Machine learning algorithms to improve phosphorus management

Abstract

Optimizing phosphorus (P) management in agriculture is critical for food security and sustainable development. Models can effectively combine multiple inputs and site conditions to improve understanding and predictions of nutrient dynamics. Machine learning (ML) models are becoming relevant in various agricultural sectors, with widely available, capable and cost efficient. In this study ML models were trained and tested to predict maize yield in response to phosphorus management. The effects of P on crop yield were predicted for Sub-Saharan Africa (SSA) using a total of 438 observations sourced from published articles. Specifically, we considered articles that determined the influence of P management on maize grain yield. Easily accessible soil and weather variables that affect the dynamics of phosphorus in soil-plant systems were included for possible improvement in the ML models. These variables include clay content, soil P, soil carbon content and weather variables, with variation in ranks across the region and sub-regions. Four machine models were used; multiple linear regression (MLR), random forest (RF), support vector regression (SVR) and k-nearest neighbors (KNN). Overall, the artificial intelligence models trained and tested in this work were able to predict plant responses to P addition and management in different cropping environments in SSA. The result showed that RF had better prediction performance for whole SSA (R2 = 0.57), East (R2 = 0.69) and South (R2 = 0.73) regions, while KNN had higher performance in the West region (R2 = 0.76). This study provides a basis for implementing a new framework for optimizing phosphorus management in agricultural systems. Keywords: Soil fertility. Phosphorus. Maize production. Sub Sahara Africa.

A otimização do manejo do fósforo (P) na agricultura é um componente importante de sistemas sustentáveis de produção de alimentos. Modelos de aprendizado de máquina (ML) estão se tornando relevantes em diversos setores agrícolas, devido aos recursos computacionais disponíveis, eficientes e economicamente viáveis, porém requerem a disponibilidade de bons bancos de dados. Neste estudo, modelos de ML foram treinados e validados para prever a produtividade do milho em resposta ao manejo do fósforo. Os efeitos do P no rendimento do milho foram previstos para a África Subsaariana regional (oeste, sul e leste) usando um total de 438 observações (116 unidades experimentais) provenientes de artigos publicados no Google Scholar, Scopus e Web of Science. Especificamente, os dados foram coletados de artigos que determinaram a influência do manejo de fósforo no rendimento de grãos de milho. Seis modelos de máquinas foram usados; multiple linear regression (MLR), random forest (RF), support vector regression (SVR) and k-nearest neighbors (KNN). Os resultados indicaram que o RF teve melhor capacidade de predição da resposta da produtividade do milho ao P, com R2 variando de 0,57 a 0,73. O KNN superou outros modelos na sub-região oeste com R2 de 0,76. Conforme esperado, para solos com baixo teor de P, a avaliação da importância das variáveis, do modelo RF, mostrou que a dose de P contribuiu mais para a produtividade do milho. Variáveis de solo e clima facilmente acessíveis que afetam a dinâmica do fósforo em sistemas solo-planta foram incluídas para possível melhoria nos modelos de ML. Essas variáveis incluem teor de argila, concentração de P disponível no solo, teor de carbono e variáveis climáticas, com variação nas classificações ao longo da região e sub-regiões. Este estudo fornece uma base para a implementação de um novo sistema para manejo de fósforo por meio de aprendizado de máquinas. Palavras-chave: Fertilidade do solo. Fósforo. Produção de milho. África Sub Saariana.