Accuracy Assessment of Sequential Indicator Simulation in Three-dimensional Prediction of Soil Texture
Notice bibliographique
Résumé
Equiprobable realizations of soil textural maps can be drawn using Sequential Indicator Simulation (SIS), which reflects the probability of occurrence of each texture and is constrained by the observed textures at the observation sites. However, the SIS is not an error-free technique, and the accuracy of these maps should be checked before they are used as basic information for precision agricultural- and environmental-related studies. This article assesses the accuracy of using SIS in the three-dimensional prediction of soil texture. A soil data set (139 profiles) with five types of textures distributed in a 15-km2 region was first collected and then randomly sub-divided into a training set (85 profiles) and a validation set (54 profiles). Second, 100 realizations were obtained by SIS using the training set. Finally, the prediction capacity was assessed using independent validation set and probability of correct prediction as criterion. Results show that 43.59% of total observations can be correctly predicted while the accuracy varies among textures and depths. The dominant textures in the data set have higher accuracy (>42.49%), while the textures with less proportion (<28.86%) were poorly predicted. The SIS performed better for the near-surface depth (0–0.5 m) than deeper depths (0.5–2.0 m). Therefore, further improvement in simulation of soil texture is necessary as correct predictions of these minor textures and deeper depth textures were very low.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».