A new digital soil mapping approach based on the adjacency effect
Notice bibliographique
Résumé
Accurate soil mapping is crucial for agriculture, land, ecosystem and environmental management. Digital Soil Mapping (DSM) is one of the most conventional and widely used methods for mapping soil. This study introduces a novel strategy for DSM by incorporating the neighborhood effect of environmental covariates (ECs), aiming to enhance mapping accuracy of soil properties. The research focused on modeling organic carbon (OC), cation exchange capacity (CEC), bulk density (BD), and pH in southern Canada using 18 ECs derived from the Soil Landscapes of Canada dataset and satellite imagery. Two strategies were compared: a conventional approach using standard ECs, and a proposed method incorporating neighboring ECs through Inverse Distance Weighting (IDW). Both strategies employed Gaussian Process Regression (GPR) for modeling. Results demonstrated significant improvements in accuracy using the proposed strategy. Mean absolute errors were reduced by 32 %, 36 %, 28 %, and 14 % for OC, CEC, BD, and pH, respectively. The proposed method also decreased the coverage of high-error areas and improved R 2 values across all soil properties. Moreover, mean uncertainty in soil property modeling decreased by 3.4 % to 3.9 % using the proposed strategy. This study highlights the importance of considering spatial context in DSM through neighborhood effects. The proposed strategy offers a more nuanced and accurate approach to soil property modeling, with potential applications extending beyond soil science to other environmental mapping domains. These improvements in soil mapping accuracy have significant implications for sustainable land management, precision agriculture, and environmental conservation. • A novel DSM strategy incorporates neighborhood effects of environmental covariates. • Spatial context consideration enhances accuracy across multiple soil properties. • Proposed method reduces mean absolute errors by up to 36 % in soil property modeling. • New approach decreases high-error areas and improves R 2 values in soil mapping.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».