ESTIMATION OF SOIL BULK DENSITY AND CARBON USING MULTI-SOURCE REMOTELY SENSED DATA
Notice bibliographique
Résumé
Abstract. Bulk density and soil carbon models were fitted for soil samples collected during field campaigns in 2018 and 2019 for the Kapuskasing region of the District of Cochrane in Ontario, Canada. Prediction maps for bulk density and soil carbon were generated for the 0–15 cm depth mineral soil layer. The application of multi-source remotely sensed data as environmental covariates for model predictors was implemented. Environmental covariates were obtained from multispectral satellite imagery, LiDAR (light detection and ranging) retrievals and airborne geomagnetic surveys, as well from a digital elevation model (DEM) for topographic covariates. Two covariates derived from LiDAR, canopy height model (CHM) and gap fraction, were of high variable importance when fitting models for average bulk density; gap fraction had the highest to second highest variable importance for average bulk density when considered among a full set of 76, or reduced sets of 12 or 5 separate predictors respectively. Environmental covariates corresponding to vegetation cover, specifically reflectance from multispectral imagery or LiDAR data, had the highest variable importance when compared with other categories of soil formation factors. Random forest (RF) models were generated, with RF models based upon just 12 predictors obtaining reasonable results with coefficients of determinations (R2) greater than 0.7 for the standard derivation of bulk density, standard deviation of total carbon and average total carbon for the 0–15 cm depth layer.
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 | 0,000 | 0,001 |
| 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 ».