Notice bibliographique
Résumé
Soil Organic Matter (SOM) is a key component for sustainable agriculture planning and soil management. Nutrient analysis, spectroscopy and digital soil imaging are commonly used to estimate SOM in a controlled lab setting. These methods are accurate, but the controlled lab setting is not scalable. For scalability, high-resolution satellite imagery is widely employed. However, special conditions of the Canadian Prairies, like harsh weather and crop residue cover, pose significant challenges in getting the spectral signatures of bare soil. To overcome these challenges, this paper presents a novel methodology that explores the prospects of using high-resolution ground images acquired under Uncontrolled Field Conditions (UFC) for SOM estimation. The developed methodology extracts bare soil from images using deep learning methods in the first step. As the image samples are acquired under UFC, variable ambient illumination influences soil colour. To counter this, in the second step, we propose unsupervised colour constancy to mitigate the effects of variable ambient lighting conditions. In the third step, colour space and texture features are extracted to estimate SOM. We compare our proposed method with the state-of-the-art methods of estimating SOM from digital images. We also performed an ablation study to compare the results of the different methods with and without the addition of the colour constancy block. With the developed methodology, our bare soil segmentation model achieves a mean intersection over union value of 0.8134. Similarly, with the colour constancy methods applied on bare soil segmented images, our proposed method improves the R2 score by more than 30% with respect to the state-of-the-art.
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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».