LOCAL SOIL ORGANIC CARBON MODELLING: CASE STUDY - KEREN SUBZONE, ERITREA

The study modelled the spatial distribution of soil organic carbon (SOC) at Keren subzone, Eritrea, using multiple linear regression (MLR), random forest (RF), and extreme gradient boosting (XGB) machine learning models with environmental variables. The XGB model (R2 = 0.77, RMSE = 0.08) outperformed the RF (0.76, 0.08), and MLR (0.76, 0.11) models. The SOC in the study area was low with high spatial variability, and it was highest in the irrigated and lowest in the rain-fed land uses. The variables importance revealed that land use and bulk density (BD) were the most important variables for SOC prediction. Thus, the study concludes that these models have high accuracy to be used in SOC improvement plans, and land usespecific management plans could give better results in the study area.

В исследовании было смоделировано пространственное распределение почвенного органического углерода (SOC) в подзоне Керен, Эритрея, с использованием моделей машинного обучения множественной линейной регрессии (MLR), случайного леса (RF) и экстремального градиентного усиления (XGB) с переменными окружающей среды. Модель XGB (R2 = 0,77, RMSE = 0,08) превзошла модели RF (0,76, 0,08) и MLR (0,76, 0,11). SOC в исследуемой области был низким с высокой пространственной изменчивостью, и он был самым высоким в орошаемых и самым низким в богарных землепользованиях. Важность переменных показала, что землепользование и объемная плотность (BD) были наиболее важными переменными для прогнозирования SOC. Таким образом, исследование приходит к выводу, что эти модели имеют высокую точность для использования в планах улучшения SOC, а планы управления, специфичные для землепользования, могут дать лучшие результаты в исследуемой области.