Improving a regional peat thickness map using soil apparent electrical conductivity measurements at the field-scale
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle