Modeling soil cation concentration and sodium adsorption ratio using observed diffuse reflectance spectra
Notice bibliographique
Résumé
Spectral analysis is a useful tool for the rapid and accurate prediction of soil properties. Our objective is to select the best model for predicting the three soil cation concentrations ([Na + ], [Mg 2+ ], and [Ca 2+ ]) and sodium adsorption ratio (SAR). Three methods were applied, i.e., stepwise multiple linear regression (SMLR), partial least-squares regression (PLSR), and support vector machine (SVM). Estimation models for four soil properties were developed using three different spectral processing and transformation techniques, i.e., reflectance (R e ), logarithm of reciprocal R e (LR), and standard normal variable of R e (SNV) were used. A total of 36 models were established. Of these, 27 models for [Na + ], [Mg 2+ ], and [Ca 2+ ] were not applicable for subsequent prediction, because the coefficients of determination (R 2 ) were not high (0.224–0.689), and their relative percent deviations (RPD) were all smaller than the 1.4 threshold. However, the models for SAR~R using PLSR (R 2 = 0.728 for calibration and 0.661 for validation, RPD = 1.43), SAR~LR using SVM (R 2 = 0.791 for calibration and 0.712 for validation, RPD = 1.81), and SAR~SNV using SVM (R 2 = 0.878 for calibration and 0.814 for validation, RPD = 2.13) were valid for further prediction. Finally, SAR~SNV using SVM was selected as the best model. There are intrinsic factors resulting in an unsatisfied model performance.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».