Reducing moisture effects on soil organic carbon content prediction in visible and near-infrared spectra with an external parameter othogonalization algorithm
Notice bibliographique
Résumé
Field spectroscopy and other efficient hyperspectral techniques have been widely used to measure soil properties, including soil organic carbon (SOC) content. However, reflectance measurements based on field spectroscopy are quite sensitive to uncontrolled variations in surface soil conditions, such as moisture content; hence, such variations lead to drastically reduced prediction accuracy. The goals of this work are to (i) explore the moisture effect on soil spectra with different SOC levels, (ii) evaluate the selection of optimal parameter for external parameter othogonalization (EPO) in reducing moisture effect, and (iii) improve SOC prediction accuracy for semi-arid soils with various moisture levels by combing the EPO with machine learning method. Soil samples were collected from grassland regions of Inner Mongolia in North China. Rewetting laboratory experiments were conducted to make samples moisturized at five levels. Visible and near-infrared spectra (350–2500 nm) of soil samples rewetted were observed using a hand-held SVC HR-1024 spectroradiometer. Our results show that moisture influences the correlation between SOC content and soil reflectance spectra and that moisture has a greater impact on the spectra of samples with low SOC. An EPO algorithm can quantitatively extract information of the affected spectra from the spectra of moist soil samples by an optimal singular value. A SOC model that effectively couples EPO with random forest (RF) outperforms partial least-square regression (PLSR)-based models. The EPO–RF model generates better results with R 2 of 0.86 and root-mean squared error (RMSE) of 3.82 g kg −1 , whereas a PLSR model gives R 2 of 0.79 and RMSE of 4.68 g kg −1 .
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 ».