Generation of soil drainage equations from an artificial neural network-analysis approach
Notice bibliographique
Résumé
Zhao, Z., MacLean, D. A., Bourque, C. P.-A., Swift, D. E. and Meng, F.-R. 2013. Generation of soil drainage equations from an artificial neural network-analysis approach. Can. J. Soil Sci. 93: 329–342. Soil properties, especially soil drainage, are known to be related to topo-hydrologic variables derived from digital elevation models (DEM), such as vertical slope position, slope steepness, sediment delivery ratio, and topographic wetness index. Such relationships typically are strongly non-linear and thus difficult to define with conventional statistical methods. In this study, we used artificial neural network (ANN) models to establish relationships between soil drainage classes and DEM-generated topo-hydrologic variables and subsequently formulated the relationships to generate soil drainage equations for soil mapping. A high-resolution field soil map of the Black Brook Watershed in northwest New Brunswick, Canada, was used to calibrate/validate the ANN models, and the obtained equations. Independent data from an experimental farm, about 180 km away, were also used for validation. Results indicated that vertical slope position was the best predictor of soil drainage classes (r=0.55), followed by slope steepness (r=0.44), sediment delivery ratio (r=0.39), and topographic wetness index (r=0.38). The obtained soil drainage equations fitted well to the ANN model predictions (r 2 =0.78–0.99; root mean squared error=0.39–4.55). Analyses indicated that soil drainage equations clearly reflected the actual relationships between soil drainage classes and DEM-generated topo-hydrologic variables, and have the potential to minimize bias originated from over-training the ANN models when applied outside the area of calibration, especially when the ranges of input variables were outside of the range of calibration data.
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 | 0,000 |
| 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) | 0,001 | 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 ».