Mehlich 3 extractable nutrients as determined by near-infrared reflectance spectroscopy
Notice bibliographique
Résumé
Near-infrared reflectance spectroscopy (NIRS) is a cost-effective and environmentally friendly technique of soil analysis that is particularly advantageous in intensive soil sampling and soil nutrient management as well. This study evaluated the potential of NIRS for predicting P, K, Ca, Mg, Cu, Zn, Mn, Fe, and Al extracted by Mehlich 3. We used 150 air-dried samples collected from a 15-ha site dominated by Orthic Humic Gleysol and Gleyed Dystric Brunisol soils. Calibration equations were developed using modified partial least squares regression. The accuracy of NIRS prediction was evaluated using the coefficient of determination (R 2 ), the ratio of performance deviation (RPD), and the ratio of error range (RER). Reliable calibrations were found for Ca, Cu, and Mg (R 2 ≥ 0.7, RPD ≥ 1.75, and RER ≥ 8). Less-reliable calibrations were found for Al, Fe, K, Mn, P, and Zn (R 2 < 0.7, RPD < 1.75, and RER < 8). In the validation with independent samples, acceptable regression coefficients (i.e., 0.8 ≤ slope ≤ 1.2) were only found for Ca, Mg, and Mn. We presumed that the pH of the Mehlich 3 extractant (2.5 ± 0.1) may affect the solubility of most of these nutrients, regardless the soil texture and, consequently, the potential of NIRS to predict them. The more a nutrient was correlated to clay content, the more it was likely predictable by NIRS. The prediction models obtained for Al, Ca, Cu, Fe, K, Mg, and Mn could still be used for screening purposes in cases where high accuracy is not required. These NIRS prediction models should be validated across larger geographic areas of geological homogeneity. Key words: Soil analysis, Mehlich 3, near-infrared reflectance spectroscopy, calibration
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 | 0,001 |
| 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) | 0,001 | 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 ».