Using machine learning algorithms to estimate soil organic carbon variability with environmental variables and soil nutrient indicators in an alluvial soil

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F60460709%3A41210%2F20%3A83590" target="_blank" >RIV/60460709:41210/20:83590 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.mdpi.com/2073-445X/9/12/487" target="_blank" >https://www.mdpi.com/2073-445X/9/12/487</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.3390/land9120487" target="_blank" >10.3390/land9120487</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Using machine learning algorithms to estimate soil organic carbon variability with environmental variables and soil nutrient indicators in an alluvial soil

Popis výsledku v původním jazyce

Soil organic carbon (SOC) is an important indicator of soil quality and directly determines soil fertility. Hence, understanding its spatial distribution and controlling factors is necessary for efficient and sustainable soil nutrient management. In this study, machine learning algorithms including artificial neural network (ANN), support vector machine (SVM), cubist regression, random forests (RF), and multiple linear regression (MLR) were chosen for advancing the prediction of SOC. A total of sixty soil samples were collected within the research area at 30 cm soil depth and measured for SOC content using the Walkley-Black method. The predictors include effective cation exchange capacity (ECEC), base saturation (BS), element ratios, elevation, plan curvature, total catchment area, channel network base level, topographic wetness index, clay index, iron index, normalized difference build-up index (NDBI), ratio vegetation index (RVI), soil adjusted vegetation index (SAVI), normalized difference vegetat

Název v anglickém jazyce

Using machine learning algorithms to estimate soil organic carbon variability with environmental variables and soil nutrient indicators in an alluvial soil

Popis výsledku anglicky

Soil organic carbon (SOC) is an important indicator of soil quality and directly determines soil fertility. Hence, understanding its spatial distribution and controlling factors is necessary for efficient and sustainable soil nutrient management. In this study, machine learning algorithms including artificial neural network (ANN), support vector machine (SVM), cubist regression, random forests (RF), and multiple linear regression (MLR) were chosen for advancing the prediction of SOC. A total of sixty soil samples were collected within the research area at 30 cm soil depth and measured for SOC content using the Walkley-Black method. The predictors include effective cation exchange capacity (ECEC), base saturation (BS), element ratios, elevation, plan curvature, total catchment area, channel network base level, topographic wetness index, clay index, iron index, normalized difference build-up index (NDBI), ratio vegetation index (RVI), soil adjusted vegetation index (SAVI), normalized difference vegetat

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

40104 - Soil science

Projekt

<a href="/cs/project/EF16_019%2F0000845" target="_blank" >EF16_019/0000845: Centrum pro studium vzniku a transformací nutričně významných látek v potravním řetězci v interakci s potenciálně rizikovými látkami antropogenního původu: komplexní posouzení rizika kontaminace půdy pro kvalitu zemědělské produkce</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Land

ISSN

2073-445X

e-ISSN

2073-445X

Svazek periodika

9

Číslo periodika v rámci svazku

12

Stát vydavatele periodika

CH - Švýcarská konfederace

Počet stran výsledku

20

Strana od-do

1-20

Kód UT WoS článku

000601970700001

EID výsledku v databázi Scopus

2-s2.0-85097289449