用方法在本研究中，三种机器学习模型，即arti-利用人工神经网络（ANN）、支持向量机（SVM）和Bagging方法构建了土来盘基适宜性图x1a1=3的1 一个4a1= 2a1= 4的1中国（1）使用数据挖掘软件WEKA。这个软件是一个新西兰的JavaScript使用软件开发的怀卡托大学-Akinci等人（2013）提到了互易性作为矩阵的一个特征，其形式上表示为在成对比较中针对n个分量实现对比度。在建立两两比较矩阵表后，估计参数的特征向量和相对权重 在这个层次分析法模型（Saaty，1980），不协调和错误的模型建设者也考虑到了，这也是一个优点，这采用的模型。等式（3）显示了一致性比率sity。将生成的信息导入Arc GIS平台进行空间制图. Arc GIS环境提供了广泛的分类技术，如手动、等间隔、定义间隔、分位数、自然间断（Jenks）、几何间隔、标准偏差等。对所制作的土来盘基农作适宜性图进行自然间断是一种广泛使用和接受的对适宜区进行分类的方法（Sarkar和Mondal，2020年; Saha等人， 2021年）。D. Sarkar等人地球科学中的人工智能2（2021）179183X----表1睡眠变量及其测量。参数符号测量程序氮氮实验室分析钾K实验室分析磷酸盐PO4实验室分析硫酸盐SO4实验室分析硼B实验室分析H言论是植物蛋白质的必需品。定义氮是否会显示植物变黄。对于植物生长，根，种子和果实的发育是非常重要的。植物必需蛋白质。植物必需蛋白质。缺硼会影响植物的营养和生殖阶段。主要用于模拟植物的易感性（Yang等人，2019年）。使用SVM建模的最根本的缺点之一是难以获得重要特征（Choubin等人， 2019年）。2.6. 装袋模型最简单但有效的机器学习集成方法之一是Bootstrap Aggregation（也称为bagging）（Prasad et al.， 2006年）。Bootstrap Aggregation是一种基本技术，可用于减少迭代次数较多的算法中的方差（Breiman1996）。装袋的目标是减少方差，同时保留决策树的偏差并避免过度拟合（Shaanxi等人，2020年）。Bagging Tree生成几组输入通过替换训练样本来随机获取数据（Maclin and Opitz 1997）。P氢的潜力实验室分析它影响植物养分的有效性。分析所选择的数据子集以训练分配的树，有机碳OC分析锌锌实验室分析锰锰实验室分析铜Cu实验室分析铁Fe实验室分析可溶性盐SS实验室分析基于BD实验室的堆积分析阳离子交换CEC基于实验室的容量分析水分指数MIIm<$100 *KVS-D=PE高有机碳增加了土壤的阳离子交换量，这对土壤肥力的提高是非常重要的。在缺锌土壤中，植物生长受阻。这有助于植物细胞室的生长和发育。帮助光合作用和呼吸过程。它帮助植物将氧气输送到根、叶和植物的其他部位。土壤中高浓度的SS会使植物产生干旱胁迫。高BD影响土壤中的水分有效性。肥沃的土壤表明CEC土壤中水分的缺乏会阻碍植物的整体生长。生成模型。然后使用来自这些树的所有预测的平均值创造出更有弹性的最终结论。使用训练数据子集的多个副本可以提高单个树的精度（Talukdar和Ruman，2019）。2.7. 构建适宜性地图2.7.1. 加权线性组合法研究人员已经使用了各种各样的MCDM技术来分配权重，并将特定事件的量化变量整合到决策中。这方面的几种主要方法包括AHP，加权线性组合法（Eastman，1997），基于相关矩阵的加权和积分参数（Khatun和Khatun，2016）等。GIS环境提供了一个迷人的环境，我们可以成功地实现所需结果。对于研究区块的土壤肥力状况分析，使用了WLC（6））。n归一化差异水指数NDWI NWDI ¼（绿色-NIR）/（绿色）NIR）在土壤中的NDWI定义将阻碍植物的整体生长。WLC¼aij wj6j1其中，ij降低第j个元素的第i个排名，wj降低第j个属性的权重。2.4. 