Fine grinding is needed to maintain the high accuracy of mid‐infrared diffuse reflectance spectroscopy for soil property estimation
Notice bibliographique
Résumé
Abstract In mid‐infrared diffuse reflectance (MIR) soil spectroscopy, grinding is one major step that can have pronounced effects on spectra and model calibrations. The reported literature on the effects of fine grinding on spectroscopic model performance have been inconsistent, likely in part because of limitations in sample set and model calibrations in previous studies. This study was focused on answering the question whether fine grinding is necessary for MIR spectroscopy in order to minimize model uncertainty. The main goal of this study was to compare model performance with and without fine grinding for eight soil properties using two different modeling techniques: partial least squares regression (PLS) and artificial neural networks (ANN). Approximately 500 soil samples were extracted from a large MIR spectral library in the United States to obtain spectra at non‐fine ground (NG, <2 mm,) and fine‐ground (FG, <0.18 mm,) states. Performance of calibration models built using subsets of the 500 FG and 500 NG spectra were compared with models built using the entire FG spectral library ( n > 40,000). All the model calibrations and validations were repeated 100 times to evaluate the uncertainty of the model performances. The results showed that PLS performed similar to ANN for the smaller dataset, but the best model performance was obtained with the FG full spectral library with ANN models. Predictions on the FG spectra always outperformed predictions on the NG spectra in terms of goodness‐of‐fit and variance of statistics. Overall, this study confirmed the importance of fine grinding to ensure the best MIR spectroscopic 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 | 0,001 |
| 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 | 0,001 | 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 ».