Towards robust smart data-driven soil erodibility index prediction under different scenarios
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
Soil erosion is a major cause of damage to agricultural lands in many parts of the world and is of particular concern in semiarid parts of Iran. We use five machine learning techniques-Random Forest (RF), M5P, Reduced Error Pruning Tree (REPTree), Gaussian Processes (GP), and Pace Regression (PR)-under two scenarios to predict soil erodibility in the Dehgolan region, Kurdistan Province, Iran. Our models are based on a variety of soil properties, including soil texture, structure, permeability, bulk density, aggregates, organic matter, and chemical constituents. We checked the validity of the models with statistical metrics, including the coefficient of determination (R-2), mean absolute error (MAE), root mean squared error (RMSE), T-tests, Taylor diagrams, and box plots. All five algorithms show a positive correlation between the soil erodibility factor (K) and silt, sand, fine sand, bulk density, and infiltration. The GP model has the highest prediction accuracy (R-2 = 0.843, MAE = 0.0044, RMSE = 0.0050). It outperformed the RF (R-2 = 0.812, MAE = 0.0050, RMSE = 0.0061), PR, (R-2 = 0.794, MAE = 0.0037, RMSE = 0.0052), M5P (R-2 = 0.781, MAE = 0.0043, RMSE = 0.0053), and REPTree (R-2 = 0.752, MAE = 0.0045, RMSE = 0.0056) algorithms and thus is a useful complement to studies aimed at predicting soil erodibility in areas with similar climate and soil characteristics.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,008 | 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