Published October 15, 2020 | Version v1
Publication Metadata-only

iSDAsoil: soil stone content for Africa predicted at 30 m resolution at 0-20 and 20-50 cm depths

Creators

  • 1. ZeptoMetrix (United States)
  • 2. University of Belgrade
  • 3. Rothamsted Research
  • 4. World Agroforestry Centre

Description

iSDAsoil dataset soil stone content / coarse fragments log-transformed predicted at 30 m resolution for 0–20 and 20–50 cm depth intervals. Data has been projected in WGS84 coordinate system and compiled as COG. Predictions have been generated using multi-scale Ensemble Machine Learning with 250 m (MODIS, PROBA-V, climatic variables and similar) and 30 m (DTM derivatives, Landsat, Sentinel-2 and similar) resolution covariates. For model training we use a pan-African compilations of soil samples and profiles (iSDA points, AfSPDB, and other national and regional soil datasets). Cite as: Hengl, T., Miller, M.A.E., Križan, J. et al. African soil properties and nutrients mapped at 30 m spatial resolution using two-scale ensemble machine learning. Sci Rep 11, 6130 (2021). https://doi.org/10.1038/s41598-021-85639-y To open the maps in QGIS and/or directly compute with them, please use the Cloud-Optimized GeoTIFF version. Layer description: sol_log.wpg2_mehlich3_m_30m_*..*cm_2001..2017_v0.13_wgs84.tif = predicted soil stone content mean value, sol_log.wpg2_mehlich3_md_30m_*..*cm_2001..2017_v0.13_wgs84.tif = predicted soil stone content model (prediction) errors, Model errors were derived using bootstrapping: md is derived as standard deviation of individual learners from 5-fold cross-validation (using spatial blocking). The model 5-fold cross-validation (mlr::makeStackedLearner) for this variable indicates: 

Variable: log.wpg2 R-square: 0.709 Fitted values sd: 1.25 RMSE: 0.803 Random forest model: Call: stats::lm(formula = f, data = d) Residuals: Min 1Q Median 3Q Max -4.0555 -0.3113 -0.0222 0.2378 4.5794 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -0.008606 1.361982 -0.006 0.995 regr.ranger 0.972265 0.004443 218.854 < 2e-16 *** regr.xgboost 0.034649 0.006404 5.411 6.3e-08 *** regr.cubist 0.069589 0.005229 13.308 < 2e-16 *** regr.nnet -0.012756 0.796535 -0.016 0.987 regr.cvglmnet -0.056645 0.005509 -10.283 < 2e-16 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 0.8032 on 92785 degrees of freedom Multiple R-squared: 0.7092, Adjusted R-squared: 0.7092 F-statistic: 4.525e+04 on 5 and 92785 DF, p-value: < 2.2e-16
To back-transform values (y) to % use the following formula: 
% = expm1( y / 10 )
To submit an issue or request support please visit https://isda-africa.com/isdasoil

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

iSDA مجموعة بيانات التربة محتوى حجر التربة/الشظايا الخشنة التي تم تحويلها إلى سجل متنبأ بها بدقة 30 مترًا لفترات عمق 0–20 و 20–50 سم. تم عرض البيانات في نظام إحداثيات WGS84 وتجميعها في COG. تم إنشاء التنبؤات باستخدام التعلم الآلي الجماعي متعدد المستويات مع 250 متر (MODIS، PROBA - V، المتغيرات المناخية وما شابه ذلك) و 30 متر (مشتقات DTM، Landsat، Sentinel -2 وما شابه ذلك) متغيرات مشتركة في الدقة. بالنسبة للتدريب النموذجي، نستخدم تجميعات لعموم إفريقيا لعينات التربة وملامحها (نقاط iSDA، و AfSPDB، وغيرها من مجموعات بيانات التربة الوطنية والإقليمية). استشهد باسم: Hengl، T.، Miller، M.A.E.، Križan، J. et al. تم تعيين خصائص التربة والمغذيات الأفريقية بدقة مكانية تبلغ 30 مترًا باستخدام التعلم الآلي على نطاقين. Sci Rep 11, 6130 (2021). https://doi.org/10.1038/s41598-021-85639-y لفتح الخرائط في QGIS و/أو الحساب مباشرة معهم، يرجى استخدام إصدار GeoTIFF المحسن للسحابة. وصف الطبقة: sol_log.wpg2_mehlich3_m_30m_*..*cm _2001.. 2017_v0.13_wgs84.tif = القيمة المتوسطة المتوقعة لمحتوى حجر التربة، sol_log.wpg2_mehlich3_md_30m_*..*cm _2001.. 2017_v0.13_wgs84.tif = الأخطاء المتوقعة لنموذج محتوى حجر التربة (التنبؤ)، تم اشتقاق أخطاء النموذج باستخدام bootstrapping: md مشتق من الانحراف المعياري للمتعلمين الفرديين من التحقق المتبادل 5 أضعاف (باستخدام الحجب المكاني). يشير التحقق المتبادل من صحة النموذج 5 أضعاف (mlr:: makeStackedLearner) لهذا المتغير إلى
: المتغير: log.wpg2 R - square: 0.709 القيم المجهزة sd: 1.25 RMSE: 0.803 نموذج الغابة العشوائية: Call: stats::lm(formula = f, data = d) Residuals: Min 1Q Median 3Q Max -4.0555 -0.3113 -0.0222 0.2378 4.5794 المعاملات: تقدير Std. قيمة الخطأ t Pr (>|t|) (اعتراض) -0.008606 1.361982 -0.006 0.995 regr.ranger 0.972265 0.004443 218.854 < 2e -16 *** regr.xgboost 0.034649 0.006404 5.411 6.3e-08 *** regr.cubist 0.069589 0.005229 13.308 < 2e -16 *** regr.nnet -0.012756 0.796535-0.016 0.987 regr.cvglmnet -0.056645 0.005509-10.283 < 2e -16 ***- رموز التوقيع: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 '' 1 الخطأ القياسي المتبقي: 0.8032 على 92785 درجة من الحرية متعدد R - squared: 0.7092، R - squared المعدل: 0.7092 F - statistic: 4.525e +04 على 5 و 92785 DF، p - value: <
2.2e -16 لإعادة تحويل القيم (y) إلى 
٪ استخدم الصيغة التالية: ٪ = expm1 ( y / 10 )
لإرسال مشكلة أو طلب الدعم، يرجى زيارة https://isda-africa.com/isdasoil

