Spatial distribution of soil class and soil pH in the Thompson-Okanagan region, British Columbia
Notice bibliographique
Résumé
Soils are facing great threats from climate change and anthropogenic activities. It is essential to understand the characteristics of soils, such as class and pH, especially when it comes to the issue of evaluating soil quality. In the Thompson–Okanagan region, previous soil surveys covered most parts of the region in polygon data form; however, it would be beneficial if soil data were available at a finer resolution and with uniform soil categories. The digital soil mapping (DSM) approach has shown promising results over various landscapes with limited available data. The main objective of this study was to use an ensemble learning approach to map the spatial distribution of soil classes and soil pH at 25-meter resolution in the Thompson-Okanagan region, BC. Random Forest (RF) was used to map 16 soil subgroups. Overall prediction accuracy was 65.4% with an independent validation dataset. The study of spatial patterns of soil pH was tested with a combination of multiple base learners, which included a Multilinear Regression (GLM) learner, Stepwise Regression (STEP) learner, Lasso and Elastic-Net regularized Generalized Linear Regression (GLMNET) learner, a Kernel-based Support Vector Machine (KSVM) learner, and RF. Base learners with higher prediction accuracy were used to develop a Super Learner (SL). The fitted SL was then used to predict soil pH for three depth intervals (0 – 5cm, 5 – 15cm, and 15 – 30cm) at 25–meter resolution. For all three depth intervals, the SL proved to have the lowest MSE value and better prediction accuracy than was obtained from just using one of the base learners.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».