Is there a 'right' spatial scale? Improving pedological multi- scale modelling by optimizing input data grain size: A Case Study using Average Local Variance.
Notice bibliographique
Résumé
Current soil mapping practitioners are faced with a plethora of choices of digital data for input to their modelling approaches; these data have local to global extents and are highly variable in their grain size. Deciding at what scale to represent individual covariates for a specific project, therefore, can be difficult and confusing. Moreover, a lack of accessible methodology and tools focused on determining an optimal input data scales (grain size) has led to the current status quo, which is to use data at the scale delivered by the data provider. Soil prediction models are typically applied using the grain size of the coarsest variable, scaling other data to match. In this study, average local variance was investigated as a method to determine optimal grain size(s) for input variables to a soil contaminant prediction model. The Meuse dataset was used, and heavy metal soil contamination was mapped using RandomForest. A Data Cube was employed to handle data inputs of varying grain size. Two scenarios were investigated for model prediction accuracy: (1) contaminant predictions made using data with optimized grain size, and (2) contaminant predictions made using input data where grain size was unchanged, “as received” from the data provider. Both model predictions were assessed using a cross-validation approach. Early results indicate that optimization of grain size based on average local variance can improve prediction accuracy and point toward the importance of understanding the spatial heterogeneity of an input variable and how it changes with different grain sizes prior to incorporation in a predictive model. This research lays a foundation for the creation of an automated approach practitioners can use to help untangle the relationship between the intrinsic spatial scale for a process of interest and how that process is represented in the scale of input data.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».