Einige Eigenschaften der untersuchten Bodenproben sind in Tabelle 1 dargestellt. Die höchsten pH- und EC-Werte wurden von der Bodenklasse Soil_1 mit den Werten von 8,46 und 0,827 ds m−1 bestimmt. Soil_5 wies den höchsten CaCO3-Gehalt (21,120%) und organischen Stoff (5,95%) auf. Soil_1 und Soil_3 hatten den höchsten Phosphorgehalt mit den Werten von 5,494 bzw. 5,179, während der niedrigste Wert von 2,545 in der Bodenklasse Soil_5 zu finden war. Die Werte für Ton, Schluff und Sand variierten von 10,71 bis 13,94, von 18,18 bis 28,28 und von 59,60 bis 67,91, respectively.
In dieser Studie wurden zwei verschiedene Analysemethoden angewendet. Im ersten Methodensatz wurden verschiedene Algorithmen wie Fine Tree, Quadratic SVM, Fine KNN und Subspace Discriminant sowie neuronale Netzwerk-Algorithmen wie Bilayered Neural Network, Wide Neural Network, Narrow Neural Network und Trilayered Neural Network unter Verwendung von MATLAB durchgeführt. Im zweiten Methodensatz wurden PART, Random Forest, Bayes Net und Logistic-Algorithmen unter Verwendung von WEKA durchgeführt. Insgesamt wurden 12 Algorithmen auf Bodenproben modelliert und die Ergebnisse wurden im Detail verglichen. Die Gesamtgenauigkeit des Fine Tree-Algorithmus wurde als 99,7% bestimmt. Die Gesamtgenauigkeitswerte für Quadratic SVM und Fine KNN-Algorithmen wurden ebenfalls als 99,7% ermittelt. Der Subspace Discriminant-Algorithmus hatte die höchste Gesamtgenauigkeit mit einem Wert von 99,8%.
Durchschnittsgenauigkeiten und Verwirrungsmatrizen der Algorithmen PART, Random Forest, Bayes Net und Logistic sind in Tabelle 2 dargestellt und die Leistungsergebnisse der Modelle sind in Tabelle 3 angegeben. Die erfolgreichsten Modelle basierend auf Gesamtgenauigkeitswerten und Leistungsmetriken waren BayesNet (99,83%), Subspace Discriminant (99,80%), Quadratic SVM (99,7%), Fine KNN (99,7%) und Fine Tree (99,7%), respectively. Eine Vielzahl von Studien hat die Verwendung von maschinellem Lernen und neuronalen Netzwerken zur Bodenklassifizierung untersucht und gezeigt, dass diese Ansätze vielversprechend sind. Maschinelles Lernen und Computer Vision tragen heute in großem Maße dazu bei, Analysen von Bodeneigenschaften effektiver, genauer und zugänglicher zu machen, was für die Entscheidungsfindung in der Landwirtschaft und Umweltmanagement von entscheidender Bedeutung ist.