Vor Ort
Merkzettel Warenkorb
Produktbild: Soil Spectral Analysis in R
Vorbesteller Neu

Soil Spectral Analysis in R

163,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

30.10.2026

Herausgeber

N. K. Sinha + weitere

Verlag

New India Publishing Agency

Seitenzahl

204

Maße (L/B)

22,9/15,2 cm

Gewicht

450 g

Sprache

Englisch

ISBN

978-93-7219-108-0

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

30.10.2026

Herausgeber

Verlag

New India Publishing Agency

Seitenzahl

204

Maße (L/B)

22,9/15,2 cm

Gewicht

450 g

Sprache

Englisch

ISBN

978-93-7219-108-0

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: gpsr@libri.de

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
  • Produktbild: Soil Spectral Analysis in R

    • Preface
    • Chapter 1. Introduction to R
    • 1.1. Download and Install R
    • 1.2. Download and Install R Studio
    • 1.3. Updating R
    • 1.4. R Packages
    • 1.5. Setting up working directory
    • Chapter 2. Data Handling in R
    • 2.1. Primary spectral data Processing
    • 2.2. Importing Data in R
    • 2.3. Viewing Imported Data
    • 2.4. Importing Microsoft Office Excel Files
    • 2.5. Creating a Data Frame in R
    • 2.6. Exporting Data
    • 2.7. Data Manipulation
    • 2.8. Prepare data for spectral modeling
    • Chapter 3. Spectral Data Pre-Processing
    • 3.1. Wavelet Transform
    • 3.2. Fractional derivative
    • 3.3. Moving Average Smoothing of Spectra
    • 3.4. Savitzky-Golay filter
    • 3.5. Transformation to 1st, 2nd derivatives
    • 3.6. Plotting reflectance spectra
    • Chapter 4. Spectral Data Modeling
    • 4.1. Data set generation for modelling
    • 4.2. Parttion of Data into calibration and validation of data sets
    • 4.3. Cross-validation
    • 4.4. PLSR Model fit for spectral data and soil properties
    • 4.5. Visualization, Prediction and Presentation of models for interpretation
    • Chapter 5. Spectral Data Modelling with other Machine Learning Algorithms
    • 5.1 Principal Component Regression (PCR)
    • 5.2. Support Vector Machine (SVM)
    • 5.3 Random Forest: RF
    • 5.4 Quantile Regression Forests (QRF)
    • 5.5 Extreme Gradient Boosting (XGBoost)
    • 5.6. Least Absolute Shrinkage and Selection Operator (LASSO)
    • 5.7. RIDGERegression
    • 5.8. Elastic Net (EN)
    • 5.9. K-Nearest Neighbors (KNN)
    • 5.10. Model performance comparision with Taylor Diagram
    • References