Comparisons of the prediction results of soil properties based on fuzzy <i>c</i>-means clustering and expert knowledge from laboratory Visible – Near-Infrared reflectance spectroscopy data
Notice bibliographique
Résumé
Soil organic matter and soil particle composition play extremely important roles in soil fertility, environmental protection, and sustainable agricultural development. Visible – near-infrared reflectance (Vis–NIR) spectroscopy is a rapid, effective, and low-cost analytical method to predict soil properties. In this study, laboratory Vis–NIR spectroscopy data were used to compare the differences among partial least squares regression (PLSR), artificial neural network (ANN) and multivariate adaptive regression splines (MARSplines) based on fuzzy c-means spectral clustering and expert knowledge classification methods for soil prediction. The results showed that (1) the sand content (R 2 = 0.69–0.77) had the best prediction, followed by the silt (R 2 = 0.56–0.71) and organic matter (R 2 = 0.54–0.69) contents, whereas the clay content (R 2 = 0.29–0.65) had the poorest prediction, (2) the performance of the models followed the order of PLSR > ANN > MARSplines, and (3) the accuracies of the organic matter and sand contents were higher when applying expert knowledge classification, whereas the prediction of the clay and silt contents was better when applying spectral clustering. However, the overall accuracy of the spectral clustering method was slightly better than that of expert classification. Our findings showed that the spectral cluster-based models produced effective and interpretable prediction results for estimating soil properties. Therefore, this approach should be considered when dealing with large and heterogeneous soil samples.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».