Integrating UAV-LiDAR and Field Experiments to Survey Soil Erosion Drivers in Citrus Orchards Using an Exploratory Machine Learning Approach
Notice bibliographique
Résumé
Citrus orchards are especially vulnerable owing to low inter-row vegetation cover, and frequent tillage. Here, we combine controlled field experiments with proximal remote sensing–derived geomorphometric variables and machine learning (ML) to identify key factors of erosion in a Mediterranean climate citrus plantation located close to Seville and the National Park of Doñana (Southern Spain) on Gleyic Regosols (clayic, arenic). We conducted rainfall simulations with 30 s sampling, measured infiltration (mini-disc infiltrometer), saturated hydraulic conductivity (Kfs; Guelph permeameter), compaction (penetrologger), and soil respiration (gas analyzer) at multiple points, and derived high resolution morphometric indices from proximal sensing (UAV-LiDAR). Linear models and Random Forests were trained to explain three responses: soil loss, sediment concentration (SC), and runoff. Results show that soil loss is most strongly associated with maximum compaction and Kfs (multiple regression: R2 = 0.68; adjusted R2 = 0.52; p = 0.063), while SC increases with surface compaction and exhibits weak relationships with topographic metrics. Runoff decreases with average infiltration, which is related to compaction (β = −4.83 ± 2.38; R2 = 0.34; p = 0.077). Diagnostic checks indicate centered residuals with mild heteroscedasticity and a few high leverage observations. Random Forests captured part of the variance for soil loss (≈29%) but performed poorly for runoff, consistent with limited sample size and modest nonlinear signal. Morphometric analysis revealed gentle relief but pronounced convergent–divergent patterns that modulate hydrological connectivity. There were strong differences in the experiments conducted close to the trees and in the tractor trails. We conclude that compaction and near surface hydraulic properties are the most influential and measurable controls of erosion at plot scale and the UAV-LiDAR could not give us extra-insights. We highlight that integrating standardized field protocols with proximal morphometrics and ML can be the best method to prioritize a small set of explanatory variables, helping to reduce experimental effort while maintaining explanatory power.
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) | 0,000 | 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 | 0,001 | 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 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 ».