토양 효소 활성의 기계 학습 기반 평가 및 예측에 대한 포괄적 분석

인도의 다양한 지역에서의 토양 특성은 농업 성장에 영향을 미칩니다. 건강한 토양은 작물 성장과 생산에 중요한 영향을 미칩니다. 토양 효소는 토양에서 거의 모든 생화학적 반응을 매개합니다. 토양 탄소 및 질소 순환의 생물학적 과정을 이해하려면 토양 효소에서의 잠재적 요소의 중요성을 정의하고 이들의 활성을 평가해야 합니다. 본 연구에서는 다중 선형 회귀(Multiple Linear Regression, MLR), 랜덤 포레스트(Random Forest, RF) 모델 및 인공 신경망(Artificial Neural Networks, ANN)을 조합하여 아밀라제 및 요소효소 활성을 포함한 토양 효소 활성, 모래, 실트, 점토와 같은 토양 물리적 특성, 유기물(SOM), 질소(N), 인(P), 토양 유기 탄소(SOC), pH 및 비옥도 수준과 같은 토양 화학적 특성을 평가했습니다. 토양 포스파타제, 셀룰로스 및 요소 효소 활성을 추정하기 위한 다른 방법과 비교할 때 RF 모델은 MLR 모델에 비해 상당한 우수성을 보였습니다. 또한, 효소 활동 간의 동적이고 계층적인 관계를 관리할 수 있는 능력 덕분에 RF 모델은 토양 효소 활성 평가에서 다른 모델보다 우수합니다. 이 연구에서는 인도의 마하라슈트라 주 반다라 지역의 25개 마을에서 3972개의 토양 샘플을 수집하여 화학적, 물리적 및 생물학적 매개변수를 분석했습니다. 전반적으로 랜덤 포레스트 모델을 사용하여 셀룰라아제 효소 활성에 대해 99%의 정확도를 달성하였고, N-acetyl-glucosaminidase 효소 활성에 대해서는 94%의 정확도를 보였습니다. 가장 우수한 성능 정확도 알고리즘 및 평가 성과 지표에 따라 작물이 제안되었습니다.