多层感知器-神经网络模型神经网络（ANN）是人类感知的数值模型（Kim等人， 2014），其可以被教导执行特定任务（Chak-raborty等人， 1992年），根据目前可用的数据集（Valencia Ortiz和Martínez-Gran~ a，201 8）。建立了三层人工神经网络方法（输入层、隐藏层和输出层），并成功地（Zhao等人，2020年），用于适应性建模。然而，在输出层中，采用了一个节点，该节点被编码为1（用于耕作区域）和0（用于非耕作区域）。计算值和观测值之间的差异被表征为误差。 为了检验它，已经利用了各种误差测量技术（Falah等人， 2019年）。初始权重的定制是使用广义delta规则来执行的，以将整个误差分散到网络的神经元中（Kazhen-kowski 2002）。2.5. 支持向量机模型一种常见的机器学习模型是SVM，它使用一组线性指标函数。这是由Vapnik（2013）介绍的，并已用于确定功能问题。选择最优线性超平面来分离实际输出空间。阵法也分为两类，比如适合培养土莱盘基的区域和不适合培养土莱盘基的区域{1，0}。由于径向基核在处理不同维数数据集时的灵活性2.7.2. 机器学习算法土莱盘吉的土壤特性和气候信息被考虑在内，以制作土莱盘吉水稻种植的最终地点适宜性图。 在这个过程中，机器学习算法，如人工神经网络（ANN），支持向量机（SVM）和Bagging模型开始发挥作用。前面已经讨论了这三种方法的描述。为研究区拟备最后地盘适宜性图的详细程序，载于图10。五、3. 结果和分析使 用各 种统 计技 术分 析了 15 个 变量。硼（B）、锌（Zn）、氮（N）、磷酸盐、钾和锰（Mn）是被认为是主要变量的主要变量。数据集的标准差（SD）代表变异性的平均水平它告诉用户每个分数平均偏离平均值的N的SD为70.931，其次是K（36.289）和PO4（35.415）（表2）。峰度是分布尾部的密度或密度的度量，而偏度是分布对称性的度量。PH、K、PO4、Zn、Fe、SS、CEC的偏态分布表明土壤样品的偏态分布程度较高MI（0.625）、Fe（0.216）、Cu（0.844）、OC（1.057）、B（0.297）、K（0.738）、N（0.908）表示负值，其指示扁平峰峰度。负峰度表示分布中离群值的数量较少。D. Sarkar等人地球科学中的人工智能2（2021）179184þþþþ42见图4。空间数据层;（a）氮（N2）、（b）钾（K）、（c）磷酸盐（PO4）、（d）硫酸盐（SO4）、（e）硼（B）、（f）氢的电位（pH）、（g）有机碳（OC）、（h）锌（Zn）、（i）锰（Mn）、（j）铜（Cu）、（k）铁（Fe）、（l）可溶性盐（SS）、（m）堆积密度（BD）、（n）阳离子交换容量（CEC）和（o）湿度指数（MI）、（p）海拔、（q）坡度、（r）降雨量、（s）GWL、（t）岩性、（u）地貌、（v）LULC、（w）土壤、（X）Dist.河（河），（河）。路，（Z）。从KB3.1. 基于AHP和WLC的表3AHP评分量表与随机指数（RI）形成的成对比较矩阵。根据AHP估计（表3和表4，图4），（6）在土壤肥力图中，硼（Br）的贡献率最高，为9.19%，其次是锌（Zn），为8.81%，钾为8.39%。可溶性盐是一个最小的干扰变量，AHP评分为3.79%。认为所选参数对土壤肥力的影响程度并不完全相同因此，MCDM-AHP为基础的加权程序被用来确定所选择的变量的权重。从图7，在研究区的总空间扩展中，54.38平方米。100公里的土地似乎具有非常高的土壤肥力，主要覆盖该区块的东北和西南部分。 根据所产生的可持续森林管理模型，约41. 04平方米。公里. （13.60%）是高生育力，86.96平方米公里. 中等肥力区占28.80%。约52.98平方米公里. 主要在地块的南部、西南部和北部，由于土壤肥力非常差，因此总面积的70%似乎是不适合的地点（表5）。公式（7）显示了用于土壤肥力制图的WLCZn0：088上午0：0798Sunday0：0379K0：08393.2. 