MétaCan
Menu
Retour à la cohorte
Enregistrement W4404999015 · doi:10.1111/sum.13147

Is the estimation of soil organic carbon using the colour space model, based on visible spectroscopy range, a reliable approach?

2024· article· en· W4404999015 sur OpenAlexaff
James Kobina Mensah Biney, Jakub Houška, Nasem Badreldin

Notice bibliographique

RevueSoil Use and Management · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil Geostatistics and Mapping
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésNear-infrared spectroscopySpectroscopySoil carbonRandom forestRemote sensingRange (aeronautics)PreprocessorSoil testDiffuse reflectance infrared fourier transformEnvironmental scienceSoil scienceMathematicsArtificial intelligenceComputer scienceChemistryMaterials scienceSoil waterGeologyOptics

Résumé

récupéré en direct d'OpenAlex

Abstract Traditionally, soil colour attributes have been determined using the Munsell Colour Chart (MCC). However, the lack of standardization with this method has made it more difficult to assess soil properties, particularly soil organic carbon (SOC). In contrast, reflectance spectroscopy (RS) across the visible (Vis, 400–800 nm), near‐infrared (NIR, 800–2500 nm) and Vis–NIR (350–2500 nm) spectral regions has been recognized as a more reliable approach for predicting SOC. As a result, soil scientists have increasingly adopted RS to obtain soil colour parameters, addressing the limitations of the MCC. However, because RS techniques for soil colour analysis is typically limited to the VIS range, key information from the NIR and Vis–NIR regions are often neglected or eliminated. This study examined the effectiveness of the VIS‐based colour approach in estimating SOC compared with spectroscopy in the VIS, NIR and Vis–NIR ranges. Fifteen soil colour parameters were derived from the VIS spectrum, and 12 colour indices were calculated from these parameters. Three multivariate models such as random forest (RF), Cubist and support vector machine regression (SVMR) were used for prediction, along with various preprocessing algorithms to remove artefacts. The results indicated that, compared with VIS spectroscopy ( R 2 = .54) and the VIS‐based colour method ( R 2 = .45), the pre‐processed Vis–NIR data produced the most accurate results ( R 2 = .72). This suggests that the VIS range alone lacks adequate information, likely affecting the accuracy of the VIS‐based colour dataset, as it is derived solely from this region. Although the introduction of colour indices slightly improved the VIS‐based colour approach ( R 2 = .47), the results were still less accurate than those obtained using both the Vis–NIR and NIR spectroscopy ranges or even the VIS range alone ( R 2 = .54). The findings of this study highlight the need for caution when using VIS‐based colour methods for SOC estimation, as high SOC levels information is not necessarily restricted to the VIS region.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,190
Score d'incertitude au seuil0,274

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,238
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSoil Use and ManagementMême sujetSoil Geostatistics and MappingTravaux en français237 207