Predictive soil mapping in the Boreal Plains of Northern Alberta by using multi-temporal remote sensing data and terrain derivatives
Notice bibliographique
Résumé
As Canada's vast Boreal Plains are extensively managed, predictive soil mapping could be used as an effective tool to generate high-resolution soil information for the region to inform sustainable resource management. This study aimed to investigate the use of multi-temporal remote sensing data and terrain derivatives to map soil types in the region. A method of constraining subgroup and great-group soil-type predictions based on the predictions at higher-order levels (great-group and order, respectively) was tested. Sentinel time series median values obtained by using Google Earth Engine were tested in combination with first- and second-order digital elevation model derivatives for use as predictor variables in the predictive models. A recursive feature selection process was implemented to reduce the number of predictor variables used in model training. Soil classes were predicted at the order, great-group, and subgroup levels and two approaches were tested. In the first approach, models were unconstrained based on previous predictions. In the second approach, models were constrained to predict only soil great-group classes that occur within the predicted soil order for a given location and similarly predict only soil subgroup classes that occur within the predicted soil great group for a given location. Determined through independent validation testing, the most probable predicted soil maps had overall accuracies ranging from 42% to 68% and kappa scores ranging from 0.33 to 0.48. Overall, the constrained models had the best performance of the approaches tested.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».