Using machine learning algorithms to estimate soil organic carbon variability with environmental variables and soil nutrient indicators in an alluvial soil
Identifikátory výsledku
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>
Alternativní jazyky
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
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
40104 - Soil science
Návaznosti výsledku
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
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
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