MétaCan
Menu
Retour à la cohorte
Enregistrement W4408080426 · doi:10.1016/j.geoderma.2025.117223

The problematic case of data leakage: A case for leave-profile-out cross-validation in 3-dimensional digital soil mapping

2025· article· en· W4408080426 sur OpenAlexafffundabout
Kingsley John, Daniel D. Saurette, Brandon Heung

Notice bibliographique

RevueGeoderma · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil Geostatistics and Mapping
Établissements canadiensMinistry of Agriculture, Food and Rural AffairsDalhousie University
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaAgriculture and Agri-Food CanadaNatural Sciences and Engineering Research Council of Canada
Mots-clésLeakage (economics)Environmental scienceSoil scienceGeologyRemote sensing

Résumé

récupéré en direct d'OpenAlex

• Data leakage in machine learning undermines model reliability. • Vertical autocorrelation in test datasets greatly compromise accuracy metrics. • Leave-profile-out cross-validation is needed to avoid data leakage in 3D models. • Validation methods for 3D models must be clearly reported in the literature. Data leakage occurs when there is an overlap between the data used for model fitting and hyperparameter tuning, and those used for testing. This overlap biases the model performance, making it uninformative regarding the model’s ability to generalize. This is a significant issue in machine learning and predictive soil mapping, compromising model reliability. To demonstrate this issue, the 3-dimensional (3D) digital soil mapping (DSM) approach, whereby depth is used as a predictor of soil properties, was investigated. We compare two common approaches from the literature: leave-sample-out cross-validation (LSOCV) versus leave-profile-out cross-validation (LPOCV). Here, we argue that LSOCV results in contamination of the test dataset due to the potential vertical autocorrelation of soil properties from different samples within the same profile, and a more appropriate approach for testing 3D DSM models should be to fully partition all soil samples from the same profile to either the training or test dataset (i.e., LPOCV). Using the Ottawa region of Ontario, Canada, as a case study, cation exchange capacity (CEC), clay content, pH, and total organic carbon (TOC) were predicted using machine learning, and the discrepancy in accuracy metrics was reported. Furthermore, we evaluated the effects of data augmentation (i.e., the creation of additional synthetic data points from the original data) on accuracy metrics, a common practice in 3D DSM. Here, it was shown that with the augmented dataset, LSOCV generated overly optimistic accuracy metrics (e.g., CCC) that were 29–62% higher than LPOCV, while for the non-augmented data, the accuracy metrics were 8–18% higher, suggesting that vertical autocorrelation had a strong influence on inflating model accuracy through data leakage. As such, we strongly urge DSM practitioners to provide greater clarity when describing how model accuracy metrics were ascertained and to consider the use of LPOCV when applied to 3D DSM. This brings about broader concerns that policymakers and stakeholders may use map products with the false impression that the maps are more accurate than they are. Future research should focus on refining DSM methods and considering data structure to prevent data leakage in modelling soil properties.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,184
score de la tête « metaresearch » (Gemma)0,291
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,816
Score d'incertitude au seuil0,973

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1840,291
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0020,002
Études des sciences et des technologies0,0030,005
Communication savante0,0030,004
Science ouverte0,0040,004
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,314
Écart entre enseignants0,275 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSimulation ou modélisation
DomaineMéthodes
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueGeodermaMême sujetSoil Geostatistics and MappingTravaux en français237 207