A Multi-Sensor Machine Learning Framework for Field-Scale Soil Salinity Mapping Under Data-Scarce Conditions
Notice bibliographique
Résumé
Soil salinity severely constrains agricultural productivity and soil health, particularly in arid and semi-arid regions. Conventional salinity assessment methods are labor-intensive, time-consuming, and spatially limited. This study developed a data-scarce workflow integrating proximal sensing (EM38-MK2), very high-resolution multispectral imagery, and machine learning to map soil salinity at field scale in the semi-arid Sehb El Masjoune area, central Morocco. A total of 26 soil samples were analyzed for Electrical Conductivity (EC), and 500 Apparent Electrical Conductivity (ECa) measurements were collected and calibrated using the field samples. Spectral and topographic covariates derived from Unmanned Aerial Vehicle (UAV) and PlanetScope imagery supported model training using Partial Least Squares Regression (PLSR), Support Vector Regression (SVR), Random Forest (RF), and a Stacked Ensemble Learning Model (ELM). Regression Kriging (RK) was applied to model residuals to improve spatial prediction. ELM achieved the highest accuracy (R2 = 0.87, RMSE ≈ 4.15), followed by RF, which effectively captured nonlinear spatial patterns. RK improved PLSR accuracy (by 11.1% for PlanetScope, 13.8% for UAV) but offered limited gains for RF, SVR, and ELM. SHAP analysis identified topographic covariates as the most influential predictors. Both UAV and PlanetScope delineated similar saline–sodic zones. The study demonstrates the following: (1) a scalable, data-efficient workflow for salinity mapping; (2) model and RK performance depend more on algorithmic design than sensor type; (3) interpretable ML and spatial modeling enhance understanding of salinity processes in semi-arid systems.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».