Assessing Soil Prediction Distributions for Forest Management Using Digital Soil Mapping
Notice bibliographique
Résumé
Texture, soil organic matter (SOM), and soil depth (SoD) are crucial properties in forest management because they can supply spatial information on forest site productivity and guide fertilizer applications. However, soil properties possess an inherent uncertainty that must be mapped to enhance decision making in management applications. Most digital soil mapping predictions primarily concentrate on the mean of the distribution, often neglecting the estimation of local uncertainty in soil properties. Additionally, there is a noticeable scarcity of practical soil examples to demonstrate the prediction uncertainty for the benefit of forest managers. In this study, following a digital soil mapping (DSM) approach, a Quantile Regression Forest (QRF) model was developed to generate high-resolution maps and their uncertainty regarding the texture, SoD, and SOM, which were expressed as standard deviation (Sd) values. The results showed that the SOM (R2 = 0.61, RMSE = 2.03% and with an average Sd = 50%), SoD (R2 = 0.74 and RMSE = 19.4 cm), clay (R2 = 0.63, RMSE = 10.5% and average Sd = 29%), silt (R2 = 0.59, RMSE = 6.26% and average Sd = 33%), and sand content (R2 = 0.55, RMSE = 9.49% and average Sd = 35%) were accurately estimated for forest plantations in central south Chile. A practical demonstration of precision fertilizer application, utilizing the predictive distribution of SOM, effectively showcased how uncertainty in soil attributes can be leveraged to benefit forest managers. This approach holds potential for optimizing resource allocation and maximizing economic benefits.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».