Implementation of Proximal and Remote Soil Sensing, Data Fusion and Machine Learning to Improve Phosphorus Spatial Prediction for Farms in Ontario, Canada
Notice bibliographique
Résumé
One of the challenges in site-specific phosphorus (P) management is the substantial spatial variability in plant available P across fields. To overcome this barrier, emerging sensing, data fusion, and spatial predictive modeling approaches are needed to accurately reveal the spatial heterogeneity of P. Seven spatially variable fields located in Ontario, Canada are clustered into two zones; four fields are located in eastern Ontario and three others are located in western Ontario. This study compares Bayesian Additive Regression Trees (BART), Support Vector Machine regressor (SVM), and Ordinary Kriging (OK), along with novel data fusion concepts, to analyze integrated high-density spatial data layers related to spatial variability in soil available P. Feature selection and interaction detection using BART variable selection and Recursive Feature Elimination (RFE) for SVM were applied to 42 predictors, including soil-vegetation indices derived from PlanetScope multispectral imagery, high-density apparent soil electrical conductivity (ECa), and high-resolution topographic attributes derived from DUALEM-21S and a Real-Time Kinematic (RTK) global navigation satellite systems (GNSS) receiver, respectively. Modeling spatial heterogeneity of soil available P with BART showed higher accuracy than SVM and OK in both zones of this study when trained and tested on ground truth data from clusters of farms. A BART variable selection approach resulted in six auxiliary predictors of soil available P in the eastern zone, while only four predictors were selected to predict P in the western zone. RFE for SVM resulted in models with 15 and 12 auxiliary predictors in the eastern and western Ontario zones. Topographic elevation was the most influential predictor of soil available P in both zones. Compared with the SVM and OK methods, BART exhibited lower average RMSE values for individual fields of 1.86 ppm and 3.58 ppm across the eastern and western Ontario zones, respectively, along with higher R2 values of 0.85 and 0.83, respectively. In contrast, SVM had RMSE values for individual fields in the eastern and western Ontario zones, respectively, averaging 5.04 ppm and 7.51 ppm and R2 values of 0.27 and 0.43. RMSE values for soil available P in individual fields across the eastern and western Ontario zones averaged 4.77 ppm and 7.81 ppm, respectively, with the OK method, while R2 values averaged 0.19 and 0.44. The selection of suitable auxiliary predictors and data fusion, combined with BART spatial machine learning algorithms, have potential to be a useful tool to accurately estimate spatial patterns in soil available P for agricultural fields in Ontario, Canada.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».