Enhancing Agricultural Sustainability using AI-Driven Soil Moisture Modeling: A Soil-Type and Depth Approach with SHAP Interpretability = A mezőgazdasági fenntarthatóság javítása MI-alapú talajnedvesség-modellezéssel: talajtípusra és -mélységre vonatkozó elemzés SHAP-modellel

Alahmad, Tarek and Neményi, Miklós and Nyéki, Anikó (2025) Enhancing Agricultural Sustainability using AI-Driven Soil Moisture Modeling: A Soil-Type and Depth Approach with SHAP Interpretability = A mezőgazdasági fenntarthatóság javítása MI-alapú talajnedvesség-modellezéssel: talajtípusra és -mélységre vonatkozó elemzés SHAP-modellel. ACTA AGRONOMICA ÓVÁRIENSIS, 66 (2). pp. 5-16. ISSN 1416-647X (nyomtatott); 2498-907X (elektronikus)

Preview

Text ActAgrOvar_Alahmad_et_al.pdf - Published Version Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (1MB) | Preview

Abstract

The accurate prediction of soil moisture content (SMC) is important for optimizing irrigation, reducing water wastages and enhancing sustainability in agriculture. This study developed a Random Forest Regression model for soil-depth-specific prediction of SMC during two vegetation seasons. The model was applied to two soil types (loam and silt loam) at five depths with two different scenarios based on the used inputs: the first used only vegetation indices and the second integrated meteorological data with the vegetation indices. The results showed a significant rise in model’s accuracy in the second scenario in both soil types at all depths, highlighting the importance of integrating meteorological features. In loam soil, R2 increased from 0.65, 0.61, and 0.82, in the first scenario, to 0.94, 0.83 and 0.87, in second scenario, at 5, 20 and 40 cm depth, respectively. Similarly in silt loam, at 5, 20 and 40 cm depths the R2 in the second scenario improved to get an R2 of 0.97, 0.96 and 0.94, respectively, compared with an R2 of 0.88, 0.94 and 0.82 in the first scenario at same depths, respectively. SHAP (SHapley Additive ExPlanations) research revealed that the most influential features on SMC prediction were precipitation, humidity, Normalized Difference Vegetation Index (NDVI) in loam soil, and solar radiation and NDVI in silt loam. These results emphasized that integrated meteorological data increases the model’s performance in SMC prediction, and the importance of SHAP explainability for enhancing model interpretability and support real-time irrigation decision making. This research allows for better water resource management and enhances sustainability. | A talajnedvesség-tartalom (SMC) pontos előrejelzése elengedhetetlen az öntözés- és a vízfelhasználás optimalizálása, összességében a mezőgazdaság fenntarthatóságának javítása érdekében. A tanulmányban egy Random Forest regressziós modellt alkalmaztak a talajnedvesség-tartalom talajmélység-specifikus előrejelzésére két vegetációs időszak alatt (2023, 2024). A modellt két fizikai talajtípuson (vályog és iszapos vályog) öt mélységben tesztelték. Az elemzésben két forgatókönyvet alkalmaztak, melyben az első kizárólag vegetációs indexeket, a második pedig a vegetációs indexeket mellett meteorológiai adatokat is integrált. Az eredmények mindkét talajtípuson és mélységnél szignifikáns különbséget mutattak a második forgatókönyvben, bizonyítva ezzel a meteorológiai adatok integrálásának fontosságát. Vályog talaj esetén az R² érték az 5, 20 és 40 cm-es mélységeken az első forgatókönyvben 0,65; 0,61 és 0,82-ről; a második forgatókönyvben 0,94; 0,83 és 0,87-re nőtt. Hasonlóképpen, az iszapos vályog talajnál ugyanezen mélységek (5, 20, 40 cm) esetén az R² a második forgatókönyvben 0,97; 0,96 és 0,94 értékre javult, szemben az első forgatókönyvben prognosztizált 0,88; 0,94 és 0,82 adatokkal. A SHAP (SHapley Additive exPlanations) elemzés feltárta, hogy a talajnedvesség előrejelzésére legnagyobb hatással bíró jellemzők a vályog talajnál a csapadék, a páratartalom és az NDVI, míg az iszapos vályognál a napsugárzás és az Normalizált Differenciált Vegetációs Index (NDVI) voltak. Ezek az eredmények hangsúlyozzák, hogy a meteorológiai adatok integrálása jelentősen javítja a modell teljesítményét a talajnedvesség előrejelzésében.

Actions (login required)

Edit Item