Using multivariate adaptive regression splines (MARS) to identify relationships between soil and corn (<i>Zea mays</i> L.) production properties
Notice bibliographique
Résumé
Over-application of agricultural fertilizers can contribute to degradation of surface water quality. Factors governing crop establishment and yield must be identified in order to efficiently manage N application rates in corn (Zea mays L.) production systems. Spatial data sets of corn establishment and grain yields, and soil physical and chemical parameters were obtained for two corn production systems on a poorly drained clay loam soil in eastern Ontario, Canada, during low yielding conditions in 2000. The multivariate adaptive regression splines (MARS) automated regression data mining method was used to determine the dominant factors affecting both crop establishment and yield from these data sets. The analysis using MARS suggests that soil water content and cone penetration resistance are more important than elevation and spring mineral soil N (NH 4 + + NO 3 − ) in predicting crop establishment and grain yield. The MARS approach proved to be a useful method for identifying relationships between potential yield-governing variables. It also helped elucidate potential cause and effect processes, and in so doing, helped identify areas within the field where soil physical parameters may have been more important than nutrients in governing corn yield. Key words: Mulitvariate adaptive regression splines, corn yield, cone penetration resistance, soil water content, soil N, topography
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».