High-resolution field-scale mapping of soil organic matter using multi-temporal Sentinel data and machine learning approach
Notice bibliographique
Résumé
Accurate mapping of soil organic matter (SOM) at the field scale is crucial for precision agriculture and sustainable soil management. While remote sensing has shown promise for digital soil mapping, most studies focus on regional scales, leaving a gap in high-resolution field-scale applications. This study explores the potential of multi-temporal Sentinel-2 (optical) imagery for SOM prediction at the field scale. Two machine learning algorithms Random Forest (RF) and Extreme Gradient Boosting (XGBoost) were compared through appropriate validation and uncertainty quantification approaches. RF demonstrated superior performance (R² = 0.939, RMSE = 0.166, LCCC = 0.897) compared to XGBoost (R² = 0.885, RMSE = 0.167, LCCC = 0.903). Uncertainty analysis through 90% Prediction Interval Width (PIW 90) revealed more consistent predictions for RF models. This study demonstrates the feasibility of high-resolution SOM mapping using optical satellite time series data at the field scale, providing a framework for precision agriculture applications. The methodology developed provides a framework for detailed spatial assessment of SOM variability at the field scale, enabling farmers to understand soil patterns and implement targeted management strategies based on high-resolution predictions. All data and code used in this study are made publicly available to ensure reproducibility and facilitate further research. • Sentinel-2 time series enabled accurate SOM mapping at 10 m. • Random Forest outperformed XGBoost with lower uncertainty. • SHAP improved model interpretability and revealed key predictors. • The approach supports precision agriculture with open satellite data.
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 | 0,001 |
| 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 ».