Translated Description (French)

ensemble de données iSDAteneur en pierre du sol/fragments grossiers log-transformés prévus à une résolution de 30 m pour des intervalles de profondeur de 0 à 20 et de 20 à 50 cm. Les données ont été projetées dans le système de coordonnées WGS84 et compilées en tant que COG. Les prédictions ont été générées à l'aide de l'apprentissage automatique d'ensemble multi-échelle avec des covariables de résolution de 250 m (MODIS, PROBA-V, variables climatiques et similaires) et 30 m (dérivés DTM, Landsat, Sentinel-2 et similaires). Pour la formation par modèle, nous utilisons des compilations panafricaines d'échantillons et de profils de sol (points iSDA, AfSPDB et autres ensembles de données nationaux et régionaux sur les sols). Cite as : Hengl, T., Miller, M.A.E., Križan, J. et al. Propriétés et nutriments des sols africains cartographiés à une résolution spatiale de 30 m en utilisant l'apprentissage automatique à deux échelles. Sci Rep 11, 6130 (2021). https://doi.org/10.1038/s41598-021-85639-y Pour ouvrir les cartes dans QGIS et/ou les calculer directement, veuillez utiliser la version GeoTIFF optimisée pour le cloud. Description de la couche : sol_log.wpg2_mehlich3_m_30m_ *..*cm_2001.. 2017_v0.13_wgs84.tif = valeur moyenne prédite de la teneur en pierres du sol, sol_log.wpg2_mehlich3_md_30m_ *..*cm_2001.. 2017_v0.13_wgs84.tif = erreurs prédites du modèle de la teneur en pierres du sol (prédiction), Les erreurs du modèle ont été dérivées en utilisant le bootstrapping : md est dérivé comme écart type des apprenants individuels à partir d'une validation croisée 5 fois (en utilisant le blocage spatial). Le modèle 5 fois de validation croisée (mlr : : makeStackedLearner) pour cette variable indique 
: Variable : log.wpg2 R-carré : 0,709 Valeurs ajustées sd : 1,25 RMSE : 0,803 Modèle de forêt aléatoire : Appel : stats : :lm(formule = f, données = d) Résidus : Min 1Q Médiane 3Q Max -4,0555 -0,3113 -0,0222 0,2378 4,5794 Coefficients : Estimation Std. Valeur t d'erreur Pr(>|t|) (Intercept) -0,008606 1,361982 -0,006 0,995 regr.ranger 0,972265 0,004443 218,854 < 2e-16 ** * regr.xgboost 0,034649 0,006404 5,411 6,3e-08 ** * regr.cubist 0,069589 0,005229 13,308 < 2e-16 *** regr.nnet -0,012756 0,796535 -0,016 0,987 regr.cvglmnet -0,056645 0,005509 -10,283 < 2e-16 *** --- Codes signif. : 0 '***' 0,001 '**' 0,01 '*' 0,05 '.' 0.1 ' ' 1 Erreur type résiduelle : 0.8032 sur 92785 degrés de liberté Multiple R-carré : 0.7092, R-carré ajusté : 0.7092 F-statistique : 4.525e+04 sur 5 et 92785 DF, valeur de p : < 2.2e-16
Pour rétrotransformer les valeurs (y) en %, utilisez la formule suivante : 
% = expm1( y / 10 )
Pour soumettre un problème ou demander de l'aide, veuillez visiter https://isda-africa.com/isdasoil

