Model Prediction of the Soil Moisture Regime and Soil Nutrient Regime Based on DEM-Derived Topo-Hydrologic Variables for Mapping Ecosites
Notice bibliographique
Résumé
Ecosites are required for stand-level forest management and can be determined within a two-dimensional edatopic grid with soil nutrient regimes (SNRs) and soil moisture regimes (SMRs) as coordinates. A new modeling method is introduced in this study to map high-resolution SNR and SMR and then to design ecosites in Nova Scotia, Canada. Using coarse-resolution soil maps and nine topo-hydrologic variables derived from high-resolution digital elevation model (DEM) data as model inputs, 511 artificial neural network (ANN) models were developed by a 10-fold cross-validation with 1507 field samples to estimate 10 m resolution SNR and SMR maps. The results showed that the optimal models for mapping SNR and SMR engaged eight and seven topo-hydrologic variables, together with three coarse-resolution soil maps, as model inputs, respectively; 82% of model-estimated SNRs were identical to field assessments, while this value was 61% for SMRs, and the produced ecosite maps had 67–68% correctness. According to the error matrix, the predicted SNR and SMR maps greatly alleviated poor prediction in the areas of extreme nutrient or moisture conditions (e.g., very poor or very rich, wet, or very dry). Thus, the new method for modeling high-resolution SNR and SMR could be used to produce ecosite maps in sites where accessibility is hard.
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 ».