Dual Image-Based Deep Learning System for Predicting Soil Texture and Soil Organic Matter Content
Notice bibliographique
Résumé
Soil texture, a key factor in soil health and agricultural productivity, has traditionally been measured using time-consuming laboratory methods. This study takes a novel approach by exploring the prediction of soil texture and soil organic matter (SOM) using an innovative image-based data fusion technique. This method, which combines images captured at two different spatial scales: 8.85 um per pixel and 0.70 um per pixel, was implemented in a low-cost prototype that incorporates a camera and a microscope, both controlled through a Raspberry Pi 4 board. The detailed images of soil samples captured by this system were used as inputs for models derived from the ConvNeXt architecture, a robust convolutional neural network (CNN) for image processing.The Insitut de Recherche et de Development en Agroenvironnement (IRDA), a respected institution in the field, carefully selected these samples to represent Quebec’s agricultural soils, encompassing a wide range of physical properties. 793 samples from 272 sites and 68 soil series were included, with texture and SOM measurements performed using the hydrometer method and loss on ignition, respectively. A cross-validation technique was employed to ensure robust model evaluation, approximating the expected performance and stability of the models. The results of this study confirm the robustness of the model, with the combination of camera and microscope images significantly enhancing prediction performance, particularly for sand and silt fractions. The best-performing model achieved RMSE values of 8.36% for sand, 5.77% for silt, 6.04% for clay, and 1.53% for SOM. Furthermore, the study suggests that different spatial scales and image resolutions are critical factors influencing model performance, thereby, opening new avenues for future research. This study validates the potential of an image-based approach as a soil texture and SOM measurement method. It highlights the benefits that data fusion of information at different spatial scales can have in enhancing model performance and robustness
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».