Modeling Soil Organic Carbon Using Remotely-Sensed Predictors: A Case Study from Fuzhou City, China
Notice bibliographique
Résumé
Abstract Background: Assessing the spatial dynamics of soil organic carbon (SOC) is essential for carbon monitoring. Since, variability of SOC is mainly attributed to biophysical land surface variables, integrating a compressive set of such indices may support the pursuit for optimum set of predictor variables. Therefore, this study was aimed at predicting the spatial distribution of SOC in relation to remotely-sensed variables and other covariates. Hence, the land surface variables were combined from remote sensing, topographic, and soil spectral sources. Moreover, the most influential variables for prediction were selected using the RF and Classification and Regression Tree (CART).Results: The results indicated that the RF model has good prediction performance with corresponding R2 and RMSE values of 0.96, and 0.91 mg/g, respectively. The distribution of SOC content showed variability across landforms (CV=78.67%), land-use (CV=93%), and lithology (CV=64.67%). Forestland had the highest SOC (13.60 mg/g) followed by agriculture (10.43 mg/g), urban (9.74 mg/g), and water body (4.55 mg/g) land-uses. Furthermore, bauxite and laterite lithology had the highest SOC content (14.69 mg/g) followed by fluvial (14.52 mg/g) and shale (13.57 mg/g), whereas the lowest was predicted in sandstone (5.53mg/g). The mean SOC concentration was 11.70 mg/g, where the majority of area was classified as humous and organo-humus, distributing in the mountainous regions. The biophysical land surface indices, brightness removed vegetation indices, topographic indices (, and soil spectral bands, respectively were the most influential predictors of SOC. Conclusion: The spatial variability of SOC may be influenced by landform, land-use, and lithology of the study area. Remotely-sensed predictors including land moisture, land surface temperature and built-up indices added valuable information for prediction of SOC. Hence, the land surface indices may provide new insights into SOC modeling in complex landscapes of warm sub-tropical urban regions.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».