Predicting soil organic matter and soil moisture content from digital camera images: comparison of regression and machine learning approaches
Notice bibliographique
Résumé
Appropriate soil management maintains and improves the health of the entire ecosystem. Soil appropriate administration necessitates proper characterization of its properties including soil organic matter (SOM) and soil moisture content (SMC). Image-based soil characterization has shown strong potential in comparison with traditional methods. This study compared the performance of 22 different supervised regression and machine learning algorithms, including support vector machines (SVMs), Gaussian process regression (GPR) models, ensembles of trees, and artificial neural network (ANN), in predicting SOM and SMC from soil images taken with a digital camera in the laboratory setting. A total of 22 image parameters were extracted and used as predictor variables in the models in two steps. First models were developed using all 22 extracted features and then using a subset of six best features for both SOM and SMC. Saturation index (redness index) was the most important variable for SOM prediction, and contrast (median S) for SMC prediction, respectively. The color and textural parameters demonstrated a high correlation with both SOM and SMC. Results revealed a satisfactory agreement between the image parameters and the laboratory-measured SOM ( R 2 and root mean square error (RMSE) of 0.74 and 9.80% using cubist) and SMC ( R 2 and RMSE of 0.86 and 8.79% using random forest) for the validation data set using six predictor variables. Overall, GPR models and tree models (cubist, RF, and boosted trees) best captured and explained the nonlinear relationships between SOM, SMC, and image parameters for this study.
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 | 0,000 |
| 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 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 ».