Improving a regional peat thickness map using soil apparent electrical conductivity measurements at the field-scale
Notice bibliographique
Résumé
Introduction The increased adoption of proximal sensors has helped to generate peat mapping products: they gather data quickly and can detect the peat-mineral later boundary. A third layer, made of sedimentary peat (limnic layers, gyttja), can sometimes be found in between them. This material is highly variable spatially and is associated with degraded soil properties when located near the surface. Methods This study aimed to assess the potential of direct current resistivity measurements to predict the maximum peat thickness (MPT), defined as the non-limnic peat thickness, to facilitate soil conservation and management practices at the field-scale. The results were also compared to a regional map of the MPT from a previous study used and also tested as a covariate. This study was conducted in a shallow (MPT = 8-138 cm) cultivated organic soil from Québec, Canada. The MPT was mapped using the apparent electrical conductivity (ECa) from a Veris Q2800, and a digital elevation model, with and without a regional MPT map (RM) as a covariate to downscale it. Three machine-learning algorithms (Cubist, Random Forest, and Support Vector Regression) were compared to ordinary kriging (OK), multiple linear regression, and multiple linear regression kriging (MLRK) models. Results and discussion The best predictive performance was achieved with OK (Lin’s CCC = 0.89, RMSE = 13.75 cm), followed by MLRK-RM (CCC = 0.85, RMSE = 15.7 cm). All models were more accurate than the RM (CCC = 0.65, RMSE = 29.85 cm), although they underpredicted MPT > 100 cm. Moreover, the addition of the RM as a covariate led to a lower prediction error and higher accuracy for all models. Overall, a field-scale approach could better support precision soil conservation interventions by generating more accurate management zones. Future studies should test multi-sensor fusion and other geophysical sensors to further improve the model performance and detect deeper boundaries.
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) | 0,001 | 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 ».