Spatial Prediction of Soil Organic Carbon Stock in the Moroccan High Atlas Using Machine Learning
Notice bibliographique
Résumé
Soil organic carbon (SOC) is an essential component, which soil quality depends on. Thus, understanding the spatial distribution and controlling factors of SOC is paramount to achieving sustainable soil management. In this study, SOC prediction for the Ourika watershed in Morocco was done using four machine learning (ML) algorithms: Cubist, random forest (RF), support vector machine (SVM), and gradient boosting machine (GBM). A total of 420 soil samples were collected at three different depths (0–10 cm, 10–20 cm, and 20–30 cm) from which SOC concentration and bulk density (BD) were measured, and consequently SOC stock (SOCS) was determined. Modeling data included 88 variables incorporating environmental covariates, including soil properties, climate, topography, and remote sensing variables used as predictors. The results showed that RF (R2 = 0.79, RMSE = 1.2%) and Cubist (R2 = 0.77, RMSE = 1.2%) were the most accurate models for predicting SOC, while none of the models were satisfactory in predicting BD across the watershed. As with SOC, Cubist (R2 = 0.86, RMSE = 11.62 t/ha) and RF (R2 = 0.79, RMSE = 13.26 t/ha) exhibited the highest predictive power for SOCS. Land use/land cover (LU/LC) was the most critical factor in predicting SOC and SOCS, followed by soil properties and bioclimatic variables. Both combinations of bioclimatic–topographic variables and soil properties–remote sensing variables were shown to improve prediction performance. Our findings show that ML algorithms can be a viable tool for spatial modeling of SOC in mountainous Mediterranean regions, such as the study area.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».