Predicting soil health properties across different agricultural land use systems using mid-infrared spectroscopy
Notice bibliographique
Résumé
Mid-infrared (MIR) - diffuse reflectance spectroscopy (DRS) combined with chemometrics offers a rapid, cost-effective approach for predicting soil properties, yet accuracy varies across soil attributes and validation methodologies. This study calibrated and validated partial least squares regression (PLSR) models for 30 soil health properties using MIR spectra (4000–600 cm−1) from 829 samples representing eight cropping systems in Nova Scotia, Canada. Models were assessed via two statistical techniques: an 80–20 random holdback split, and a leave group out cross validation (LGOCV) based on cropping system. Results demonstrated strong predictive performance for soil pH, total organic carbon, total nitrogen, aluminum, water stable aggregates, sand, and silt under both validation methods (RPIQ 2.2–3.7). Conversely, clay (averaged 12%) proved challenging to model. Labile nutrient fractions (ammonium, nitrate, total soluble nitrogen) and Mehlich-3 extractable nutrients (P2O5, K2O, sulfur, boron, copper, zinc) exhibited limited predictability (RPIQ < 2). Across all properties, validation method influenced accuracy, with the 80–20 split averaging 18.1% higher RPIQ for properties that outperformed LGOCV. The largest declines under LGOCV were for active carbon, respiration, ACE protein, cation exchange capacity, total base saturation, and available water content. Total organic carbon, total nitrogen, organic matter, sand, silt, and pH maintained strong predictive accuracy (RPIQ = 2.2–3.7) despite modest declines under LGOCV, while calcium, aluminum, and clay performed slightly better under LGOCV (RPIQ = 2.0–2.8). These findings highlight the risk of overestimating performance when cropping system heterogeneity is ignored and the value of group-based validation for assessing model robustness.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».