Comparison of laser-induced breakdown spectroscopy, colour sensing, as well as visible, near-infrared, and mid-infrared spectroscopy to predict soil properties
Notice bibliographique
Résumé
• Seven different instruments to predict soil properties using the same samples were compared. • Soil properties included P, K, Ca, Mg, Al, buffer pH, pH, SOM, and CEC. • LIBS and Vis-NIR sensor systems produced results with relatively lower uncertainties. • Several prediction models, all for CEC, yielded relatively accurate predictions. • Neither instrument was able to overperform commercial labs for P, pH, Mg, and SOM. Seven spectroscopic instruments’ ability to predict nine soil chemical properties [ i.e. , extractable phosphorus (P), extractable potassium (K), calcium (Ca), magnesium (Mg), aluminum (Al), soil pH (pH), buffer pH (BpH), soil organic matter (SOM) and cation exchange capacity (CEC)] were assessed using a diverse set of 798 air-dried and compressed soil samples from Southern Quebec. The instruments varied in terms of spectral range and resolution [ e.g ., colour/visible (Vis), visible and near-infrared (Vis-NIR), mid-infrared (MIR), and laser-induced breakdown spectroscopy (LIBS)], complexity, and interaction with the target. The performance of these instruments was compared using relevant test statistics derived from partial least squares regression (PLSR) models, such as the root mean squared error of prediction (RMSE P ) and the coefficient of determination (R 2 ) for simple linear regressions between sensor measurements and soil test reference values. Analysis of the LIBS spectra produced the lowest RMSE P values for P, K, Mg, Ca, pH, BpH, and SOM, while two Vis-NIR instruments yielded prediction models with the lowest RMSE P for Al and CEC. Overall, prediction models were relatively accurate for Ca, Mg, Al, SOM, and CEC (R 2 = 0.70–0.81), and less certain for P, pH, BpH, and K (R 2 = 0.53–0.65).
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».