Estimation of soil organic matter in mollisols based on artificial intelligence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mollisols are a valuable natural resource, and their organic matter content can be used to evaluate soil fertility. Estimating and monitoring the soil organic matter (SOM) content of Mollisols is of great importance. This study employed an artificial intelligence method, based on deep neural networks (DNNs), to predict SOM content. In this method, relevant measurement values of soil nutrients, such as phosphorus, nitrogen and potassium, and the soil pH were used as input features for the model. A dataset comprising 2490 samples was used for model training and testing. These samples were obtained through soil sampling and experimental measurements. This study validated the model by setting different ratios of training and testing datasets, and the results indicated that the proposed method can estimate the SOM content with an accuracy of nearly 95%. Furthermore, the method developed in this study was compared with six traditional machine learning methods and exhibited higher accuracy. This model will serve as the basis for designing realtime non-destructive testing of SOM. • This study utilises AI model to accurately predict the soil organic matter content in Mollisols. • Soil nutrient measurements including phosphorus, nitrogen, potassium, and soil pH as input features of the AI model. • The research employed a dataset of 2490 samples by experimental measurements. • Comparison with seven traditional machine learning methods revealed that the DNNs-based model outperforms others in accuracy.
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.
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 | 0,000 |
| 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) | 0,002 | 0,001 |
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 découle