使用机器学习技术的在本研究中，人工神经网络，支持向量机和套袋方法被用来构建土地盘基水稻种植的地点适宜性图，并将所产生的地图分为五个类别，如非常高，高，中等，低，最不适合（图1）。（八）。 基于ANN、SVM和Bagging的场地适宜性模型有五个适宜性类别，如图所示。 八、调查结果显示，77. 89平方米的土地km（ANN模型），52.62平方米km（SVM模型）和80.97 sq.km（袋栽模式）面积最适宜土来盘基水稻种植。在ANN适合性分析的情况下，百分比分别为25.8、22.01、19.84、21.84和21.85。11.16分别为极高、高、中、低和最不适宜地带。而在SVM模型中，极高、高、中、低和最不适宜区分别占套袋法评价结果表明，最适宜的面积仅占26.82%，其次为高适宜面积21.39%，中适宜面积22.65%，低适宜面积19.41%，最不适宜面积9.73%。从模型中观察到，非常高和高适宜性区主要位于地块的S、W 、SE 和NE部分。最不适合的网站Tulaipanji水稻种植被发现在研究区域的N和FSMPO0：0775P H 0：051OC零点六八五编号0：0662公司简介0： 0773Fe0： 0711Cu0： 0348BUSINESS0：0919中国BD0： 0576中国0： 0661电话 +86-048373.3. 结果的验证和比较如果我们在未判断数据的准确性和精确性之前，就使用任何模型来进行规划和管理，这是违反道德标准的D. Sarkar等人地球科学中的人工智能2（2021）179185þ见图4。 （续）生 产 的 模 型 （ Sarkar and Mondal ， 2018;Sarkar and Mondal ，2020）。ANN，SVM和Bagging模型的验证已被分析使用的受试者工作特征（ROC）曲线，这是通过利用训练和验证点生成的。 训练和验证点在图中给出。第九章曲线下面积（AUC）显示所执行模型的准确度水平AUC可分为极好（0.9-1）、非常好（0.8-0.9）、良好（0.7-0.8）、一般（0.6-0.7）和差（0.5-0.6）。训练数据集的ROC曲线表明ANN的AUC为0.936，SVM为0.918，Bagging模型的AUC为0.895。ROC曲线表明生产模型具有较高的精度人工神经网络模型是研究区土来盘基水稻种植区位分析的最佳模型4. 讨论结果根据可持续森林管理，约41. 04平方米。公里. 高肥力占总面积的13.60%，高肥力占总面积的86.96%。公里.（28.80%）适度肥沃。由于土壤肥力较低，约52.98平方米。公里.总面积的10%似乎是不合适的地点，特别是在该街区的南部，西南部和北部地区。根据该等发现，土莱盘吉最具潜力的水稻种植面积为77. 89平方米。km（ANN模型），52.62 sq.km（SVM模型）和80.97 sq. km（Bagging模型）。Dhankoil G.P.东北部Anantapur G.P.的西北部Radhikapur G.P.南部，Mostafa Nagar G.P.的最大部分对土来盘基养殖具有很大的潜力研究区至少有一部分土地具有极低至中等的土来盘鸡种植潜力。生活在碱性土壤中的人更容易缺锌，因为土壤的pH值相反影响土壤肥力的其他因素是土壤中硫的含量长得快的作物能吸收大量的硫磺。对稻田土壤施钾可防止土壤的还原电位下降。它们还降低了土壤中活性还原化学物质和Fe2的水平磷(P)是热带水稻生产的一个大问题，因为它很难找到。D. Sarkar等人地球科学中的人工智能2（2021）179186见图4。 （续）土壤PH值对土壤及其生物、化学和物理性质有着巨大的影响由于有机碳（SOC）的含量，土壤、这些特性以及许多其他特性都可能受到影响。当氮能量（肥料）注入时，水稻氮在土壤中占据更多的空间，D. Sarkar等人地球科学中的人工智能2（2021）179187H图五. 本研究采用的详细程序流程图。表2不同土壤性质的描述性统计土壤性质最小平均数中位数最大标准差峰度偏度氮（N）263. 327 372. 