Prediction of Soil Organic Carbon Using Machine Learning Algorithm in Long-Term Ecological Monitoring Plots of Southern Dry Mixed Deciduous Forests, Telangana, India

Il suolo sotto i nostri piedi è molto più di semplice terra; è un serbatoio vivente e pulsante che contiene più carbonio di tutte le foreste e dell'atmosfera messi insieme. Questo carbonio nascosto, conservato all'interno di materia organica come foglie in decomposizione e radici, svolge un ruolo critico nella regolazione del clima del pianeta. Quando questa materia organica si decompone, rilascia il carbonio nell'aria, ma quando viene preservata, agisce come uno strumento potente contro il cambiamento climatico. Comprendere quanto carbonio sia stoccato nel terreno, e quali fattori aiutino a mantenerlo lì, è essenziale per gestire le foreste in modo sostenibile. Tuttavia, misurare questo carbonio è difficile perché le condizioni del suolo variano enormemente da un punto all'altro, influenzate da tutto, dalle precipitazioni ai nutrienti specifici disponibili per le piante. Gli scienziati cercano da tempo modi migliori per prevedere queste riserve nascoste senza dover scavare e testare ogni singolo metro quadrato di una foresta.

Nelle foreste decidue miste secche del sud del Telangana, in India, un team di ricercatori ha cercato di risolvere questo enigma testando se i moderni programmi informatici potessero imparare a prevedere i livelli di carbonio nel suolo con maggiore precisione rispetto ai metodi tradizionali. Si sono concentrati su un appezzamento di foresta specifico di dieci ettari, un sito di monitoraggio permanente dove avevano già stabilito una griglia dettagliata per l'osservazione. Per costruire i loro modelli, il team ha raccolto centinaia di campioni di suolo a varie profondità in tutto questo appezzamento. Hanno analizzato ogni campione per le sue caratteristiche chiave: quanto il suolo fosse acido o neutro, quanta umidità contenesse e i livelli di nutrienti essenziali per le piante come azoto, fosforo e potassio. Con questo ricco insieme di dati, hanno inserito le informazioni in cinque diversi tipi di algoritmi di apprendimento automatico (machine learning). Questi sono programmi informatici progettati per trovare schemi nei dati, che vanno da semplici strumenti statistici a sistemi complessi che imitano il modo in cui il cervello umano elabora le informazioni. L'obiettivo era vedere quale programma potesse indovinare meglio la quantità di carbonio organico del suolo basandosi esclusivamente sulle altre proprietà del suolo.

I risultati hanno rivelato una chiara gerarchia nel modo in cui questi strumenti digitali hanno performato. L'approccio di maggior successo è stato un metodo chiamato Random Forest, una tecnica che costruisce molti piccoli alberi decisionali e combina le loro risposte per raggiungere una conclusione. Questo modello ha superato tutti gli altri, prevedendo il contenuto di carbonio con un alto grado di affidabilità. È stato seguito da vicino da un altro metodo avanzato noto come Extreme Gradient Boosting e da un sistema modellato su reti neurali. Al contrario, un metodo tradizionale più semplice chiamato Regressione Lineare Multipla, che assume una relazione lineare tra le variabili, è stato moderatamente efficace ma non è riuscito a catturare la piena complessità del suolo. Lo strumento meno efficace è stato la Support Vector Machine, un algoritmo sofisticato che ha faticato significativamente con questo specifico set di dati, producendo previsioni molto meno accurate e molto più incerte rispetto agli altri.

Un esame più approfondito del motivo per cui questi modelli hanno funzionato o fallito ha evidenziato un fattore cruciale: l'umidità del suolo. Tra i modelli di maggior successo, la quantità di acqua nel suolo è emersa come l'indizio più importante per prevedere quanto carbonio fosse stoccato. Sebbene la disponibilità di nutrienti come azoto e fosforo abbia giocato un ruolo forte, il contenuto di umidità è stato il driver dominante. I ricercatori hanno scoperto che il suolo in questa foresta decidua secca era generalmente vicino alla neutralità acida, con livelli moderati di azoto e potassio, ma livelli relativamente bassi di fosforo. Il contenuto di carbonio stesso variava significativamente attraverso l'appezzamento, spaziando da livelli molto bassi a livelli moderatamente alti, riflettendo la natura complessa e irregolare del suolo forestale. Lo studio ha confermato che, sebbene i nutrienti siano vitali, lo stato fisico del suolo, in particolare la sua capacità di trattenere l'acqua, è la chiave primaria per comprendere lo stoccaggio del carbonio in questi ambienti aridi.

Questo lavoro dimostra che per i gestori forestali e gli scienziati in regioni simili, il modo migliore per stimare il carbonio nel suolo non è attraverso medie semplici o vecchi trucchi statistici, ma attraverso modelli informatici avanzati che possono gestire relazioni complesse e non lineari. Lo studio suggerisce che concentrandosi sull'umidità del suolo e sui livelli di nutrienti, e utilizzando strumenti robusti di machine learning come Random Forest, è possibile mappare la salute del suolo con maggiore precisione. Questa precisione è vitale per comprendere come queste foreste funzionano come pozzi di assorbimento del carbonio e per sviluppare strategie per proteggerle. Sebbene alcuni degli algoritmi più complessi abbiano incontrato difficoltà, il successo dei modelli basati sugli alberi offre una via pratica da seguire, dimostrando che gli strumenti digitali giusti possono svelare i segreti nascosti nella terra sotto i nostri piedi.