Calibrated Uncertainty Estimation for Soil Organic Carbon from Raman Spectra
Notice bibliographique
Résumé
Machine learning (ML) is a powerful tool for inferring chemometric properties from Raman spectra, expanding the information extractable from high-dimensional spectral data. A growing application is the estimation of soil organic carbon (SOC), where ML models relate overlapping Raman and fluorescence features to chemical composition. However, these models typically lack calibrated, prediction-level uncertainty estimates that limit their utility in decision-critical contexts. We present a framework for quantifying predictive uncertainty in SOC estimation from Raman spectra using Shifted Excitation Raman Difference Spectroscopy (SERDS). The approach employs conformal prediction (CP) to generate statistically valid prediction intervals using a held-out calibration data set and is compatible with a variety of uncertainty quantification (UQ) methods. To our knowledge, this is the first unified framework that integrates conformal calibration with multiple UQ strategies for Raman-based SOC estimation, addressing both aleatoric (irreducible) and epistemic (reducible) sources of uncertainty in a field-relevant setting. We assess the framework across several regression models, including Deep Ensembles, Bayesian neural networks, Monte Carlo Dropout, quantile regression, and heteroscedastic Gaussian models. All methods, when conformalized, produced well-calibrated uncertainty estimates with narrow prediction intervals, achieving reliable empirical coverage across confidence levels. Ablation studies revealed that many UQ techniques were poorly calibrated without conformalization. Our findings indicate that uncertainty in this task is predominantly aleatoric in nature, suggesting that improvements in predictive performance will depend more on improving spectral quality and preprocessing than on model complexity. This framework provides a practical, generalizable solution for generating trustworthy, calibrated, sample-specific uncertainty estimates in Raman-based chemometric analyses.
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 | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».