Reconstructing soil acidity neutralization curves using Machine learning and chemical or spectral soil signatures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Machine learning accurately reconstructs full soil titration curves using Ca(OH) 2 and standard soil inputs. • Models achieve R 2 > 0.92 and RMSE < 0.21 pH units, ensuring precision across soil types. • Dynamic lime prescriptions are derived from fitted titration curves and allow target-specific flexibility. • Spectral (SSM) and hybrid (HM) models offer rapid, reagent-free, and scalable alternatives to SMP. • A tiered deployment strategy enables labs to adopt models based on existing analytical capacities. Soil acidity management often relies on lime recommendation methods that are imprecise, time-consuming, or involve hazardous reagents like the SMP buffer solution. This study introduces an alternative approach by developing and evaluating machine learning (ML) models to predict the change in soil pH (ΔpH) following incremental applications of hydrated lime (Ca(OH) 2 ). A total of 418 soil samples from Eastern North America were analyzed for their chemical properties, mid-infrared (MIR) spectral signatures, and complete titration curves obtained through acid-base neutralization. Three ML models were tested: a Chemical Signature Model (CSM) based on routine soil analyses, a Spectral Signature Model (SSM) relying solely on MIR spectra, and a Hybrid Model (HM) combining both data sources. All models demonstrated high accuracy, achieving R 2 values above 92 % and RMSE values below 0.21 pH units. The HM achieved the highest performance (R 2 = 94 %, RMSE = 0.18), closely followed by the SSM, indicating the practical equivalence of the two approaches since converting ΔpH curves into absolute pH curves always requires the initial soil pH. SHapley Additive exPlanations ( SHAP) values were used to interpret variable importance in each model. In the CSM, lime dose and initial pH were dominant predictors, followed by organic matter, Mehlich-3 extractable Ca (Ca M3 ), and Al (Al M3 ). In the SSM and HM models, specific MIR spectral regions corresponding to hydroxyl, carboxylic, silicate, and organo-mineral functional groups were highly informative, confirming consistency with known soil chemistry principles. These findings enable the automated reconstruction of titration curves, paving the way for dynamic, accurate, and safe lime recommendation systems tailored to laboratory capabilities: CSM for immediate implementation and SSM or HM for laboratories adopting MIR spectroscopy. This approach aligns with precision agriculture principles, supporting sustainable and site-specific management of soil acidity.
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.
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 découle