Evaluating the Soil Quality Index Using Three Methods to Assess Soil Fertility
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
Soil health plays a crucial role in crop production, both in terms of quality and quantity, highlighting the importance of effective methods for preserving soil quality to ensure global food security. Soil quality indices (SQIs) have been widely utilized as comprehensive measures of soil function by integrating multiple physical, chemical, and biological soil properties. Traditional SQI analysis involves laborious and costly laboratory analyses, which limits its practicality. To overcome this limitation, our study explores the use of visible near-infrared (vis-NIR) spectroscopy as a rapid and non-destructive alternative for predicting soil properties and SQIs. This study specifically focused on seven soil indicators that contribute to soil fertility, including pH, organic matter (OM), potassium (K), calcium (Ca), magnesium (Mg), available phosphorous (P), and total nitrogen (TN). These properties play key roles in nutrient availability, pH regulation, and soil structure, influencing soil fertility and overall soil health. By utilizing vis-NIR spectroscopy, we were able to accurately predict the soil indicators with good accuracy using the Cubist model (R2 = 0.35–0.93), offering a cost-effective and environmentally friendly alternative to traditional laboratory analyses. Using the seven soil indicators, we looked at three different approaches for calculating and predicting the SQI, including: (1) measured SQI (SQI_m), which is derived from laboratory-measured soil properties; (2) predicted SQI (SQI_p), which is calculated using predicted soil properties from spectral data; and (3) direct prediction of SQI (SQI_dp), The findings demonstrated that SQI_dp exhibited a higher accuracy (R2 = 0.90) in predicting soil quality compared to SQI_p (R2 = 0.23).
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 | 0,004 | 0,001 |
| 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 | 0,000 | 0,000 |
| 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