Balance design for robust foliar nutrient diagnosis of “Prata” banana (Musa spp.)
Notice bibliographique
Résumé
Abstract The “Cavendish” and “Prata” subgroups represent respectively 47% and 24% of the world banana production. Compared to world average progressing from 10.6 to 20.6 t ha−1between 1961 and 2016, and despite sustained domestic demand and the introduction of new cultivars, banana yield in Brazil has stagnated around 14.5 t ha−1mainly due to nutrient and water mismanagement. “Prata” is now the dominant subgroup in N-E Brazil and is fertigated at high costs. Nutrient balances computed as isometric log-ratios (ilr) provide a comprehensive understanding of nutrient relationships in the diagnostic leaf at high yield level by combining raw concentration data. Although the most appropriate method for multivariate analysis of compositional balances may be less efficient due to non-normal data distribution and limited nutrient mobility in the plant, robustness of the nutrient balance approach could be improved using Box-Cox exponents assigned to raw foliar concentrations. Our objective was to evaluate the accuracy of nutrient balances to diagnose fertigated “Prata” orchards. The dataset comprised 609 observations on fruit yields and leaf tissue compositions collected from 2010 to 2016 in Ceará state, N-E Brazil. Raw nutrient concentration ranges were ineffective as diagnostic tool due to considerable overlapping of concentration ranges for low- and high-yielding subpopulations at cutoff yield of 40 Mg ha−1. Nutrient concentrations were combined into isometric log-ratios (ilr) and normalized by Box-Cox corrections between 0 and 1 which may also account for restricted nutrient transfer from leaf to fruit. Despite reducedilrskewness, Box-Cox coefficients did not improve model robustness measured as the accuracy of the Cate-Nelson partition between yield and the multivariate distance acrossilrvalues. Sensitivity was 94%, indicating that low yields are attributable primarily to nutrient imbalance. There were 148 false-positive specimens (high yield despite nutrient imbalance) likely due to suboptimal nutrition, contamination, or luxury consumption. The profitability of “Prata” orchards could be enhanced by rebalancing nutrients usingilrstandards with no need for Box-Cox correction.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,005 | 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 ».