Determination of soil texture using laser-induced breakdown spectroscopy and partial least squares regression
Notice bibliographique
Résumé
Soil texture is an important agricultural characteristic that drives effective crop production and field management. Laser-induced breakdown spectroscopy (LIBS) has been proposed to determine soil texture. LIBS has fewer sample preparation requirements compared with laboratory methods and has become a promising technology in soil analysis. However, the particle size of soil components affects LIBS signals, which leads to variations in LIBS emission lines. Current research indicates that LIBS can underperform in estimation uncertainties of soil texture proportions compared to some laboratory methods, such as the pipette method. To enhance LIBS effectiveness for soil texture analysis, we propose the implementation of the following strategies: 1) focusing on the collection of emissions lines from a shorter wavelength region [190 nm, 300 nm] with a high-resolution spectrometer (0.01 nm); 2) selection of the most important emission lines using partial least square coefficients. These strategies were found to reduce the spectral dimension and improve estimation performance. To highlight the efficiency and accuracy of our method, we use our experimental data to compare with literature methods that explore the full LIBS spectra and analyze spectral peaks separately. Employing repeated k-fold cross-validation to evaluate the root mean square error (RMSE) and coefficient of determination (${\mathrm {R}}^{2}$), we find that the literature methods using full spectrum and spectral area yield an average ${\mathrm {R}}^{2}$ of 0.76, RMSE $1.25 \%$, and ${\mathrm {R}} ^{\wedge} 20.79$, RMSE $1.16 \%$ respectively. In contrast, the proposed method achieves an average ${\mathrm {R}}^{2}$ of 0.97 and RMSE of $0.37 \%$ for soil textures. These results demonstrate that the soil texture can be accurately estimated with LIBS using the proposed method, thereby revealing the potential of LIBS in real-world applications for soil texture analysis.
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 | 0,000 |
| 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 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 ».