IntroductionOver the past few decad

Introduction
Over the past few decades, there is a growing interest in the development of rapid methods to map soil organic
carbon (SOC) stocks along extensive areas. Digital Soil Mapping has been used to predict the spatial distribution of
SOC using approaches like Multiple Linear Regression, Kriging, co-Krigging, Regression Kriging, Geographically Weighted Regression, Support Vector Regression, Artificial Neural Networks, Random Forest and Partial Least
Squares Regression [1-3].
Infrared spectroscopy, faster and cheaper than traditional measure techniques such as Walkley-Black method, has
been used as an alternative technique to estimate SOC. In this sense, many authors derived statistical models to
predict SOC from spectroscopic data [4,5]. On the other hand, statistical algorithms such as Random Forest allows
the identification of the most influential bands explaining the variability in SOC, thus increasing the accuracy of the
predictive models created [6].
Studies at present showed the ability of spectroscopic data to create predictive models of soil parameters at plot
scale with high accuracy. However, further research is required to generalize the information from such models to
large spatial scales. This study provides a methodology to translate the statistical relationships found between
spectroscopic data and SOC measurements from the plot scale to a regional scale in order to map the SOC content at
regional scale.

ผลลัพธ์ (ไทย) 1:

แนะนำทศวรรษผ่านมาไม่กี่ มีดอกเบี้ยเติบโตในการพัฒนาวิธีการอย่างรวดเร็วเพื่อแผนดินอินทรีย์คาร์บอน (SOC) หุ้นพร้อมพื้นที่กว้างขวาง การแม็ปดินดิจิทัลมีการใช้เพื่อทำนายการกระจายของใช้วิธีเช่นหลายถดถอยเชิงเส้น Kriging โค Krigging, Kriging ถดถอย ถดถ่วงน้ำหนักกันทางภูมิศาสตร์ สนับสนุนเวกเตอร์ถดถอย เครือ ข่ายประสาทเทียม ป่าสุ่ม และน้อยที่ สุดบางส่วน SOCยกกำลังสองถดถอย [1-3]มีอินฟราเรดก เทคนิคการวัดแบบดั้งเดิมเช่นวิธี Walkley ดำ ถูกกว่า และรวดเร็วการใช้เป็นเทคนิคการทดแทนประมาณ SOC. ในความรู้สึกนี้ หลายผู้เขียนมาแบบจำลองทางสถิติเพื่อทำนาย SOC จากข้อมูลด้าน [4,5] บนมืออื่น ๆ อัลกอริทึมทางสถิติเช่นป่าสุ่มให้รหัสของทรงอิทธิพลมากที่สุดวงอธิบายความแปรผันใน SOC เพิ่มความแม่นยำของการรูปแบบงานสร้างขึ้น [6]การศึกษาในปัจจุบันพบว่าความสามารถของข้อมูลด้านการสร้างแบบจำลองคาดการณ์ดินพารามิเตอร์ที่พล็อตขนาด มีความแม่นยำสูง อย่างไรก็ตาม ต่อการวิจัยจะต้องทั่วไปข้อมูลจากแบบจำลองดังกล่าวไปการปรับขนาดพื้นที่ขนาดใหญ่ การศึกษานี้แสดงวิธีการแปลความสัมพันธ์ทางสถิติพบระหว่างด้านข้อมูลและ SOC วัดจากสเกลพล็อตการระดับภูมิภาคเพื่อทำแม็ปเนื้อหา SOC ที่ระดับภูมิภาค

ผลลัพธ์ (ไทย) 3:

บทนำ
กว่าทศวรรษที่ผ่านมา มีการเติบโตที่น่าสนใจในการพัฒนาวิธีการอย่างรวดเร็วเพื่อแผนที่ดินอินทรีย์คาร์บอน
( SoC ) หุ้นด้วยพื้นที่กว้างขวาง แผนที่ดินดิจิตอลได้รับการใช้ทำนายการกระจายเชิงพื้นที่ของ
สใช้วิธีการเหมือนสมการถดถอยพหุคูณคริกกิ้ง , CO , krigging คริกกิ้งทางภูมิศาสตร์ , การถดถอยหนัก สนับสนุนเกี่ยวกับการถดถอยโครงข่ายประสาทเทียม , ป่าสุ่มและบางส่วนอย่างน้อย
สี่เหลี่ยมถดถอย [ 1-3 ] .
อินฟราเรดสเปกโทรสโกปี เร็วกว่า และถูกกว่า เทคนิควิธีการวัดแบบดั้งเดิมเช่นหนังสือนิยาย - ดำได้
ถูกใช้เป็นเทคนิควิธีประเมินรายวิชา . ในความรู้สึกนี้ , ผู้เขียนหลายคนได้แบบจำลองทางสถิติเพื่อทำนายจากข้อมูลทางสเปกโทรสโกปีส
[ 4 , 5 ] บนมืออื่น ๆขั้นตอนวิธีเชิงสถิติ เช่น สุ่มป่าให้
ตัวของมีอิทธิพลมากที่สุดและอธิบายความแปรปรวนในสังคม ดังนั้น การเพิ่มความถูกต้องของสมการทำนายสร้าง
[ 6 ] .
การศึกษาปัจจุบันพบความสามารถของข้อมูลทางเพื่อสร้างสมการทำนายค่าพารามิเตอร์ของดินในแปลง
ค่าความถูกต้องสูง อย่างไรก็ตามต้องมีการวิจัยเพิ่มเติมเพื่อหาข้อมูลจากแบบจำลองดังกล่าว
ชั่งอวกาศขนาดใหญ่ การศึกษานี้มีวิธีการแปลความสัมพันธ์ระหว่างข้อมูลทางสถิติพบ
ข้อมูลการวัดจากพล็อตแบบระดับภูมิภาคเพื่อแผนที่สเนื้อหาที่
ระดับภาค