Evaluation of two miniaturized FT‐NIR spectrometers for rapid soil property analysis
Notice bibliographique
Résumé
Abstract Utilizing reflectance spectroscopy to generate the necessary soil data to drive innovations in precision agriculture and soil management is an increasing focus of agronomic research. One of the key limitations for widespread practical adoption of reflectance spectroscopy is hardware cost, and lower cost hardware is actively being developed. This study evaluated two inexpensive nano Fourier‐transform near infrared spectrometers in the laboratory. One was a laboratory‐based analyzer (LabFlow) and the second was a field portable analyzer (Field Probe). Soil spectra were collected in the shortwave infrared range and processed using wavelet transforms and machine learning models. The optimal wavelet transforms and machine learning model were selected using cross validation on the training dataset, and performance of the optimal model was evaluated using an independent testing dataset. The Field Probe configuration total nitrogen model had the best performance when compared to the LabFlow laboratory analyzer with an R 2 of 0.91, a concordance correlation coefficient of 0.95, and an root mean square error of 0.03. Soil inorganic carbon did not perform as well with an R 2 of 0.65. However, performance was likely limited by a large number of low values and a limited range in the training dataset. Overall, these results highlight the potential for lower cost spectrometers to provide useful soil data for soil management applications.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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) | 0,001 | 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 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 ».