Integrating Active and Passive Remote Sensing Data for Mapping Soil Salinity Using Machine Learning and Feature Selection Approaches in Arid Regions
Notice bibliographique
Résumé
The prevention of soil salinization and managing agricultural irrigation depend greatly on accurately estimating soil salinity. Although the long-standing laboratory method of measuring salinity composition is accurate for determining soil salinity parameters, its use is frequently constrained by the high expense and difficulty of long-term in situ measurement. Soil salinity in the northern Nile Delta of Egypt severely affects agriculture sustainability and food security in Egypt. Understanding the spatial distribution of soil salinity is a critical factor for agricultural development and management in drylands. This research aims to improve soil salinity prediction by using a combined data collection method consisting of Sentinel-1 C radar data and Sentinel-2 optical data acquired simultaneously via integrated radar and optical sensor variables. The modelling approach focuses on feature selection strategies and regression learning. Feature selection approaches that include the filter, wrapper, and embedded methods were used with 47 selected variables depending on a genetic algorithm to scrutinize whether regions of the spectrum from optical indices and SAR texture choose the optimum combinations of selected variables. The sub-setting variables resulting from each feature selection method were used to train the regression learners’ random forest (RF), linear regression (LR), backpropagation neural network (BPNN), and support vector regression (SVR). Combining the BPNN feature selection method with the RF regression learner better predicted soil salinity (RME 0.000246; sub-setting variables = 18). Integrating different remote sensing data and machine learning provides an opportunity to develop a robust prediction approach to predict soil salinity in drylands. This research evaluated the performances of various machine learning models, overcame the limitations of conventional techniques, and optimized the variable input combinations. This research can assist farmers in soil-salinization-affected areas in better managing planting procedures and enhancing the sustainability of their lands.
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 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».