Model prediction of soil drainage classes over a large area using a limited number of field samples: A case study in the province of Nova Scotia, Canada
Notice bibliographique
Résumé
Zhao, Z., Ashraf, M. I. and Meng, F.-R. 2013. Model prediction of soil drainage classes over a large area using a limited number of field samples: A case study in the province of Nova Scotia, Canada. Can. J. Soil Sci. 93: 73-83. Soil drainage maps are frequently required for crop, forest, and environmental management. However, modelling soil drainage over a large area (>1000 km2) is difficult due to complex soil-forming processes, large spatial variations, and the limited number of field samples, which are often insufficient to reflect local variations. In this study, a two-stage approach was used to produce soil drainage maps over a large area (the province of Nova Scotia). In the first stage, an existing soil drainage model developed in a small watershed with a sufficient number of field samples that could represent local topography was adopted. As a comparison, an artificial neural network model was built and calibrated with 1545 field samples across the province of Nova Scotia. Both models were used directly to predict soil drainage maps in the province of Nova Scotia. Results indicate that both models produced poor predictions. In the second stage, after dividing the entire provincial area into sub-areas (landforms) based on different division methods, corresponding linear transformation models were subsequently developed to adapt soil drainage classes produced by a base model (the existing soil drainage model) to fit field samples. Parameters of linear transformation models were estimated with field samples. Results indicate that the best linear transformation model was composed of 12 linear equations corresponding to 12 landforms (combinations of ecoregion and texture), and improved the prediction of rapidly drained (9.6%), well-drained (21.3%), moderately well-drained (14.1%), and imperfectly drained (7.5%) plots compared with the base model. Thus, the two-stage approach can obviously improve the accuracy of predicted soil drainage classes over a large area.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».