579 367. 367 527. 742 70. 931 - 0. 908 0.288钾（K）165.124 244.055 253.477 314.404 36.289-0.738-0.317磷酸盐（PO4）130.849 238.587 243.432 299.917 35.415 1.194-0.816硫酸盐（SO4）38.769 78.38 78.437 134.223 21.968 0.002 0.515硼（B）0.195 0.297 0.296 0.38 0.043-0.297-0.0522019 - 05 - 25 00：00： 00有机碳0.47 0.644 0.63 0.883 0.113-1.057 0.247锌（Zn）0.592 0.756 0.757 0.904 0.064 0.917-0.381锰（Mn）4.609 10.244 10.12 18.124 2.818 0.434 0.352铜（Cu）0.483 1.051 1.001 1.665 0.313-0.844 0.159铁（Fe）87.462 136.827 135.591 181.145 23.295-0.216-0.134可溶性盐（SS）0.235 0.363 0.363 0.432 0.038 2.937-1.161体积密度（BD）1.567 1.584 1.584 1.595 5.465 1.669-0.187阳离子交换容量（CEC）13.431 15.491 14.929 19.679 1.543 0.641 1.136水分指数（MI）-0.223-0.138-0.149-0.055 0.044-0.625 0.344深度为45厘米，这使得它更清晰（平均74%）。铁（Fe）太少会使植物难以进行光合作用，从而降低它们制造的干物质的量水稻植物的代谢过程，如光合作用和呼吸作用，缺乏铜（Cu）。在80多个国家中，有132种作物因缺硼而无法土壤的任何土壤的容重都受其质地和有机碳含量的影响D. Sarkar等人地球科学中的人工智能2（2021）179188表3采用层次分析法（AHP）评分量表和随机指数（RI）法，建立了两两比较矩阵。量表语言评级随机指数（RI）（33米高地作物可能不会受到杂草的影响。土地的坡度是农业的重要组成部分最好有一个坡度为3度的土莱潘吉农场。当Tulaipanji在季风季节之后种植时，它就完成了。当雨水过多1同等重要3中等重要性5重要性n;RI1; 0：002; 0：006; 1：247; 1：32图莱潘吉不能长大。单一栽培和短期轮作增加了作物物种特有的杂草、害虫和疾病的压力，增加了对合成化学品的需求。2019 -03 - 2800：00： 009 EX tremely重要性4;0：905; 1：129; 1：4510; 1：49农作物中的农药残留消费者相信有机农业是更可持续的，它有利于环境，2，4，5，8中间值1/3，1/5，1/7，1/9逆比较里面 阳离子交换容量（CEC）控制着土壤可以容纳多少养分，以及施用氮肥和钾肥的频率。 在卫星图像中，标准化差异水指数（NDWI）用于强调开放水域的特征，使它们能够在土地和植被的映衬下“脱颖而出”。 NDWI可以快速获得任何地区的土壤湿度信息，并且它具有绘制旱地和水的可靠方法。海拔高度对土来盘吉的生长非常重要。对于Tulaipanji农业，高海拔地区生物多样性、食品质量和安全。 肥料和生长调节剂的组合施用可以提供另一种选择，用于减轻作物中水涝的负面影响，其中肥料充当营养供应，而PGR辅助生理损伤修复。不同管理策略与环境（土壤类型、水涝强度等）之间相互作用的特异性增加以及管理层之间一般来说，印度所有的kharif作物都是在灌溉很少的情况下种植的。为了维持Tulaipanji农业，需要在研究区域安装灌溉系统表4标准化成对比较矩阵X标准权重、CI和CR。