Predictive mapping of wetland soil types in the Canadian Prairie Pothole Region using high-resolution digital elevation model terrain derivatives
Notice bibliographique
Résumé
Wetland soil types, which can be distinguished based on calcium carbonate content, vary in their effect on ecosystem functions like phosphorus retention, salinity contributions, and greenhouse gas forcing. These soil types may be predictively mapped with machine learning models that use terrain derivatives calculated from high-resolution digital elevation models. Soil profiles from three Saskatchewan study sites were classified into three functional categories—upland, calcareous wetland, or noncalcareous wetland—and used to train random forest models for predictive soil mapping. Multiple terrain derivatives were included as predictor variables to capture local- and landscape-scale morphometry and hydrology influences, including five derivatives developed for this study. Models were developed at three spatial resolutions: 2, 5, and 10 m, and tested via internal cross-validation and independent validation with datasets from previous studies. Predictive accuracies were highest when mapping at 2 m resolution (independent validation accuracy range = 64%–100%) but also successful when mapping at 5 and 10 m resolutions (independent validation accuracy range = 63%–100%); however, visual inspection determined that the maps generated at 10 m resolution were less detailed and occasionally featured questionable discontinuous soil distributions. Three of the five terrain derivatives developed for this study were among the most important predictor variables (first, second, and 10th most important). Models trained using only data from a specific site had slightly better performance than models trained using data from all sites, except in regions where training data were lacking.
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 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 ».