Comparing and evaluating digital soil mapping methods in a Hungarian forest reserve
Notice bibliographique
Résumé
Illés, G., Kovács, G. and Heil, B. 2011. Comparing and evaluating digital soil mapping methods in a Hungarian forest reserve. Can. J. Soil Sci. 91: 615–626. To investigate applications of widespread digital soil mapping methods in forestry management, soil maps for a Hungarian forest reserve were developed using general discriminant and classification tree analysis as predictive tools. Soil samples were collected applying an unaligned semi-systematic grid. Second level units of the World Reference Base of Soil Resources and their yield capacity were determined. Terrain attributes were derived using a digital elevation model, and they were assigned to soil data to be used as predictors for second level units of the World Reference Base for Soil Resources (SLU) maps. A comparison was made of prediction accuracy. Both the discriminant analysis and the classification tree-based prediction were able to derive SLU maps; however, the classification accuracies were uneven. The methods used provided 63–65% average classification accuracy for dominant SLUs, but only 0–18% in the case of less common SLUs. One of the major issues of digital soil mapping that needs to be addressed is that the same inputs may result in different output maps depending on the use of spatial predictions. To overcome this problem we created a new combination of these methods in which the classification accuracies were used to select the most appropriate prediction. For each location, the method that gave higher prediction accuracy was used to extend the soil map to unknown areas. In this way we improved the overall accuracy of output maps as well as the prediction accuracies of individual SLUs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».