Spatial downscaling of global soil texture classes into 30 m images at the province scale
Notice bibliographique
Résumé
Soil categorical data is an important aspect in soil science because it effectively facilitates communication between policymakers and stakeholders. Furthermore, soil categorical data exceeds single-property data in terms of depth of information and is an essential component of various scientific disciplines such as hydrological, ecological and pollution frameworks. However, datasets containing such information are usually too coarse for local needs and regional policies . In this study, an algorithm was introduced, known as rafikisol , to spatially downscale (to a finer detail/resolution) soil texture classes from 1 km SoilGrids images into 30 m images in three environmentally diverse provinces (Gauteng, KwaZulu-Natal, and the Western Cape) in South Africa . Rafikisol surpassed the performance of another high-resolution soil dataset (Innovative Solutions for Decision Agriculture) by 9% and 27% in Gauteng and the Western Cape, respectively (accuracy ∼75% and ∼72%). Conversely, iSDAsoil outperformed rafikisol by 34% in KwaZulu-Natal (11% accuracy). The spatial soil texture class distribution predicted by rafikisol was considerably different and heavier (clayey) in Gauteng and KwaZulu-Natal but had a similar spatial distribution with lighter (sandy) soil texture in the Western Cape compared to iSDAsoil. With improvements such as the introduction of new sampling techniques, algorithm optimization and the use of expert knowledge, this method has the potential to increase the accuracy of additional modeling frameworks that require high-resolution soil information, especially in data-scarce or resource-constrained regions. This has implications for proper land-use management, affecting aspects ranging from food security and urban expansion to biodiversity.
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 | 0,000 |
| 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) | 0,002 | 0,001 |
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 ».