Digital soil mapping using machine learning-based methods to predict soil organic carbon in two different districts in the Czech Republic
Notice bibliographique
Résumé
 Soil organic carbon (SOC) is an important soil characteristic as well as a way how to mitigate climate change. Information on its content and spatial distribution is thus crucial. Digital soil mapping (DSM) is a suitable way to evaluate spatial distribution of soil properties thanks to its ability to obtain accurate information about soil. This research aims to apply machine learning algorithms using various environmental covariates to generate digital SOC maps for mineral topsoils in the Liberec and DomaĹžlice districts, located in the Czech Republic. The soil class, land cover, and geology maps as well as terrain covariates extracted from the digital elevation model and remote sensing data were used as covariates in modelling. The spatial distribution of SOC was predicted based on its relationships with covariates using random forest (RF), cubist, and quantile random forest (QRF) models. Results of the RF model showed that land cover (vegetation) and elevation were the most important environmental variables in the SOC prediction in both districts. The RF had better efficiency and accuracy than the cubist and QRF to predict SOC in both districts. The greatest <i>R</i><sup>2</sup> value (0.63) was observed in the DomaĹžlice district using the RF model. However, cubist and QRF showed appropriate performance in both districts, too.Â
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».