Development of operational methods to predict soil classes and properties in Canada using machine learning
Notice bibliographique
Résumé
With a limited amount of arable land, worsening soil degradation, and plateauing of crop yields, the maintenance of limited soil resources to guarantee agriculturally productive soils and to support essential ecosystem services is critical in Canada and globally.The main objective of this thesis is to study and develop practical methods to cost-effectively renew soil and soil landscape information in Canada.Given the limited amount of pointbased soil data in Canada, machine learning-based predictive methods were studied for possible operational use.Machine learning methods require point soil data both for training purposes and validating the predictions.When soil data points are lacking, pseudo-point soil data are mined through soil survey polygon maps.In places where detailed soil surveys exist for soil class mapping, fully randomized pseudo-soil point data mining with random forest-based machine learning achieved a prediction accuracy as high as 74%.The prediction was further improved to a high of 78% by using an ensemble of multiple machine learners.Soil properties such as bulk density can be predicted either directly using point soil data or indirectly via predicted soil classes which are associated with reported soil property values.In this study, sampled soil bulk density values were used to predict soil bulk density across the study watershed.The predicted bulk density values come with uncertainty ranges, computed using residual kriging.Soil class prediction (and soil bulk density) may be carried out using environmental covariates from different sources.It is shown that where surficial geological material data are lacking, time series microwave remotely-sensed data, specifically Sentinel-1A synthetic aperture radar (SAR) imagery, can be used to delineate soil spatial patterns which are hypothesized to be linked to the spatial distribution of surficial geological materials.Through this study, a cost-effective iii work flow and solutions for predictive soil mapping needs in Canada were developed for operational use.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».