Novel deep learning algorithm in soil erodibility factor predicting at a continental scale
Notice bibliographique
Résumé
Soil erosion poses significant environmental and economic challenges, adversely affecting soil fertility and global agricultural productivity. We developed a novel model based on the Multi-Head Squeeze-and-Excitation Residual One-Dimensional Convolutional Neural Network (MH-SE-Res1DNet) to predict the soil erodibility factor ( K ) across Europe, representing the first application of this model for such a purpose worldwide. We conducted a comparative analysis using five benchmark machine learning algorithms, i.e., Random Forest (RF), Artificial Neural Network–Multilayer Perceptron (ANN-MLP), Support Vector Regression (SVR), Alternating Model Tree (AMT), and Pace Regression (PR), to assess the efficacy of our model. The results showed that the MH-SE-Res1DNet deep learning model had an outstanding ability for the K prediction. The model's lowest error (MAE=0.0025, RMSE=0.0031) and highest coefficient of determination (R 2 =0.943) were attained during the validation phase. Benchmark models demonstrated lower performance compared to the MH-SE-Res1DNet model, with R 2 values ranging from 0.880 to 0.912 and slightly higher errors across MAE and RMSE metrics. The sensitivity analysis of MH-SE-Res1DNet showed that its performance depends predominantly on key soil factors, particularly topsoil texture (M) and organic matter (OM) concentration. This model establishes a data-driven framework that significantly advances soil erodibility prediction by leveraging machine learning. It surpasses traditional methods and existing machine learning approaches in accuracy, efficiency, and scalability, setting a new benchmark for soil conservation planning and enabling adaptable, evidence-based land management strategies across Europe and worldwide.
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 | 0,001 | 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 ».