Incorporating digital soil mapping-derived soil properties for enhanced soil moisture prediction
Notice bibliographique
Résumé
Accurate and up-to-date soil characteristic maps are essential for addressing global challenges. This study presents an innovative approach to enhance soil moisture (SM) modeling accuracy by incorporating key soil property layers derived from digital soil mapping (DSM) into a remote sensing-based machine learning framework. We investigated the impact of incorporating key soil properties as environmental covariates in SM modeling. Using multi-temporal satellite imagery, land use and geological data, and soil characteristics from 284 ground sampling points, we first implemented a Random Forest Regression algorithm to generate maps of seven key soil properties. We then compared two SM modeling strategies: a classical approach using common environmental covariates, and a proposed strategy incorporating the modeled key soil properties as additional environmental covariates. Results showed that land surface temperature, sand content, soil organic carbon, VV polarization, elevation, and clay content were among the most influential environmental covariates in SM modeling. The proposed strategy significantly improved modeling accuracy, reducing root mean square error by 17 %, 29 %, and 30 % for July, August, and September, respectively, compared to the classical approach. Additionally, average modeling uncertainty decreased from 11.3 %, 8.4 %, and 8.4–8.4 %, 6.3 %, and 4.5 % for the same months. This study demonstrates that integrating key soil properties derived from DSM can substantially enhance SM modeling accuracy and reduce uncertainty, offering a more comprehensive and reliable approach to mapping soil-water dynamics. • Key soil properties enhance soil moisture (SM) modeling accuracy. • Integrating digital soil mapping & remote sensing reduces uncertainty in SM predictions. • Land surface temperature is the most influential covariate in SM modeling. • Proposed approach decreases root mean square error in SM modeling by up to 27 %.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».