Machine learning forecasting of teak (Tectona grandis L.f.) growth parameters in Ghanaian plantations: a plot-level grouped-split analysis with ablation and sensitivity analysis
Deze studie ontwikkelt een multilayer perceptron-model dat is getraind op geëxtraheerde allometrische gegevens om groeiparameters van teak in Ghanese plantages nauwkeurig te voorspellen, waarbij een rigoureuze splitsing van gegevens op perceelniveau wordt toegepast om lekkage te voorkomen en wordt aangetoond dat bodemvruchtbaarheid de groeivoorspellingen significant beïnvloedt ondanks de afwezigheid van een gecentraliseerde veldinventaris.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Bossen zijn geen statische decors; het zijn levende ecosystemen waar bomen groeien, concurreren en reageren op de grond onder hen. Voor bosbeheerders is het voorspellen van hoe snel een boom zal groeien of hoeveel hout deze zal produceren essentieel voor het beheren van houtbronnen en het plannen voor de toekomst. Traditioneel werd dit gedaan door bomen in het veld te meten, hun hoogte en breedte vast te leggen en wiskundige regels te gebruiken om hun volume te schatten. Echter, in veel delen van de wereld, waaronder Ghana, bestaat er geen centrale, actuele database met deze metingen. Zonder verse gegevens uit het veld wordt het moeilijk om nauwkeurige modellen te creëren die ons vertellen hoe teakbomen, een waardevol commercieel hardhout, zullen presteren onder verschillende omstandigheden. Deze kloof laat beheerders gissen naar het potentieel van hun plantages, vooral wanneer de bodemkwaliteit en landschapskenmerken van de ene locatie naar de andere variëren.
Om dit probleem op te lossen, richtten onderzoekers in Ghana en Roemenië zich op een andere aanpak: het gebruik van computermodellering (machine learning) om de leegte achtergelaten door ontbrekende veldgegevens op te vullen. Ze bouwden een digitaal model dat in staat is om de groei van teakbomen te voorspellen door te leren van bestaande wetenschappelijke studies in plaats van nieuwe metingen. Het team verzamelde informatie uit gepubliceerde rapporten over teakplantages in heel Ghana, waarbij ze details extraheerden over de grootte van de bomen, leeftijd en de specifieke bodem- en landschapstoestanden waarin zij groeiden. Omdat ze niet beschikten over ruwe gegevens van individuele bomen, gebruikten ze gevestigde wetenschappelijke formules om een grote set gesimuleerde boomrecords te genereren. Deze records werden vervolgens gevoed aan een type kunstmatige intelligentie bekend als een multilayer perceptron, een systeem dat ontworpen is om complexe patronen in data te vinden. Het doel was om te zien of de computer de relatie kon begrijpen tussen de omgeving – zoals voedingsstoffen in de bodem, neerslag en hoogte boven zeeniveau – en de resulterende grootte van de bomen, specifiek hun totale hoogte en het volume van het hout in hun stammen.
De onderzoekers stuitten op een aanzienlijke uitdaging bij het testen van hun model. Aangezien veel van de gesimuleerde bomen afkomstig waren uit dezelfde gepubliceerde studiepercelen, deelden zij identieke milieugegevens. Als de computer zou mogen leren van sommige bomen in een perceel om vervolgens andere bomen uit datzelfde perceel te testen, zou hij simpelweg de specifieke omstandigheden van die locatie memoriseren in plaats van een algemene regel te leren voor hoe bomen groeien. Om dit te voorkomen, splitste het team de data op perceelniveau. Ze zorgden ervoor dat elke boom van een specifieke onderzoekslocatie volledig in óf de trainingsgroep óf de testgroep terechtkwam, maar nooit in beide. Dit betekende dat de computer de groei van bomen moest voorspellen op locaties die hij nog nooit eerder had gezien, wat een veel strengere en eerlijkere test vormde voor zijn vermogen om de onderliggende biologie van het bos te begrijpen.
Na het trainen van het systeem op duizenden gesimuleerde records lieten de resultaten zien dat het computermodel de groeipatronen van teak met opmerkelijke nauwkeurigheid kon reproduceren. Wanneer getest op volledig nieuwe percelen, voorspelde het model het houtvolume van de boomstammen met een succespercentage dat bijna perfect was, waarbij het bijna 99 procent van de variatie in de data vastlegde. De voorspelling voor de boomhoogte was ook sterk en identificeerde correct 81 procent van de variatie, hoewel deze iets minder precies was dan de volumeschattingen. De meest invloedrijke factoren die deze voorspellingen dreven, waren de diameter van de boom, de dominante hoogte ten opzichte van anderen in het bestand, en de ouderdom van de plantage. Het onderzoek onthulde echter dat chemie van de bodem een belangrijkere rol speelde dan voorheen werd vermoed wanneer de data zorgvuldig worden behandeld. Toen de onderzoekers de bodemgegevens uit het model verwijderden, daalde de nauwkeurigheid licht maar merkbaar, wat bewees dat bodemvruchtbaarheid een werkelijke drijfveer van groei is, en niet slechts een overbodig detail.
De analyse bracht ook naar voren hoe verschillende omgevingsfactoren samenwerken. Hoewel individuele nutriënten in de bodem, zoals stikstof of kalium, elk een matig effect hadden op zichzelf, vond het onderzoek dat wanneer bodemchemische eigenschappen als groep werden overwogen, zij de grootste verschuivingen in voorspellingsfouten veroorzaakten. Dit suggereert dat de algehele chemische gezondheid van de bodem een gecoördineerde kracht is die bepaalt hoe hoog de bomen groeien. Daarentegen had de dichtheid van bomen in een bestand, oftewel hoeveel bomen er per hectare geplant zijn, vrijwel geen onafhankelijk effect op de voorspellingen zodra de boomgrootte en leeftijd bekend waren. Het model leerde ook dat hoogte, wat vaak dient als een surrogaat voor andere omgevingscondities, minder belangrijk werd wanneer werkelijke bodemgegevens beschikbaar waren, wat erop wijst dat de computer de directe oorzaak van groei prioriteerde boven een indirecte indicator.
Ondanks deze successen merkten de onderzoekers voorzichtig op wat de beperkingen van hun werk waren. Omdat de trainingsdata gegenereerd waren vanuit formules in plaats van rechtstreeks gemeten vanaf de grond, heeft het model in feite geleerd om de relaties te reproduceren die reeds in de wetenschappelijke literatuur worden beschreven. Het bevestigt dat een computer succesvol kan zijn in het nabootsen van de groeiregels van Ghanese teak wanneer hem de juiste input wordt gegeven, maar het kan de noodzaak voor echte metingen in de praktijk nog niet vervangen. De studie dient als een bewijs van concept (proof of concept), waarmee wordt aangetoond dat machine learning een krachtig hulpmiddel kan zijn voor het screenen van potentiële plantageterreinen en het inschatten van groei wanneer veldgegevens schaars zijn. Volgens de auteurs is de volgende stap het opnieuw trainen van ditzelfde systeem zodra er nieuwe, directe metingen uit permanente bospercelen beschikbaar komen. Tot die tijd biedt het model een betrouwbare, goedkope manier om de groeipatronen van teak te begrijpen, mits het gebruikt wordt met het begrip dat het gebouwd is op de basis van bestaande wetenschappelijke kennis in plaats van nieuwe observaties in het veld.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.