Multi-Horizon Predictive Soil Mapping of Historical Soil Properties Using Remote Sensing Imagery
Notice bibliographique
Résumé
There is increasing demand for more detailed soil maps to support fine-scale land use planning, soil carbon management, and precision agriculture in Saskatchewan. Predictive soil mapping that incorporates a combination of environmental covariates provides a cost-effective tool for generating finer resolution soil maps. This study focused on mapping soil properties for multiple soil horizons in Saskatchewan using historical legacy soil data in combination with remote sensing band indices, bare soil composite imagery, climate data, and terrain attributes. Mapped soil properties included soil organic carbon content (SOC), total nitrogen, cation exchange capacity (CEC), electrical conductivity (EC), inorganic carbon (IOC), sand and clay content, and total profile soil organic carbon stocks. For each of these soil properties, a recursive feature elimination was undertaken to reduce the number of features in the overall model. This process involved iteratively removing features such that random forest out-of-bag error was minimized. Final random forest models were built for each property and evaluated using an independent test dataset. Overall, predictive models were successful for SOC (R2 = 0.71), total nitrogen (R2 = 0.65), CEC (R2 = 0.46), sand content (R2 = 0.44) and clay content (R2 = 0.55). The methods used in this study enable mapping of a greater geographic region of Saskatchewan compared to those previously established that relied solely on bare soil composite imagery.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».