Évaluation comparative des algorithmes d'apprentissage automatique pour la classification des types de sols à partir de caractéristiques physico-chimiques : application de Random Forest, XGBoost, SVM et KNN
Bibliographic record
Abstract
Cette étude explore l'application des algorithmes d'apprentissage automatique pour la classification des types de sol, une tâche essentielle pour l'agriculture et la gestion durable des terres, en particulier dans des zones confrontées à des défis environnementaux tels que la dégradation des sols. La recherche a été menée dans la commune de Djilor, située dans le Sine Saloum au Sénégal, une région affectée par la salinisation et la perte de terres agricoles. En utilisant des caractéristiques physico-chimiques telles que la texture (pourcentages de sable, limon et argile), le pH, la matière organique, la capacité d'échange cationique (CEC), la densité apparente et la rétention d'eau, cette étude évalue les performances de quatre algorithmes : le Random Forest, le XGBoost, le SVM et le KNN. Un ensemble de 1000 échantillons aléatoires a été utilisé pour l'entraînement et les tests, avec une validation croisée et des matrices de confusion pour évaluer les performances. Les résultats montrent que le SVM obtient les meilleures performances avec une précision globale de 98,85 %, suivi par le Random Forest (97,13 %) et le KNN (95,40 %), tandis que le XGBoost affiche une précision de 94,83 %. Ces résultats soulignent la capacité des modèles à capturer les relations complexes entre les caractéristiques physico-chimiques, bien que des ajustements soient nécessaires pour améliorer leur capacité à gérer les classes minoritaires. L'analyse de l'importance des caractéristiques révèle que la texture du sol, notamment les pourcentages de sable et de limon, joue un rôle clé dans la classification des types de sol. Ces résultats mettent en évidence la pertinence de l'apprentissage automatique comme outil pour une gestion durable des terres agricoles et des ressources naturelles. Toutefois, l’étude souligne également des limitations, telles que la nécessité d’une validation avec des données terrain et d’une exploration de modèles plus complexes pour améliorer la robustesse et la généralisabilité des conclusions.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".