Performance Assessment of Individual and Ensemble Learning Models for Gully Erosion Susceptibility Mapping in a Mountainous and Semi-Arid Region
Notice bibliographique
Résumé
High-accuracy gully erosion susceptibility maps play a crucial role in erosion vulnerability assessment and risk management. The principal purpose of the present research is to evaluate the predictive power of individual machine learning models such as random forest (RF), decision tree (DT), and support vector machine (SVM), and ensemble machine learning approaches such as stacking, voting, bagging, and boosting with k-fold cross validation resampling techniques for modeling gully erosion susceptibility in the Oued El Abid watershed in the Moroccan High Atlas. A dataset comprising 200 gully points, identified through field observations and high-resolution Google Earth imagery, was used, alongside 21 gully erosion conditioning factors selected based on their importance, information gain, and multi-collinearity analysis. The exploratory results indicate that all derived gully erosion susceptibility maps had a good accuracy for both individual and ensemble models. Based on the receiver operating characteristic (ROC), the RF and the SVM models had better predictive performances, with AUC = 0.82, than the DT model. However, ensemble models significantly outperformed individual models. Among the ensembles, the RF-DT-SVM stacking model achieved the highest predictive accuracy, with an AUC value of 0.86, highlighting its robustness and superior predictive capability. The prioritization results also confirmed the RF-DT-SVM ensemble model as the best. These findings highlight the superiority of ensemble learning models over individual ones and underscore their potential for application in similar geo-environmental contexts.
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) | 0,000 | 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 ».