Évaluation comparative des algorithmes d'apprentissage automatique pour la classification des types de sols à partir de caractéristiques physico-chimiques : application de Random Forest, XGBoost, SVM et KNN
Notice bibliographique
Résumé
Cette étude explore l'application des algorithmes d'apprentissage automatique pour la classification des types de sol, une tâche essentielle pour l'agriculture et la gestion durable des terres, en particulier dans des zones confrontées à des défis environnementaux tels que la dégradation des sols. La recherche a été menée dans la commune de Djilor, située dans le Sine Saloum au Sénégal, une région affectée par la salinisation et la perte de terres agricoles. En utilisant des caractéristiques physico-chimiques telles que la texture (pourcentages de sable, limon et argile), le pH, la matière organique, la capacité d'échange cationique (CEC), la densité apparente et la rétention d'eau, cette étude évalue les performances de quatre algorithmes : le Random Forest, le XGBoost, le SVM et le KNN. Un ensemble de 1000 échantillons aléatoires a été utilisé pour l'entraînement et les tests, avec une validation croisée et des matrices de confusion pour évaluer les performances. Les résultats montrent que le SVM obtient les meilleures performances avec une précision globale de 98,85 %, suivi par le Random Forest (97,13 %) et le KNN (95,40 %), tandis que le XGBoost affiche une précision de 94,83 %. Ces résultats soulignent la capacité des modèles à capturer les relations complexes entre les caractéristiques physico-chimiques, bien que des ajustements soient nécessaires pour améliorer leur capacité à gérer les classes minoritaires. L'analyse de l'importance des caractéristiques révèle que la texture du sol, notamment les pourcentages de sable et de limon, joue un rôle clé dans la classification des types de sol. Ces résultats mettent en évidence la pertinence de l'apprentissage automatique comme outil pour une gestion durable des terres agricoles et des ressources naturelles. Toutefois, l’étude souligne également des limitations, telles que la nécessité d’une validation avec des données terrain et d’une exploration de modèles plus complexes pour améliorer la robustesse et la généralisabilité des conclusions.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».