Spatiotemporal Assessment of Soil Organic Carbon Change Using Machine-Learning in Arid Regions
Notice bibliographique
Résumé
Soil organic carbon (SOC) is an essential property of soil, and understanding its spatial patterns is critical to understanding vegetation management, soil degradation, and environmental issues. This study applies a framework using remote sensing data and digital soil mapping techniques to examine the spatiotemporal dynamics of SOC for the Yazd-Ardakan Plain, Iran, from 1986 to 2016. Here, a conditioned Latin hypercube sampling method was used to select 201 sampling sites. A set of 37 environmental predictors were obtained from Landsat imagery taken in 1986, 1999, 2010 and 2016. Here, SOC was modeled for 2016 using the Random Forest (RF), support vector regression (SVR), and artificial neural networks (ANN) machine-learners by correlating environmental predictors with soil data. The results showed that RF yielded the highest accuracy (R2 = 0.53), compared to the other two learners. By performing a variable importance analysis of the RF model, normalized difference vegetation index, modified vegetation index, and ground-adjusted vegetation index were determined to be the most important environmental predictors. By applying the model calibrated from 2016 data to 1986, 1999 and 2010, the results showed a substantial decrease in SOC; these decreases in SOC were mainly attributed to land use changes and agricultural activities.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».