農業土壌からの温室効果ガス排出量を予測するための機械学習

Machine learning for predicting greenhouse gas emissions from agricultural soils.

• Abderrachid Hamrani
• Abdolhamid Akbarzadeh
• Chandra A Madramootoo

抄録

機械学習（ML）モデルは、時間的・空間的に高い変動性を持つ複雑な環境現象を研究するために、ますます利用されるようになってきている。本研究では、農地からの土壌温室効果ガス（GHG）排出量を予測するために、古典回帰、浅い学習、深層学習を含む3種類のML回帰モデルを活用することの可能性を探った。カナダのケベック州にある農地で、5年間にわたって二酸化炭素（CO）と亜酸化窒素（NO）のフラックス、様々な環境、農学的、土壌データが測定されました。その結果、LSTMモデルは、最も高いR係数と最も低い二乗平均誤差(RMSE)（R=0.87、RMSE=30.87）を持つMLモデルの中で最も優れた性能を持つことが確認された。87、RMSE=30.3mg-m-hr、NOフラックス予測ではR=0.86、RMSE=0.19mg-m-hr）。)LSTMの予測性能は、生物物理学に基づいたルートゾーン水質モデル(RZWQM2)を用いて実施した先行研究の予測性能よりも高精度であった。従来の回帰モデル（RF, SVM, LASSO）は、COフラックスの周期的・季節的変動（それぞれR=0.75, 0.71, 0.68）を十分に再現していたが、NOフラックスのピーク値（R<0.25）を予測することはできなかった。また、シャローMLは他のモデルに比べてGHGフラックスの予測効果が低く（COフラックスはR<0.7、NOフラックスはR<0.3）、ハイパーパラメータの調整に最も敏感であることがわかった。このような総合的な比較研究により、LSTMモデルは農業土壌からの温室効果ガス排出量のシミュレーションに有効であることが示され、機械学習モデルの環境への温室効果ガス排出量予測への応用に新たな視点を提供することができた。

Machine learning (ML) models are increasingly used to study complex environmental phenomena with high variability in time and space. In this study, the potential of exploiting three categories of ML regression models, including classical regression, shallow learning and deep learning for predicting soil greenhouse gas (GHG) emissions from an agricultural field was explored. Carbon dioxide (CO) and nitrous oxide (NO) fluxes, as well as various environmental, agronomic and soil data were measured at the site over a five-year period in Quebec, Canada. The rigorous analysis, which included statistical comparison and cross-validation for the prediction of CO and NO fluxes, confirmed that the LSTM model performed the best among the considered ML models with the highest R coefficient and the lowest root mean squared error (RMSE) values (R = 0.87 and RMSE = 30.3 mg·m·hr for CO flux prediction and R = 0.86 and RMSE = 0.19 mg·m·hr for NO flux prediction). The predictive performances of LSTM were more accurate than those simulated in a previous study conducted by a biophysical-based Root Zone Water Quality Model (RZWQM2). The classical regression models (namely RF, SVM and LASSO) satisfactorily simulated cyclical and seasonal variations of CO fluxes (R = 0.75, 0.71 and 0.68, respectively); however, they failed to reasonably predict the peak values of NO fluxes (R < 0.25). Shallow ML was found to be less effective in predicting GHG fluxes than other considered ML models (R < 0.7 for CO flux and R < 0.3 for estimating NO fluxes) and was the most sensitive to hyperparameter tuning. Based on this comprehensive comparison study, it was elicited that the LSTM model can be employed successfully in simulating GHG emissions from agricultural soils, providing a new perspective on the application of machine learning modeling for predicting GHG emissions to the environment.

Copyright © 2020 Elsevier B.V. All rights reserved.