Divergence metrics for determining optimal training sample size in digital soil mapping
Notice bibliographique
Résumé
Digital soil mapping (DSM) typically requires three common ingredients: georeferenced samples, environmental covariates, and a model. Of the three, sample design, or the selection of sample size and locations, has received considerably less attention. This is not surprising given that most studies are primarily limited by budget, the result being a focus on stratification of sampling locations in covariate (feature) space with less emphasis placed on the sample size. At the very least, determining the optimal sample size, regardless of whether it is achievable within a given budget, provides critical information about the loss of information from not collecting enough samples for a given study area. In this study, we evaluated the use of the Kullback-Leibler divergence (DKL), the Jensen-Shannon divergence (DJS), the Jenson-Shannon distance (DistJS), and the normalized variance in determining an optimal sample size for predicting total soil carbon at the field scale. The divergence metrics were computed for replicated (n = 10) sample plans using the conditioned Latin hypercube sampling algorithm across increasing samples sizes of 10, 25, and 50 to 400 in steps of 50 to determine an optimal sample size; the sensitivity of the divergence metrics to increasing the number of covariates and the number of bins for their computations were evaluated. The random forest algorithm was used to train predictive models using the same replicated sample sizes to determine the required sample size to optimize model performance based on root mean square error and Lin’s concordance correlation coefficient. The divergence metrics were insensitive to the number of covariates, but very sensitive to the number of bins specified for their calculation. On average, optimal sample size increased linearly (two additional samples per additional bin) regardless of the number of covariates used. The optimal sample sizes were 124, 133 and 220 for the DKL, DJS and DistJS divergence metrics, respectively, while the variance technique proved to be unreliable. Based on the model performance metrics from model validation, the optimal sample size ranged from 146 to 154 samples. The DistJS overestimated the optimal sample size considerably, while the DKL and DJS were quite similar to the optimal sample size determined from model validation. Future work should evaluate the use of divergence metrics for determining optimal sample size for multiple soil properties or classes, using various machine learning models, across different project scales, and with other sampling algorithms.
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 | 0,034 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».