Deep metric learning for soil organic matter prediction: A novel similarity-based approach using smartphone-captured images
Notice bibliographique
Résumé
The accurate assessment of soil organic matter (SOM) is crucial for sustainable agriculture, yet traditional methods remain time-consuming and costly. While smartphone-based digital imaging offers a promising alternative, current approaches face limitations in prediction reliability and generalization capability. This study introduces a novel similarity-based deep learning framework for SOM prediction using smartphone-captured soil images, fundamentally shifting from traditional regression-based methods to a metric learning paradigm. We developed an enhanced image acquisition system and implemented a Triplet Loss network architecture that learns to embed soil images in a semantic space where similarity relationships correlate with SOM content. The system incorporates adaptive image quality assessment and enhancement using the Blind/Referenceless Image Spatial Quality Evaluator and super-resolution techniques. Experimental validation using 500 soil samples from Southern Ontario demonstrated superior performance of our similarity-based approach (validation RMSE = 0.17) compared to traditional regression methods (validation RMSE = 0.51 for Random Forest). The model maintained consistent performance across different soil textures (RMSE variation < 0.05 between texture classes) and environmental conditions (temperature 20–30 °C, humidity 45–75 % RH). The complete analysis pipeline makes the system practical for field applications. Our approach addresses critical challenges in digital soil analysis by providing rapid, reliable, and accessible SOM assessment, contributing to improved soil monitoring and management practices in precision agriculture. These findings demonstrate the potential of similarity-based learning for advancing digital soil sensing technologies and supporting sustainable agricultural practices.
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 ».