Estimating soil water content from surface digital image gray level measurements under visible spectrum
Notice bibliographique
Résumé
Zhu, Y., Wang, Y., Shao, M. and Horton, R. 2011. Estimating soil water content from surface digital image gray level measurements under visible spectrum. Can. J. Soil Sci. 91: 69–76. Determining soil water content (SWC) is fundamental for soil science, ecology and hydrology. Many methods are put forward to measure SWC, such as drying soil samples, neutron probes, time domain reflectrometry (TDR) and remote sensing. Sampling and drying soil is time-consuming. A neutron probe cannot determine SWC of surface soil accurately because neutrons escape when they are emitted near soil surface and TDR is, to some extent, influenced by soil salinity and temperature. Remote sensing can obtain SWC over a large area across a range of temporal and spatial scales. Complicated terrain and atmospheric conditions often make remote sensing data unreliable. Determining SWC from surface gray level (GL) measurements in the visible spectrum may have advantages over other remote sensing techniques, because surface soil images can be easily acquired by digital cameras, even with complicated landforms and meteorological conditions. However, few studies use this method, and further work is required to develop the ability of visible spectrum digital images to accurately estimate SWC. In this study, 42 soil samples were collected to investigate the relationship between surface GL and SWC using computer processing of soil surface images acquired by a digital camera. After establishing an equation to describe this relationship, a simple calibrated model was developed. The calibrated model was validated by an independent set of 48 soil samples. The results indicate that surface GL was sensitive to SWC. There was a negative linear relationship between surface GL and the square of SWC for the 42 calibration soil samples (correlation coefficients >0.91). Based on this negative relationship, a model was established to estimate SWC from surface GL. The results of model validation showed the estimated SWCs by surface GL were very close to the measured SWCs (correlation coefficient=0.99 at a significant level of 0.01). Generally, SWC could be estimated from surface GL for a given soil, and the model could be used to quickly and accurately determineg SWC from surface GL measurements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».