A COMPARISON OF MACHINE LEARNING MODELS FOR SOIL SALINITY ESTIMATION USING MULTI-SPECTRAL EARTH OBSERVATION DATA
Notice bibliographique
Résumé
Abstract. Soil salinity, a significant environmental indicator, is considered one of the leading causes of land degradation, especially in arid and semi-arid regions. In many cases, this major threat leads to loss of arable land, reduces crop productivity, groundwater resources loss, increases economic costs for soil management, and ultimately increases the probability of soil erosion. Monitoring soil salinity distribution and degree of salinity and mapping the electrical conductivity (EC) using remote sensing techniques are crucial for land use management. Salt-effected soil is a predominant phenomenon in the Eshtehard Salt Lake located in Alborz, Iran. In this study, the potential of Sentinel-2 imagery was investigated for mapping and monitoring soil salinity. According to the satellite's pass, different salt properties were measured for 197 soil samples in the field data study. Therefore several spectral features, such as satellite band reflectance, salinity indices, and vegetation indices, were extracted from Sentinel-2 imagery. To build an optimum machine learning regression model for soil salinity estimation, three different regression models, including Gradient Boost Machine (GBM), Extreme Gradient Boost (XGBoost), and Random Forest (RF), were used. The XGBoostmethod outperformed GBM and RF with the coefficient of determination (R2) more than 76%, Root Mean Square Error (RMSE) about 0.84 dS m−1, and Normalized Root Mean Square Error (NRMSE) about 0.33 dS m−1. The results demonstrated that the integration of remote sensing data, field data, and using an appropriate machine learning model could provide high-precision salinity maps to monitor soil salinity as an environmental problem.
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 | 0,000 |
| 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 ».