Soil texture mapping over low relief areas using land surface feedback dynamic patterns extracted from MODIS
Notice bibliographique
Résumé
In low relief areas such as plains, easily obtained soil forming factors generally do not co-vary with soil conditions over space to the level that they can be used effectively in digital soil mapping. Mapping variation of soil properties over such areas remains a challenge. This paper presents an approach to mapping soil texture using environmental covariates derived from temporal responses of the land surface to a rainfall event (dynamic feedbacks) collected through remote sensing techniques. The approach consists of four steps: (1) construction of a set of environmental covariates from dynamic feedbacks of the land surface, captured daily from MODIS (Moderate Resolution Imaging Spectroradiometer) images over a short period (6-7 days) after a major rain event; (2) derivation of environmental classes based on the set of environmental covariates using a fuzzy c-means clustering; (3) Identification of typical soil texture value for each of the environmental classes from a dataset of field soil samples; (4) mapping of spatial variation of soil texture through a linearly weighted averaging function. The approach was applied to produce soil texture maps in a low relief area situated in south-central Manitoba, Canada. Its performance was assessed through comparison with soil texture maps generated from 1:20,000 traditional soil survey. The assessment was based on 34 field sample sites, independent of the samples used for prediction. The error values (9.42 for MAE and 12.56 for RMSE) of A-horizon percentage of sand from the proposed approach are less than these from the detailed soil survey (10.59 for MAE and 15.12 for RMSE). Similar results were obtained for A-horizon percentage of clay. In addition, the difference between the results of multiple linear regression analysis without and with the MODIS derived variables further demonstrated the effectiveness of the variables at differentiating patterns of soil texture. These indicated that the proposed approach is effective for mapping the variation of soil texture over the low relief area and it could be used to map other soil property variation over similar areas. (C) 2011 Elsevier B.V. All rights reserved.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».