Head-cut gully erosion susceptibility mapping in semi-arid region using machine learning methods: insight from the high atlas, Morocco
Notice bibliographique
Résumé
Gully erosion has been identified in recent decades as a global threat to people and property. This problem also affects the socioeconomic stability of societies and therefore limits their sustainable development, as it impacts a nonrenewable resource on a human scale, namely, soil. The focus of this study is to evaluate the prediction performance of four machine learning (ML) models: Logistic Regression (LR), classification and regression tree (CART), Linear Discriminate Analysis (LDA), and the k-Nearest Neighbors (kNN), which are novel approaches in gully erosion modeling research, particularly in semi-arid regions with a mountainous character. 204 samples of erosion areas and 204 samples of non-erosion areas were collected through field surveys and high-resolution satellite images, and 17 significant factors were considered. The dataset cells of samples (70% for training and 30% for testing) were randomly prepared to assess the robustness of the different models. The functional relevance between soil erosion and effective factors was computed using the ML models. The ML models were evaluated using different metrics, including accuracy, the kappa coefficient. kNN is the ideal model for this study. The value of the AUC from ROC considering the testing datasets of KNN is 0.93; the remaining models are associated to ideal AUC and are similar to kNN in terms of values. The AUC values from ROC of GLM, LDA, and CART for testing datasets are 0.90, 0.91, and 0.84, respectively. The value of accuracy considering the validation datasets of LDA, CART, KNN, and GLM are 0.85, 0.82, 0.89, 0.84 respectively. The values of Kappa of LDA, CART, and GLM for testing datasets are 0.70, 0.65, and 0.68, respectively. ML models, in particular KNN, GLM, and LDA, have achieved outstanding results in terms of creating soil erosion susceptibility maps. The maps created with the most reliable models could be a useful tool for sustainable management, watershed conservation and prevention of soil and water losses.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».