Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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