Quantifying intra-field soil variability using categorical data: A case study of predicting soil organic matter using soil survey maps
Notice bibliographique
Résumé
• Two new models predict a continuous soil attribute using zone-level categorical inputs. • Both models outperformed the baseline field-averaging method. • The framework supports scalable prediction with minimal input data. • The framework has the potential to generalize to other soil attributes. Accurate estimation of the spatial distribution of soil properties is essential for advancing precision agriculture. This study evaluates two modeling strategies for predicting a continuous soil attribute, log-transformed soil organic matter (SOM%), using zone-level categorical predictors such as soil type. The first approach employs a zonal regression model incorporating soil-type coefficients, while the second leverages normalized pairwise comparisons among intra-field zones. Both models are assessed against a baseline strategy reflecting composite sampling practice, in which a single field-wise average is assumed. Incorporating categorical structure increased the prediction accuracy; the zonal regression model achieved an RMSE of 0.097 (R² = 0.89), and the normalized pairwise model reached an RMSE of 0.108 (R² = 0.85), both improving upon the baseline field averaging method based on within-field samples (RMSE = 0.140, R² = 0.75). The proposed framework is generalizable to other soil attributes (e.g., pH, CEC, texture fractions) where zone-level delineation is available. This work offers a scalable, interpretable, and field-deployable methodology, contributing to spatial soil inference and site-specific agricultural decision-making under sparse sampling conditions.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».