Calibrating lab and field reflectance spectra for nutrient estimation in potato plants using local support vector regression models
Notice bibliographique
Résumé
This study presents a methodology based on multiple local support vector regression (SVR) to calibrate the spectra taken in the field in relative to lab-derived spectra. Laboratory based foliar spectral measurement is a common method to provide lab-derived spectra as a service where a grower sends sample leaves collected manually. The drawback of this method is being time-consuming when the samples are collected and analyzed. In contrast, in-field spectral measurements can be an alternative method capable of providing immediate readings. While both methods work based on the same priniciple, the insturmental differences as well as the conditional difference under which the instruments operate may cause differences in the spectral patterns of the same target. In this work, after developing the calibration method, we validated it by estimating NPK measurements in potato plants using in-field, lab, and field calibrated spectral measurements over two testing modes: dried and fresh. The results showed that the calibration using SVR models could minimize the percentage relative error (PRE) between lab and field spectra within the visible range by considering the influence of the neighboring wavebands up to 32 nm width which improved the alignment of the local maxima of the specral curves. Also, a substantial PRE reduction from 120 % to 20 % for some wavebands in the short-wave infrared (SWIR) region of the fresh mode was observed due to the influence of scaling within the SVR method. The calibration improved the alignment of NPK estimated values between lab and field calibrated spectra of both modes with an emphasis on its necessity to estimate nutrients in the fresh mode as the root mean square error was < 0.1 for the three elements.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».