Modelling soil water retention and water‐holding capacity with visible–near‐infrared spectra and machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract We need measurements of soil water retention (SWR) and available water capacity (AWC) to assess and model soil functions, but methods are time‐consuming and expensive. Our aim here was to investigate the modelling of AWC and SWR with visible–near‐infrared spectra (vis–NIR) and the machine‐learning method cubist . We used soils from 54 locations across Australian agricultural regions, from three depths: 0–15 cm, 15–30 cm and 30–60 cm. The volumetric water content of the samples and their vis–NIR spectra were measured at seven matric potentials from −1 kPa to −1500 kPa. We modelled the following: (i) AWC directly with the average spectra of the samples measured at different water contents, (ii) water contents at field capacity and permanent wilting point and calculated AWC from those estimates, (iii) AWC with spectra of air‐dried soils, and (iv) parameters of the Kosugi and van Genuchten SWR models, then reconstructed the SWR curves to calculate AWC. We compared the estimates with those from a local pedotransfer function (PTF) and an established Australian PTF. The accuracy of the spectroscopic approaches varied but was generally better than the PTFs. The spectroscopic methods are also more practical because they do not require additional soil properties for the modelling. The root‐mean squared‐error (RMSE) of the spectroscopic methods ranged from 0.033 cm 3 cm −3 to 0.059 cm 3 cm −3 . The RMSEs of the PTFs were 0.050 cm 3 cm −3 for the local and 0.077 cm 3 cm −3 for the general PTF. Spectroscopy with machine learning provides a rapid and versatile method for estimating the AWC and SWR characteristics of diverse agricultural soils. Highlights Soil available water capacity can be estimated with vis‐NIR specta. Parameters of water retention models can be estimated with vis‐NIR spectra. vis‐NIR spectroscopy performed better than pedotransfer functions. The results apply to a diverse range of soils.
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.
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 | 0,003 | 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 | 0,001 | 0,001 |
| 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 découle