Multiplicative Scatter Correction and Stepwise Regression to Build NIRS Model for Analysis of Soil Organic Carbon Content in Black Soil
Notice bibliographique
Résumé
Near infrared modeling based on the whole spectroscopy takes much work and the model may not be optimum because of too much tedious information.Wavelength selection through certain method could improve the model.Stepwise regression is usually used to select wavelengths with important information.Multiple scatter correction(MSC) technique can be used effectively to remove the effect of scatterings due to physical factors such as the density and humidity of samples and other factors caused by operators.A total of 136 Black Soil samples were obtained during 2004-2005 in Northeast China and corresponding infrared spectra from 3699-12000 cm-1 was measured using Fourier transform infrared spectrometry.Multiple scatter correction was used to preprocess the original spectra and multiple stepwise regression method was used to select wavelengths.Results showed that MSC can effectively decrease the scattering effect and thus enhance the signal to noise ratio.Compared to original spectrum,MSC improved the SOC quantitative model,with the determination coefficient increased from 0.598 to 0.681.Determination coefficients of model based on wavelengths chosen by experience was 0.956.Model based on wavelengths selected by hand was better than that based on wavelengths selected by stepwise regression analysis.Selecting wavelengths by stepwise regression analysis needs to be further studied.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».