Prediction and monitoring of soil pH using field reflectance spectroscopy and time-series Sentinel-2 remote sensing imagery
Notice bibliographique
Résumé
Soil pH is an important property that is widely used in soil and environmental sciences. Remote sensing imagery could significantly improve the prediction efficiency and has the advantage of periodic monitoring. To investigate and monitor soil pH efficiently, time-series Sentinel-2 remote sensing imagery was used for predicting and monitoring of soil pH. The study area selected was Qian’an County, Jilin Province, China. A total of 141 soil samples were collected, and their reflectance spectra were measured in situ. Time-series Sentinel-2 images were acquired for 2022 to 2024. The field reflectance spectra were used to develop a prediction model and examine the sensitivity of the prediction to the spectral sampling interval. Genetic algorithm (GA) and partial least squares regression (PLSR) were adopted for model calibration using the full spectral range of the field reflectance spectra, and multiple linear regression (MLR) was adopted to calibrate the prediction model using multispectral datasets. In prediction of soil pH using the full spectral range, root mean square error (RMSE) and coefficient of determination (R 2 ) values are 0.29 and 0.87. In the prediction using multispectral datasets, the optimal RMSE and R 2 values were 0.45 and 0.70 for the prediction using identified important spectral bands of the field reflectance spectra and 0.45 and 0.69 for the prediction using simulated Sentinel-2 spectra. A six-band prediction model developed using simulated Sentinel-2 spectra was selected to predict and monitor soil pH using time-series Sentinel-2 remote sensing images. The generated pH maps depicted the spatial distribution of soil pH, and the predicted values were comparable to those obtained by chemical analysis in the variation range. Spatial variations in soil pH from 2022 to 2024 were revealed with pH maps generated from time-series remote sensing images. This study provides an alternative for the rapid prediction and monitoring of soil pH using Sentinel-2 remote sensing imagery. • Important spectral bands for the prediction of soil pH remain relatively stable. • The sensitivity of soil pH prediction to spectral sampling interval is moderate. • Sentinel-2 remote sensing imagery can be used for predicting soil pH. • Short-wave infrared spectral bands help improve the prediction of soil pH. • Time-series Sentinel-2 images achieve the monitoring of soil pH over time.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».