Soil organic carbon measurements influence FT‐NIR model training in calcareous soils of Saskatchewan
Notice bibliographique
Résumé
Abstract This study compares acid digestion and temperature ramping methods for obtaining soil organic carbon (SOC) reference data to train Fourier transform near infrared (FT‐NIR) models in carbonate‐rich Saskatchewan agricultural soils. FT‐NIR spectra were measured on soil samples ( n = 431) from carbonate‐rich Dark Brown Chernozem soil, with quantification of inorganic and organic carbon. Spectra were transformed using continuous wavelet transform and analyzed using cubist regression tree models. Models were built using a 70:30 train test split validation approach. Spectral feature selection, wavelet scale, and model and hyperparameter optimization were conducted using fivefold cross‐validation analysis on the training dataset. All validation metrics were calculated using the testing dataset. The temperature ramping method identified outliers with soil inorganic carbon (SIC) greater than 1.5%, which were not detected using the acid digestion method. SOC and SIC prediction accuracy was higher using temperature ramping data (coefficient of determination: R 2 = 0.66 and 0.63, Lin's concordance: ccc = 0.78 and 0.77) compared to acid digestion data ( R 2 = 0.44 and 0.42, ccc = 0.64 and 0.62). Total carbon (TC) prediction accuracy was similar for both methods ( R 2 = 0.58, ccc = 0.71). Removing samples with high carbonate (SIC > 1.5%) improved SOC and TC prediction accuracy using temperature ramping data ( R 2 = 0.70, ccc = 0.81 for SOC; R 2 = 0.64, ccc = 0.75 for TC) but not when using acid digestion method. This study suggests that high carbonate content may negatively affects SOC model accuracy, especially when relying upon acid digestion methods for reference SOC data.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».