Combining proximal and remote sensors for regional soil characterization in rural Haiti
Notice bibliographique
Résumé
Agronomic optimization is critical in developing countries, especially where soil resources are constrained. This research, the first of its kind in Haiti, used predictive modeling to relate laboratory-derived physical and chemical soil data to proximal and remotely sensed data collected on 32,949 georeferenced surface soil (0–20 cm) samples in the Arcahaie region. A representative subset of collected samples ( n = 300) was then tested using a litany of predictive models (e.g., random forest, gradient boosting, stacking ensemble, XGBoost) relating the lab-derived to proximally sensed data for the prediction of soil pH, sand, silt, clay, soil organic matter, cation exchange capacity, soil organic carbon, and plant available P, K, Si, Fe, and Cu. Results showed that sand, silt, clay, soil organic carbon, soil organic matter and cation exchange capacity all have predictive R 2 of ≥0.80; predictions of soil texture components and soil organic carbon/organic matter were particularly strong. Other parameters, while still significant, were less robust. The models were used to predict the physical and chemical properties of the full dataset, then spatially interpolated to provide parameter variability maps across the region in support of agronomic optimization. Future research should work to extend the methodology successfully demonstrated herein to other regions of agronomic importance in Haiti and other developing countries. Furthermore, the approaches could be extended to three-dimensional modeling of subsoil properties elucidating optimal soil fertility in the rooting zone.
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 | 0,000 |
| 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 ».