A framework for recalibrating pedotransfer functions using nonlinear least squares and estimating uncertainty using quantile regression
Notice bibliographique
Résumé
Pedotransfer functions (PTFs) have been developed for many regions to estimate values missing from soil profile databases. However, globally there are many areas without existing PTFs, and it is not advisable to use PTFs outside their domain of development due to poor performance. Further, developed PTFs often lack accompanying uncertainty estimations. To address these issues, a framework is proposed where existing equation-based PTFs are recalibrated using a nonlinear least squares (NLS) approach and validated on two regions of Canada; this process is coupled with the use of quantile regression (QR) to generate uncertainty estimates. Many PTFs have been developed to predict soil bulk density, so this variable is used as a case study to evaluate the outcome of recalibration. New coefficients are generated for existing soil bulk density PTFs, and the performance of these PTFs is validated using three case study datasets, one from the Ottawa region of Ontario and two from the province of British Columbia, Canada. The improvement of the performance of the recalibrated PTFs is evaluated using root mean square error (RMSE) and the concordance correlation coefficient (CCC). Uncertainty estimates produced using QR are communicated through the mean prediction interval (MPI) and prediction interval coverage probability (PICP) graphs. This framework produces dataset-specific PTFs with improved accuracy and minimized uncertainty, and the method can be applied to other regional datasets to improve the estimations of existing PTF model forms. The methods are most successful with large datasets and PTFs with fewer variables and minimal transformations; further, PTFs with organic carbon (OC) as one of or the sole input variable resulted in the highest accuracy.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».