Estimation of Pb Content Using Reflectance Spectroscopy in Farmland Soil near Metal Mines, Central China
Notice bibliographique
Résumé
The contamination of farmlands with hazardous metals from mining puts the safety of agricultural commodities at risk. For remediation, it is crucial to map the spatial distribution of contaminated soil. Typical sampling-based procedures are time-consuming and labor-intensive. The use of visible, near-infrared, and short-wave infrared reflectance (VNIR-SWIR) spectroscopy to detect soil heavy metal pollution is an alternative. With the aim of investigating a methodology of detecting the most sensitive bands using VNIR-SWIR spectra to find lead (Pb) anomalies in agriculture soil near mining activities, the area in Xiaoqinling Mountain, downstream from a series of active gold mines, was selected to test the feasibility of utilizing VNIR-SWIR spectroscopy to map soil Pb. A total of 115 soil samples were collected for laboratory Pb analysis and spectral measurement. Partial least squares regression (PLSR) was adopted to estimate the soil Pb content by building the prediction model, and the model was optimized by finding the optimal number of bands involved. The spatial distribution of Pb concentration was mapped using the ordinary kriging (OK) interpolation method. This study found that five spectral bands (522 nm, 1668 nm, 2207 nm, 2296 nm, and 2345 nm) were sensitive to soil Pb content. The optimized prediction model’s coefficient of determination (R2), residual prediction deviation (RPD), and root mean square error (RMSE) were 0.711, 1.860, and 0.711 ln(mg/kg), respectively. Additionally, the result of OK interpolation was convincing and accurate (R2 = 0.775, RMSE = 0.328 ln(mg/kg)), comparing maps from estimated and ground truth data. This study proves that it is feasible to use VNIR-SWIR spectral data for in situ estimation of the soil Pb content.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».