Prediction of Soil Organic Carbon Contents of Rice Paddies in South-Western Coastal Area of Korea Using Random Forest Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Random forest models (RFM) are useful in predicting the soil carbon (C) contents because RFM predicts soil C with high accuracy under complicated environmental conditions. However, there are very few studies on prediction of soil C using RFM in Korea. Moreover, there is no case study using RFM to predict soil C content of reclaimed tideland (RTL) soils, which have high C sequestration capacity. Therefore, in this study, the applicability of RFM was evaluated using published soil properties data, including soil C and soil variables, for RTL soils located in southwestern coastal areas of Korea. In the present study, RFM was built using the data of 16 variables (e.g., sand, silt, and clay contents, pH, electrical conductivity of saturated soil paste (EC e ), and nutrient concentrations) obtained from five RTLs with similar climate, topography, and vegetation. The 80% of the total data were trained to build the model, and searched optimal hyper parameters were used to improve accuracy. The determination coefficient (R 2 ) of the model was 0.67, and the difference between measured and predicted soil C content was 25.9% on average. However, when the measured values were out of the range of the data trained for building the model or the measured values were close to the minimum or maximum value, the difference between the predicted and measured values became larger (73.9%). The contribution of the independent variables to the prediction of soil C using the model was the greatest (14.9%) for soil NH 4 + concentrations. Meanwhile, the contribution of EC e , which was highly correlated with soil C content, was not detected, suggesting that the importance of the number and range of training data used to build model. Our study shows the possible application of RFM to predict soil C contents of RTL soils in Korea, and further highlights that a large amount of data should be accumulated for high accuracy prediction of soil C using RFM.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle