A High-Resolution, Random Forest Approach to Mapping Depth-to-Bedrock across Shallow Overburden and Post-Glacial Terrain
Notice bibliographique
Résumé
Regolith, or unconsolidated materials overlying bedrock, exists as an active zone for many geological, geomorphological, hydrological and ecological processes. This zone and its processes are foundational to wide-ranging human needs and activities such as water supply, mineral exploration, forest harvesting, agriculture, and engineered structures. Regolith thickness, or depth-to-bedrock (DTB), is typically unavailable or restricted to finer scale assessments because of the technical and cost limitations of traditional drilling, seismic, and ground-penetrating radar surveys. The objective of this study was to derive a high-resolution (10 m2) DTB model for the province of New Brunswick, Canada as a case study. This was accomplished by developing a DTB database from publicly available soil profiles, boreholes, drill holes, well logs, and outcrop transects (n = 203,238). A Random Forest model was produced by modeling the relationships between DTB measurements in the database to gridded datasets derived from both a LiDAR-derived digital elevation model and photo-interpreted surficial geology delineations. In developing the Random Forest model, DTB measurements were split 70:30 for model development and validation, respectively. The DTB model produced an R2 = 92.8%, MAE = 0.18 m, and RMSE = 0.61 m for the training, and an R2 = 80.3%, MAE = 0.18 m, and RMSE = 0.66 m for the validation data. This model provides an unprecedented resolution of DTB variance at a landscape scale. Additionally, the presented framework provides a fundamental understanding of regolith thickness across a post-glacial terrain, with potential application at the global scale.
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 | 0,001 |
| 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 ».