Near‐Infrared Spectroscopy as a Tool for Generating Sorption Input Parameters for Pesticide Fate Modeling
Notice bibliographique
Résumé
Core Ideas NIRS can be integrated with pesticide fate models using a test set method. NIRS calibrations are most successful for pesticides with smaller K d values. Regional scale NIRS calibrations are most successful if developed on data sets of similar K d value range. Sorption parameters (such as K d values) are among the most sensitive input parameters in pesticide fate models. This study demonstrates that near‐infrared spectroscopy (NIRS), in combination with batch equilibrium techniques, can be used to estimate K d values, thereby increasing throughput of the many samples required to characterize spatial variability of pesticide sorption within fields. The Pesticide Root Zone Model version 3.12.2 (PRZM‐3) was used to compare scenarios that used NIRS spectral data, pedotransfer functions, and batch equilibrium methods as inputs for the calculation of 2,4‐dichlorophenoxyacetic acid (2,4‐D) and atrazine leaching in 591 soil horizons. Based on the 3564 simulation runs conducted, we concluded that the added benefit of NIRS is most useful when the pesticides under study have small sorption potentials and short half‐lives in soil. The 2,4‐D and atrazine sorption by soil was highly correlated to soil organic C (SOC) content in the fields under study. The feasibility of using NIRS to predict pesticide K d values largely relies on the sorption of the pesticide being significantly correlated to SOC. In addition, successful regional approaches to predicting K d values from NIRS spectral data can also be developed when the calibration model is derived by combining a set of fields where each has a similar statistical population characteristic in K d values.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».