Selection of optimal combinations of inputs in a partial least squares model for prediction of soil organic matter
Notice bibliographique
Résumé
Partial least squares model is widely used in estimation of soil physical and chemical parameters such as soil organic matter and moisture content, due to its advantages in dealing with collinearity of variables like hyperspectral reflectance. However, it is hard to determine optimal combination of partial least squares model input for soil organic matter prediction since there are lots of possibilities such as, different mathematical transformation of spectral reflectance, wavelength ranges, and spectral resolution. Laboratory hyperspectral reflectance of soils in Songnen plain were analyzed in this study, and the orthogonal experimental design method for deriving optimal combination of input variables for soil organic matter prediction models was introduced. For intercalating orthogonal experimental design table, five different levels which commonly used by researchers were assigned to factors. Results show that the optimal combination input for single black soil is using the derivative logarithmic reciprocal reflectance in the wavelength range selected by multiple stepwise regression at a spectral resolution of 5 nm (R2= 0.95, RMSE = 0.21, and RPD = 4.49), and different soils is using continuum removed in the wavelength range selected by MSR at a spectral resolution of 5 nm (R2 = 0.77, RMSE = 0.74, and RPD = 2.08). With optimal combination input, the partial least squares model prediction ability was evaluated as excellent for single black soil, possible for different soils. This study illustrates the orthogonal experimental design method can be an effective way to identify the optimal input variables of a partial least squares model for soil organic matter prediction, and multiple stepwise regression can be a preprocessing step to reduce hyperspectral data redundancy before using partial least squares to predict soil organic matter. Overall, this study provides a new approach for determining optimal input of partial least squares predicting model.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».