Rapid Assessment of Soil Nutrient-Related Environmental Risks and Safety Using Near Infrared Spectroscopy and Machine Learning
Notice bibliographique
Résumé
Presented work aimed to improve near infrared spectroscopic (NIRS) prediction models for rapid and simultaneous estimation of N, P, K, pH, Mg, and Ca contents in agricultural soils.We compared partial least square regression (PLSR) and support vector machine (SVM) approaches applied to multiplicative scatter correction (MSC) corrected spectral data.The results demonstrated that grid search optimized radial basis function (RBF) kernel SVM models consistently outperformed PLSR models for all soil nutrients analyzed.The SVM models achieved excellent predictive performance, with coefficient of determination (R 2 ) and ratio of prediction to deviation (RPD) values from external prediction datasets as follows: N (R 2 = 0.83, RPD = 2.80), P (R 2 = 0.96, RPD = 4.33), K (R 2 = 0.91, RPD = 3.00), pH (R 2 = 0.96, RPD = 2.89), Mg (R 2 = 0.98, RPD = 4.34), and Ca (R 2 = 0.99, RPD = 4.99).These results indicate good to excellent predictive performance for simultaneous estimation of agricultural soil nutrients using optimized SVM-based NIRS models.This novel approach offers a rapid, non-destructive method with significant potential for improving precision agriculture and environmental monitoring by enhancing soil quality assessment.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».