Digital mapping of soil texture in ecoforest polygons in Quebec, Canada
Notice bibliographique
Résumé
Texture strongly influences the soil's fundamental functions in forest ecosystems. In response to the growing demand for information on soil properties for environmental modeling, more and more studies have been conducted over the past decade to assess the spatial variability of soil properties on a regional to global scale. These investigations rely on the acquisition and compilation of numerous soil field records and on the development of statistical methods and technology. Here, we used random forest machine learning algorithms to model and map particle size composition in ecoforest polygons for the entire area of managed forests in the province of Quebec, Canada. We compiled archived laboratory analyses of 29,570 mineral soil samples (17,901 sites) and a set of 33 covariates, including 22 variables related to climate, five related to soil characteristics, three to spatial position or spatial context, two to relief and topography, and one to vegetation. After five repeats of 5-fold cross-validation, results show that models that include two functionally independent values regarding particle size composition explain 60%, 34%, and 78% of the variance in sand, silt and clay fractions, respectively, with mean absolute errors ranging from 4.0% for the clay fraction to 9.5% for the sand fraction. The most important model variables are those observed in the field and those interpreted from aerial photography regarding soil characteristics, followed by those regarding elevation and climate. Our results compare favorably with those of previous soil texture mapping studies for the same territory, in which particle size composition was modeled mainly from rasterized climatic and topographic covariates. The map we provide should meet the needs of provincial forest managers, as it is compatible with the ecoforest map that constitutes the basis of information for forest management in Quebec, Canada.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».