变量Zn SO4盐K PO4 PH OC N Mn Fe Cu B BD CEC SM CWI一致性结果Zn 1 1 2 1 1 3 2 2 1 1 2 1 1 30.088088CI电话：+86-0798 - 8888888传真：+86-0798 - 8888888盐0.5 0.33 1 0.33 0.5 1 1 0.5 0.5 1 0.33 1 0.33 0.5 0.0379 CR1 1 3 1 1 3 0.5 1 1 1 3 1 1 2 0.0839 0.043电话：+86-0775 - 8888888传真：+86-0775 - 8888888PH 0.33 0.5 1 0.33 0.5 1 1 1 0.5 1 2 0.5 2 1 1 0.051 CI小于10%OC 0.5 0.5 1 2 0.5 1 1 1 0.5 1 2 2 1 1 0.0685结果正常电话：+86-0511 - 8888888传真：+86-0511 - 8888888电话：+86-0571 - 8888888传真：+86-0571 - 8888888电话：+86-021 - 8888888传真：+86-021 - 8888888铜0.5 0.5 1 0.33 0.5 0.5 0.5 0.5 0.33 1 0.5 1 0.5 1 0.0348B 1 1 3 1 1 2 1 1 3 2 1 1 2 2 0.0919BD 1 1 1 1 1 0.5 0.5 1 1 1 1 1 1 0.0576电话：+86-10 - 8888888传真：+86-10 - 88888888电话：0512 - 88888888传真：0512 - 88888888图第六章 土壤肥力评价指标权重采用层次分析法。D. Sarkar等人地球科学中的人工智能2（2021）179189表5见图7。Kaliyaganj地块土壤肥力图（AHP-WLC）。用不当的土地做法破坏土地 为减少环境特征对农业生产力及土地的不利影响，土地适宜性分析是环境管理及可持续农业的首要步骤。 土地适宜性评价不仅有助于提高作物产量，而且有助于保持土壤健康条件以获得丰富的产量。 本研究采用层次分析法，地理信息系统和机器学习的方法来确定土壤肥力和土地的Tulaipanji水稻种植在印度东部的半湿润气候区的适宜性。根据最终土壤肥力图，18. 01%的土地处于良好的农业生产条件。使用受试者工作特征（ROC）曲线验证生成的模型。虽然ANN（0.936），SVM（0.918）和Bagging（0.895）模型的AUC值是令人满意的，ANN模型被认为是最适合映射研究区域的Tulaipanji水稻种植的地点适合性。 利用机器学习支持向量机模型进行土地承载力评价的结果表明，17.43%（52.62平方米）的土地承载力。km）的地块，是土来盘鸡种植的最佳按套袋模式栽培土来盘鸡，优良面积占26.82%基于人工神经网络的调查结果显示，25. 8%（77. 89平方米）的面积来自于中国。km）是非常合适的，利用层次分析法绘制土壤肥力图SFM面积（平方公里）面积（%）非常高54.3818.01高41.0413.6中度86.9628.8低66.5322.04非常低/不适合52.9817.555. 结论人口呈指数级增长，但土地是我们这个蓝色星球上有限而宝贵的资源。因此，至关重要的是可持续地利用这一固定资源，以满足不断增长的粮食需求，其中，19.84（59.90平方米）中等适宜度为11.16%（33.69平方公里）km）最不适合或不适合土来盘基水稻种植。研究结果可为我们目前的理解增添知识，并为可持续农业和环境管理的遵守道德标准作者特此声明，在本研究工作期间，不存在利益冲突，也不涉及任何人类或动物或以任何方式对其造成伤害见图8。 土来盘基水稻栽培立地适宜性图;（a）ANN模型，（b）SVM模型和（c）Bagging模型。D. Sarkar等人地球科学中的人工智能2（2021）179190表6不同面积覆盖下的土来盘基水稻栽培有利区。SSZ安SVM套袋总面积（平方公里）面积（%）面积（平方公里）面积（%）面积（平方公里）面积（%）面积（平方公里）面积（%）非常高77.8925.852.6217.4