Predicting Nitrogen, Phosphorus, and Potassium Content in Dryland Agriculture Soils of Aceh Besar District Using NIRS Data Models
Notice bibliographique
Résumé
This research aims to develop a Near Infrared Reflectance Spectroscopy (NIRS) model to determine the content of macro nutrients in dry agricultural land.The macro nutrient content is needed by plants to grow ideally.Every plant requires large amounts of macro nutrients such as nitrogen (N), phosphorus (P), and potassium (K).NIR spectrum data were collected from 30 samples in the range of 400-1100 nm using the Nicolet-Antaris device.The dual spectrum techniques used were Standard Normal Variate (SNV) and Mean Normalization (MN).This pre-treatment is chosen based on its function and aims to reduce or eliminate noise in the resulting spectrum.The corrected spectrum pattern helps to reduce discrepancies between spectral bands.The fewer gaps in the spectrum, the more accurate the resulting model.Next, the Partial Least Squares (PLS) and Principal Component Regression (PCR) algorithms are used to form a validation model.This multivariate analysis was carried out using the Unscrambler X 10.3 software.Model reliability is assessed using a number of statistical measures: correlation coefficient (r), coefficient of determination (R 2 ), root mean square error (RMSE) and range of error ratio (RER).The best model was taken based on previous findings when applying PCR to the MN-normalized spectra which was superior in predicting nitrogen and potassium content, while the Phosphorus content was superior when applying PCR with the SNV normalized spectrum technique.These findings show that NIRS combined with chemometric can be used to predict the nutritional content of nitrogen, Phosphorus and potassium quickly and simultaneously.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».