How Spectrally Nearby Samples Influence the Inversion of Soil Heavy Metal Copper
Notice bibliographique
Résumé
Monitoring soil heavy metal contamination in urban land to protect human health requires rapid and low-cost methods. Visible and infrared (vis-NIR) spectroscopy shows strong promise for monitoring metals such as copper (Cu). However, an important question is how “spectrally nearby” samples influence Cu estimation models. This study investigates that issue in depth. We collected 250 soil samples from Shenzhen City, China (the world’s tenth-largest city). During building the model, we selected spectrally nearby samples for each validation sample, varying the number of neighbors from 20 to 200 by adding one sample at a time. Results show that, compared with the traditional method, incorporating nearby samples substantially improved Cu prediction: the coefficient of determination in prediction (Rp2) increased from 0.75 to 0.92, and the root mean square error of prediction (RMSEP) decreased from 8.56 to 4.50 mg·kg−1. The optimal number of nearby samples was 125, representing 62.25% of the dataset. And the performance followed an L-shape curve as the number of neighbors increased—rapid improvement at first, then stabilization. We conclude that using spectrally nearby samples is an effective way to improve vis-NIR Cu estimation models. The optimal number of neighbors should balance model accuracy, robustness, and complexity.
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 | 0,000 |
| 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) | 0,000 | 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 ».