Translated Description (Spanish)

iSDAconjunto de datos del suelo contenido de piedra del suelo/fragmentos gruesos transformados logarítmicamente predicho a una resolución de 30 m para intervalos de profundidad de 0–20 y 20–50 cm. Los datos se han proyectado en el sistema de coordenadas WGS84 y se han compilado como COG. Las predicciones se han generado utilizando aprendizaje automático de conjunto multiescala con covariables de resolución de 250 m (MODIS, PROBA-V, variables climáticas y similares) y 30 m (derivados de DTM, Landsat, Sentinel-2 y similares). Para la capacitación de modelos utilizamos compilaciones panafricanas de muestras y perfiles de suelos (puntos iSDA, AfSPDB y otros conjuntos de datos de suelos nacionales y regionales). Citar como: Hengl, T., Miller, M.A.E., Križan, J. et al. Propiedades y nutrientes del suelo africano mapeados a una resolución espacial de 30 m utilizando aprendizaje automático conjunto a dos escalas. Sci Rep 11, 6130 (2021). https://doi.org/10.1038/s41598-021-85639-y Para abrir los mapas en QGIS y/o calcular directamente con ellos, utilice la versión GeoTIFF optimizada para la nube. Descripción de la capa:sol_log.wpg2_mehlich3_m_30m_ *..*cm_2001.. 2017_v0.13_wgs84.tif = valor medio del contenido de piedra del suelo predicho, sol_log.wpg2_mehlich3_md_30m_ *..*cm_2001.. 2017_v0.13_wgs84.tif = errores del modelo de contenido de piedra del suelo predicho (predicción), los errores del modelo se derivaron utilizando bootstrapping: md se deriva como la desviación estándar de los alumnos individuales de la validación cruzada de 5 veces (utilizando el bloqueo espacial). El modelo de validación cruzada de 5 veces (mlr:: makeStackedLearner) para esta variable indica
: Variable: log.wpg2 R-square: 0.709 Valores ajustados sd: 1.25 RMSE: 0.803 Modelo de bosque aleatorio: Call: stats::lm(formula = f, data = d) Residuales: Min 1Q Median 3Q Max -4.0555 -0.3113 -0.0222 0.2378 4.5794 Coeficientes: Estimate Std. Error t value Pr(>|t|) (Intercept) -0.008606 1.361982 -0.006 0.995 regr.ranger 0.972265 0.004443 218.854 < 2e-16 *** regr.xgboost 0.034649 0.006404 5.411 6.3e-08 *** regr.cubist 0.069589 0.005229 13.308 < 2e-16 ** * regr.nnet -0.012756 0.796535 -0.016 0.987 regr.cvglmnet -0.056645 0.005509 -10.283 < 2e-16 ** * --- Signif. codes: 0 '**' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Error estándar residual: 0.8032 en 92785 grados de libertad Múltiple R-cuadrado: 0.7092, R-cuadrado ajustado: 0.7092 F-estadístico: 4.525e +04 en 5 y 92785 DF, valor de p: < 2.2e-16
Para retrotransformar los valores (y) a % use la siguiente fórmula: 
% = expm1( y / 10 )
Para enviar un problema o solicitar soporte, visite https://isda-africa.com/isdasoil

Additional details

Additional titles

Translated title (Arabic)
iSDAsoil: محتوى حجر التربة لأفريقيا متنبأ به بدقة 30 مترًا على عمق 0-20 و 20-50 سم
Translated title (French)
iSDAsol : teneur en pierre du sol pour l'Afrique prévue à une résolution de 30 m à des profondeurs de 0-20 et 20-50 cm
Translated title (Spanish)
iSDAsoil: contenido de piedra en el suelo para África previsto a una resolución de 30 m a profundidades de 0-20 y 20-50 cm

Identifiers

Other
https://openalex.org/W3207150881
DOI
10.5281/zenodo.4091154

Is supplement to
https://openalex.org/W3186982001 (Other)
https://openalex.org/W2324615561 (Other)
https://openalex.org/W2245170124 (Other)
https://openalex.org/W2137941439 (Other)
https://openalex.org/W2086120259 (Other)
https://openalex.org/W2076393078 (Other)
https://openalex.org/W2029513011 (Other)
https://openalex.org/W2004200960 (Other)
https://openalex.org/W1999891779 (Other)
https://openalex.org/W1984402782 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Kenya