A scalable framework for soil property mapping tested across a highly diverse tropical data-scarce region
Notice bibliographique
Résumé
Reliable soil property maps are essential for environmental modeling, yet conventional mapping methods remain costly and time-consuming. We developed a machine learning framework that integrates the Soil-Landscape Estimation and Evaluation Program (SLEEP) with gradient boosting to predict soil properties at regional scales and multiple depths. Our approach addresses multicollinearity through a recursive feature selection algorithm. We applied this framework to a tropical region characterized by a ~700-km longitudinal gradient of contrasting topography, climate, and vegetation (~98,000 km²; NE Brazil), where scarce soil physicochemical data limit environmental modeling. We used six topographical, ten climate, and two vegetation covariates, along with data from 223 soil profiles (~1 profile per 440 km²). Training and testing of our framework demonstrated strong spatial performance (r² = 0.79–0.98 and percent bias = -1.39 to 1.14%). Topographic and climatic factors held greater weight than other variables in predicting soil layers, texture, and sum of bases. Moreover, we used our soil parameters combined with multiple pedotransfer functions (PTFs) to derive soil hydraulic properties. Our PTFs-derived estimates of hydraulic conductivity were considerably lower than high-resolution global predictions available for our study area due to differences in clay fraction and mineralogy. Therefore, we recommend the use of region-specific PTFs for hydraulic properties based on multi-covariate soil property maps. This cost-effective framework accurately integrates diverse environmental covariates, adapts to varying soil data availability, and scales across spatial resolutions, making it highly transferable to other data-scarce 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 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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,000 | 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 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 ».