Predictive map of soil texture classes using decision tree model and neural network with features of geomorphology level
Notice bibliographique
Résumé
This study aims to compare decision tree (DT) and artificial neural network (ANN) models, in addition, the efficiency of geomorphic surface attributes in predicting soil texture classes. The study area is located in the north of Chaharmahal and Bakhtiari province, central west Iran, and covers 6875 ha. Ninety-six pedons were excavated on separated geoforms. Soil samples of top soil (A horizon) were analyzed for clay, sand, and silt contents. Totally 57 auxiliary variables, including the derivatives of digital elevation model (DEM), Landsat 8 images, geomorphic surface map, geology map, and land-use map, were used to predict both soil texture classes and soil particle size fractions. Root-mean-square error (RMSE), R² or the coefficient of determination ( R_square), overall accuracy, and Kappa coefficient were selected as criteria for evaluating model performance. The R-square coefficients of clay, silt, and sand fractions for both models, respectively, were 0.41, 0.25, and 0.63 for ANN and 0.52, 0.62, and 0.75 for DT. According to RMSE, R-square, overall accuracy, and Kapa coefficient of validation data, the DT model produced better prediction fits to the both soil particle-size fraction and soil texture classes and was the most accurate classifier model. The parameters were 0.59, 0.09, 0.66, and 0.24 for ANN and 0.41, 0.75, 0.76, and 0.60 for DT models, respectively. The accuracy of each individual soil texture class was generally dependent upon the number of soil texture observations in each texture class. According to this fact, both models had better prediction for silty clay loam and clay loam texture classes.
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 | 0,001 |
| 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 ».