Soil microbial biomass (SMB-C) is one of the most frequently used parameters for the assessment of soil quality, but no threshold values have ever been proposed. We challenged the problem of a reliable numerical estimation of the SMB-C based on the knowledge of physicochemical soil properties. The aim was to evaluate artificial neural network (ANN) modelling for the prediction of SMB-C from a range of physical and chemical properties. The dataset used is composed of 231 vineyard soils of widely different characteristics and exposed to different temperature and moisture regimes. Each soil was described by ten physicochemical parameters: sand, clay, soil organic matter, total N, C/N ratio, pH, EC, exchangeable Na, active lime and total Cu. The ANN followed the topology: one input layer (1 to 11 nodes), one hidden layer (2•n nodes) and one output node (SMB-C). Each soil sample was validated against the other 230 samples. The ANN model showed a much better fit than the linear model. The divergence between measured and predicted SMB-C was greatly restrained using the nonlinear approach, testifying the ability of the ANN to adapt to the highly variable dataset. The ANN analysis confirmed the primary importance of SOM for SMB-C prediction, being present in all of the best five models with the lowest root mean square relative error and in four out of five models with the lowest root mean square error. The prediction capability of SMB-C by ANN was limited at high SMB-C values, but the method can potentially be improved by expanding the dataset and introducing more parameters regarding soil physical properties and management.

中文翻译：

---

用于估算葡萄园土壤中土壤微生物生物量的人工神经网络 (ANN) 建模

土壤微生物生物量 (SMB-C) 是评估土壤质量最常用的参数之一，但从未提出过阈值。我们挑战了基于物理化学土壤特性的 SMB-C 可靠数值估计的问题。目的是评估人工神经网络 (ANN) 建模，以从一系列物理和化学特性预测 SMB-C。所使用的数据集由 231 种不同特性的葡萄园土壤组成，并暴露在不同的温度和湿度条件下。每个土壤用十个物理化学参数描述：沙子、粘土、土壤有机质、总氮、C/N 比、pH、EC、可交换钠、活性石灰和总铜。ANN 遵循拓扑结构：一个输入层（1 到 11 个节点），一个隐藏层（2•n 个节点）和一个输出节点（SMB-C）。每个土壤样品都针对其他 230 个样品进行了验证。ANN 模型显示出比线性模型更好的拟合。使用非线性方法极大地抑制了测量和预测的 SMB-C 之间的差异，证明了 ANN 适应高度可变数据集的能力。ANN 分析证实了 SOM 对于 SMB-C 预测的主要重要性，存在于所有具有最低均方根相对误差的最佳五个模型中，以及存在于具有最低均方根误差的五个模型中的四个模型中。ANN 对 SMB-C 的预测能力受限于高 SMB-C 值，但该方法可以通过扩展数据集和引入更多关于土壤物理特性和管理的参数来改进。每个土壤样品都针对其他 230 个样品进行了验证。ANN 模型显示出比线性模型更好的拟合。使用非线性方法极大地抑制了测量和预测 SMB-C 之间的差异，证明了 ANN 适应高度可变数据集的能力。ANN 分析证实了 SOM 对于 SMB-C 预测的主要重要性，存在于所有具有最低均方根相对误差的最佳五个模型中，以及存在于具有最低均方根误差的五个模型中的四个模型中。ANN 对 SMB-C 的预测能力受限于高 SMB-C 值，但该方法可以通过扩展数据集和引入更多关于土壤物理特性和管理的参数来改进。每个土壤样品都针对其他 230 个样品进行了验证。ANN 模型显示出比线性模型更好的拟合。使用非线性方法极大地抑制了测量和预测 SMB-C 之间的差异，证明了 ANN 适应高度可变数据集的能力。ANN 分析证实了 SOM 对于 SMB-C 预测的主要重要性，存在于所有具有最低均方根相对误差的最佳五个模型中，以及存在于具有最低均方根误差的五个模型中的四个模型中。ANN 对 SMB-C 的预测能力受限于高 SMB-C 值，但该方法可以通过扩展数据集和引入更多关于土壤物理特性和管理的参数来改进。ANN 模型显示出比线性模型更好的拟合。使用非线性方法极大地抑制了测量和预测 SMB-C 之间的差异，证明了 ANN 适应高度可变数据集的能力。ANN 分析证实了 SOM 对于 SMB-C 预测的主要重要性，存在于所有具有最低均方根相对误差的最佳五个模型中，以及存在于具有最低均方根误差的五个模型中的四个模型中。ANN 对 SMB-C 的预测能力受限于高 SMB-C 值，但该方法可以通过扩展数据集和引入更多关于土壤物理特性和管理的参数来改进。ANN 模型显示出比线性模型更好的拟合。使用非线性方法极大地抑制了测量和预测的 SMB-C 之间的差异，证明了 ANN 适应高度可变数据集的能力。ANN 分析证实了 SOM 对于 SMB-C 预测的主要重要性，存在于所有具有最低均方根相对误差的最佳五个模型中，以及存在于具有最低均方根误差的五个模型中的四个模型中。ANN 对 SMB-C 的预测能力受限于高 SMB-C 值，但该方法可以通过扩展数据集和引入更多关于土壤物理特性和管理的参数来改进。证明 ANN 适应高度可变数据集的能力。ANN 分析证实了 SOM 对于 SMB-C 预测的主要重要性，存在于所有具有最低均方根相对误差的最佳五个模型中，以及存在于具有最低均方根误差的五个模型中的四个模型中。ANN 对 SMB-C 的预测能力受限于高 SMB-C 值，但该方法可以通过扩展数据集和引入更多关于土壤物理特性和管理的参数来改进。证明 ANN 适应高度可变数据集的能力。ANN 分析证实了 SOM 对于 SMB-C 预测的主要重要性，存在于所有具有最低均方根相对误差的最佳五个模型中，以及存在于具有最低均方根误差的五个模型中的四个模型中。ANN 对 SMB-C 的预测能力受限于高 SMB-C 值，但该方法可以通过扩展数据集和引入更多关于土壤物理特性和管理的参数来改进。