Multi-Factor Diagnostic and Recommendation System for Boron in Neutral and Acidic Soils
Notice bibliographique
Résumé
Despite its inconveniences, the most recognized method to extract boron from soils is that of hot water extraction (BHW), which is used for diagnostics and recommendations. However, the Mehlich-3 (M3) method is widely used to extract and diagnose several elements at once (P, K, Ca, Mg, Al, B, Cu, Zn, Fe, and Mn) and is well adapted to routine analyses. The objective of our study was to develop a soil diagnostic and recommendation system for boron as a function of measured BM3 (and other interacting elements), crop type, and spreading methods. This system is based on three databases from either the international literature or the chemical characterization of acidic-to-neutral soils typical from Québec (Canada). The first database came from the characterization of 365 samples typical of Québec soils; it has been used to predict, by the AutoML (Automatic Machine Learnig) supervised learning algorithm, BM3 as a function of a set of parameters from the following: BHW, pHW, organic carbon (OC), CaM3, KM3, and MgM3. Depending on the parameters used, the R2 between the measured and observed BM3 varied from 0.36 to 0.99. This database allowed us to define two classifications for soil boron diagnostics and fertility evaluation. The Cate–Nelson analysis for these two models allowed us to define three boron fertility classes: Low, medium and high; that is 0.00–0.23, 0.23–0.58, and 0.58–3.70 mg B kg−1, respectively, for BHW, and 0.00–0.65, 0.65–1.03, and 1.03–12.70 mg B kg−1, respectively, for BM3. The third database was extracted from 130 yield responses to increasing levels of boron; it was used to define a recommendation model for boron, based on AutoML, as a function of BM3, pHW, the crop boron requirement (medium, high), and the type of spreading (broadcast, sidedress, foliar spraying). This model resulted in an R2 of 0.63.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».