Model prediction of soil drainage classes based on digital elevation model parameters and soil attributes from coarse resolution soil maps
Notice bibliographique
Résumé
High-resolution soil drainage maps are important for crop production planning, forest management, and environmental assessment. Existing soil classification maps tend to only have information about the dominant soil drainage conditions and they are inadequate for precision forestry and agriculture planning purposes. The objective of this research was to develop an artificial neural network (ANN) model for producing soil drainage classification maps at high resolution. Soil profile data extracted from coarse resolution soil maps (1:1 000 000 scale) and topographic and hydrological variables derived from digital elevation model (DEM) data (1:35 000 scale) were considered as candidates for inputs. A high-resolution soil drainage map (1:10 000) of the Black Brook Watershed (BBW) in northwestern New Brunswick (NB), Canada, was used to train and validate the ANN model. Results indicated that the best ANN model included average soil drainage classes, average soil sand content, vertical slope position (VSP), sediment delivery ratio (SDR) and slope steepness as inputs. It was found that 52% of model-predicted drainage classes were exactly the same as field assessment observations and 94% of model-predicted drainage classes were within ±1 class. In comparison, only 12% of maps indicated drainage classes were the same as field assessment observations based on coarse resolution soil maps and only 55% of points were within ±1 class of field assessed drainage classes. Results indicated that the model could be used to produce high-resolution soil drainage maps at relatively low cost. Key words: Soil drainage, artificial neural network model, ANN model, high-resolution soil maps, DEM, hydrology model
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».