Evaluating performance of miniaturized spectrometers in predicting soil properties using multivariate statistical analysis
Notice bibliographique
Résumé
Despite the increasing use of portable, low-cost spectrometers in estimating soil properties, there is lack of documentation regarding the factors contributing to the lower performance of these spectrometers when compared to conventional ones. This study investigates potential factors influencing performance of the Nanoquest, a low-cost spectrometer, in estimating soil organic carbon (SOC) and total nitrogen (TN). To conduct the study, five different models (cubist, partial least squares regression, support vector machines, random forest, and generalised boosted models) were tested for the estimation SOC and TN and a fivefold cross-validation analysis was conducted for model hyperparameter optimization. The Nanoquest achieved a Lin’s concordance correlation coefficient (CCC) value of 0.84 and an R 2 value of 0.74 for SOC. For TN, CCC values of 0.86 and an R 2 value of 0.78 were obtained. To understand the impact of the spectral range and spectral resolution on SOC and TN estimation, the ASD spectra were digitally resampled to match the Nanoquest spectral range and resolution. This resampling resulted in a slight decrease in model performance for the spectral range and a more pronounced decrease for the spectral resolution.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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 ».