Conditioning Machine Learning Models to Adjust Lowbush Blueberry Crop Management to the Local Agroecosystem
Notice bibliographique
Résumé
Agroecosystem conditions limit the productivity of lowbush blueberry. Our objectives were to investigate the effects on berry yield of agroecosystem and crop management variables, then to develop a recommendation system to adjust nutrient and soil management of lowbush blueberry to given local meteorological conditions. We collected 1504 observations from N-P-K fertilizer trials conducted in Quebec, Canada. The data set, that comprised soil, tissue, and meteorological data, was processed by Bayesian mixed models, machine learning, compositional data analysis, and Markov chains. Our investigative statistical models showed that meteorological indices had the greatest impact on yield. High mean temperature at flower bud opening and after fruit maturation, and total precipitation at flowering stage showed positive effects. Low mean temperature and low total precipitation before bud opening, at flowering, and by fruit maturity, as well as number of freezing days (<−5 °C) before flower bud opening, showed negative effects. Soil and tissue tests, and N-P-K fertilization showed smaller effects. Gaussian processes predicted yields from historical weather data, soil test, fertilizer dosage, and tissue test with a root-mean-square-error of 1447 kg ha−1. An in-house Markov chain algorithm optimized yields modelled by Gaussian processes from tissue test, soil test, and fertilizer dosage as conditioned to specified historical meteorological features, potentially increasing yield by a median factor of 1.5. Machine learning, compositional data analysis, and Markov chains allowed customizing nutrient management of lowbush blueberry at local scale.
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 | 0,001 |
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 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 ».