Application of multidimensional soil data harmonization to develop the Ontario Soil Information System (OSIS)
Notice bibliographique
Résumé
In the digital age, soil data have become crucial for understanding the role of soil in agricultural systems, biodiversity, carbon sequestration, ecosystem services, and sustainability, thus guiding decision-making. However, diverse data collection methods and fragmented soil data management practices complicate creation of a unified soil database from varied datasets. In Ontario, Canada, data fragmentation across different institutions hinders access and use of this vital soil data for spatial and temporal analyses. Moreover, the latest update in the National Pedon Database is dated back to 2011, underscoring the need for centralized provincial data warehouses for systematic soil information access and analysis. This study addressed these challenges by developing and implementing an end-to-end, multidimensional soil data curation framework that integrates diverse soil data genres and sources in Ontario, enhancing the database updating process. Applying minimum inclusion criteria, data from 13 sources across four different data genres (fixed depth, topsoil, profile, and peatland), comprising 14 145 observation sites and their respective layers, were integrated into an SQLite database. Despite dense sampling in southern Ontario, data gaps increased with depth. Harmonization focused on key attributes such as depth, soil organic carbon, and texture yielded 6335 unique sites and 28 134 layers, including 5460 profiles, 178 topsoil, and 697 fixed depth sites. Using a scalable and transparent soil data “hyperlooping” framework, integrated with platforms like KNIME, R, and SQL, this comprehensive database supports enhanced digital soil assessment and mapping in Ontario, and beyond.
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 | 0,002 | 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».