Satellite Soil Observation (SatSoil): extraction of bare soil reflectance for soil organic carbon mapping on Google Earth Engine
Notice bibliographique
Résumé
Accurate mapping of soil organic carbon (SOC) is essential for managing agricultural land and mitigating climate change. However, available bare soil reflectance extraction methods from satellite imagery are limited by vegetation, crop residues, and cloud cover. This study introduces SatSoil, an innovative, multi-temporal approach that uses optical remote sensing to isolate bare soil pixels. This approach combines two novel techniques: Consecutive Differential Series (CDS) and the Crop Residue Mitigation Index (CRMI). Based on the principle that soil reflectance increases with wavelength, CDS effectively isolates bare soil pixels from Landsat-8 imagery (2013–2023) over the study area (i.e., Germany). CRMI reduces interference from crop residues by analyzing differences in NIR and SWIR bands. Validation using Canonical Correlation Analysis revealed stronger correlations in the visible bands between satellite and laboratory measurements. The K-means train-test split was used to address the skewed distribution of SOC for stable predictive accuracy using Random Forest Regression (RFR). RFR models achieved R2 values of 0.90, 0.72, and 0.39 for LUCAS-2015, SatSoil, and GEOS3, respectively, with corresponding RMSE values of 17.84, 16.02, and 6.62 g/kg. SatSoil achieved 19.4% greater bare soil coverage than GEOS3, significantly improving satellite soil reflectance accuracy and enhancing SOC mapping for agricultural management.
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 ».