Optimizing image-based soil organic matter prediction: Effects of illumination type and intensity
Notice bibliographique
Résumé
• Device-specific illumination thresholds revolutionize digital soil color measurement accuracy. • CIE La*b* and CIE Lu*v* color spaces outperform RGB features in soil organic matter prediction. • Smartphones achieve optimal performance at 300–500 lux, digital cameras at 400–600 lux. • Warm lighting provides superior stability compared to natural light at moderate intensities. • Random Forest models excel in calibration while SVM models show stronger validation performance. Image-based soil organic matter (SOM) prediction has emerged as a promising approach for rapid soil assessment, but illumination variations significantly impact measurement reliability. This study provides a comprehensive analysis of illumination effects on soil color measurements and develops an optimized framework for image acquisition across different devices and lighting conditions. Soil samples ( n = 500) collected from southern Ontario, Canada were imaged under six illumination levels (100–900 lux) using both natural daylight (> 5000 k), representing cool lighting condition, and warm lighting (2700–3000 K) to simulate typical indoor condition. Images were captured using a smartphone (iPhone 14 Pro) and digital camera (Sony α7 III), with systematic evaluation of color feature stability and prediction accuracy. Mixed-model analysis revealed device-specific optimal illumination ranges for effective image feature extraction, with smartphones performing best between 300–500 lux (RMSE=0.232, CCC=0.892) and digital cameras maintaining stability up to 600 lux (RMSE=0.173, CCC=0.931). Color features from opponent-based color spaces (CIE La*b* and CIE Lu*v*) demonstrated superior stability and consistency compared to those from additive color spaces (RGB and HSV), which encode color through separate channels rather that perceptual opponent relationship. Warm lighting provided more consistent results at lower illumination levels, while natural lighting showed greater stability at higher intensities. Random Forest machine learning models achieved optimal performance under moderate illumination levels (400–500 lux) for both devices. The findings establish quantitative relationships between illumination parameters and prediction accuracy, advancing the development of reliable image-based soil analysis methods by addressing critical gaps in illumination control and feature stability.
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 | 0,001 |
| 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 ».