Near‐Infrared Reflectance Spectroscopy Prediction of Soil Properties: Effects of Sample Cups and Preparation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Most methods for soil analysis are based on wet chemistry. Near infrared reflectance spectroscopy (NIRS) is a cost‐effective and environmentally sound alternative technique. This study evaluated the effect of sample fineness (0.2, 0.5, 1, and 2 mm) and sample cups (transport versus spinning) on the accuracy of NIRS predictions of soil texture, cation‐exchange capacity, pH, total C and N, organic C, and potentially mineralizable N (N min ) using 150 air‐dried samples collected from a 15‐ha site dominated by Humaquept, Endoaquept, and Dystrochrept soils. The best spectral pretreatment was determined for each property. Principal component analysis (PCA) was used to select samples in calibration and validation sets. Calibration equations were developed using the modified partial least square regression. The accuracy of NIRS prediction was evaluated using three statistics for the prediction set: coefficient of determination ( R 2 ), ratio of performance deviation (RPD), and ratio error range (RER). Across the factorial designed treatments, successful calibrations were observed for clay, sand, and N min ( R 2 ≥ 0.90, RPD ≥ 3, RER ≥ 15). Prediction accuracy of pH was poor (0.51 ≤ R 2 ≤ 0.74, 1.39 ≤ RPD ≤ 1.92, 6.13 ≤ RER ≤ 8.33), while it was intermediate for remaining properties. Sample fineness of 2 mm appeared to be sufficient since finenesses of 0.2, 0.5, or 1.0 mm did not improve calibration accuracy. These findings at small scale should not be extrapolated and further investigations are required to validate them at a larger scale.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle