Soil Property Variation within Taxa of ST at University of Nigeria, Nsukka
Notice bibliographique
Résumé
Study evaluated predictive accuracy of USDA Soil Taxonomy Classifications of Soils of University of Nigeria, Nsukka. Data from 0 – 20cm and 30 – 60cm depths of 9 profiles, each representing a map unit, were used to determine coefficients of variation (CV) of soil properties over whole area sampled (control), within Great group class and series. There was progressive reduction in CVs from high to low categories, with the properties doing so irregularly. Average CVs for the various levels were 59.58% (over whole area), 56.97% (Great group), 50.77% (series) at topsoil, while at subsoil they were 38.15% (whole area), 31.53% (Great group), 25.19% (series). At topsoil, predictions of K & OC improved by 36.16% on the average at Great group, while it did for Clay, K, OC by 43.71% at series. At subsoil Silt, Mg, CEC, OC, TN improved by 34.17% at Great group on the average, while Clay, Silt, Mg, CEC, OC, TN, av.P did by 47.49% at series. Predicted properties, which were found to correlate with others, influence soil productivity. Sand and pH were virtually unaffected by classification. Study highlights a technique for evaluating predictive accuracy of soil classification using small sample size as well as the essence of detailed characterization of the soils.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».