Comparing direct and indirect approaches to predicting soil texture class
Notice bibliographique
Résumé
Soil texture, or the relative proportions of sand, silt, and clay, is a key soil attribute that influences many important physical, chemical, and biological properties of soils. Digital soil mapping is increasingly used to predict soil texture; however, few comparisons have been made between direct prediction of a texture class, and the indirect prediction of texture class by first predicting sand, silt, and clay content, and subsequently converting the predictions to a texture class. We predicted soil texture class for the 5–15 and 30–60 cm depth intervals of the Ottawa soil survey project using direct and indirect approaches which yielded a similar overall accuracy (28–36%) and kappa (0.19–0.27). The predicted soil maps had a similar spatial distribution of soil texture classes. We then used the Euclidean distance between the texture classes to adjust the model performance metrics, revealing the indirect approach provided the better soil texture class prediction. When comparing the predictions, the 5–15 and 30–60 cm maps were in perfect agreement for 53% and 42% of the study area, respectively, and in both cases texture class predictions were within one texture class for over 87% of the map area. For many studies, including legacy soil surveys, texture class information is available, and particle size distribution data are generally lacking. This study confirms that direct prediction of soil texture class performs almost equally with indirect prediction.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».