Challenges in Using Precision Agriculture to Optimize Symbiotic Nitrogen Fixation in Legumes: Progress, Limitations, and Future Improvements Needed in Diagnostic Testing
Notice bibliographique
Résumé
Precision agriculture (PA) has been used for ≥25 years to optimize inputs, maximize profit, and minimize negative environmental impacts. Legumes play an important role in cropping systems, by associating with rhizobia microbes that convert plant-unavailable atmospheric nitrogen into usable nitrogen through symbiotic nitrogen fixation (SNF). However, there can be field-level spatial variability for SNF activity, as well as underlying soil factors that influence SNF (e.g., macro/micronutrients, pH, and rhizobia). There is a need for PA tools that can diagnose spatial variability in SNF activity, as well as the relevant environmental factors that influence SNF. Little information is available in the literature concerning the potential of PA to diagnose/optimize SNF. Here, we critically analyze SNF/soil diagnostic methods that hold promise as PA tools in the short–medium term. We also review the challenges facing additional diagnostics currently used for research, and describe the innovations needed to move them forward as PA tools. Our analysis suggests that the nitrogen difference method, isotope methods, and proximal and remote sensing techniques hold promise for diagnosing field-level variability in SNF. With respect to soil diagnostics, soil sensors and remote sensing techniques for nitrogen, phosphorus, pH, and salinity have short–medium term potential to optimize legume SNF under field conditions.
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 | 0,031 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».