Analysis of Salinity Indices Using SVM Based Approach of Ballari Town, India
Notice bibliographique
Résumé
Soil salinization is a leading cause of soil and land degradation, necessitating early detection for efficient soil management.This study presents an integrated approach combining Remote Sensing and Geographic Information Systems (GIS) to identify saltaffected soils, employing the support vector machine (SVM).The research focuses on the town of Ballari in Karnataka, India, an area highly susceptible to soil salinization with severe consequences.To evaluate, monitor, and implement remedial measures, Ballari was selected as the study area.Data inputs for the SVM model were extracted from nine raster layers derived from the 2011 Landsat 9 imagery and DEM SRTM data.These layers include the Digital Elevation Model (DEM), Topographic Roughness Index (TRI), Topographic Position Index (TPI), Aspect, Slope, Normalized Differential Salinity Index (NDSI), Normalized Differential Vegetation Index (NDVI), Normalized Differential Moisture Index (NDMI), and Normalized Differential Built-up Index (NDBI).Topographical parameters, such as slope, aspect, and other metrics derived from DEM, were found to be instrumental in identifying salt-affected soil due to their ability to indicate land surface texture.Spectral indices NDSI and NDVI, computed using Red and NIR bands, along with the SWIR band, were identified as highly effective in delineating salt-affected soils.Following the layer stacking of these nine layers to form a multiband composite image, the data set was divided into a 70:30 ratio for training and testing, respectively.The model demonstrated an overall accuracy of 89.59% and a Kappa coefficient of 0.84, underlining the efficacy of this approach in predicting soil salinity.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».