Nutrient Diagnosis of Fertigated “Prata” and “Cavendish” Banana (Musa spp.) at Plot-Scale
Notice bibliographique
Résumé
Fertigation management of banana plantations at a plot scale is expanding rapidly in Brazil. To guide nutrient management at such a small scale, genetic, environmental and managerial features should be well understood. Machine learning and compositional data analysis (CoDa) methods can measure the effects of feature combinations on banana yield and rank nutrients in the order of their limitation. Our objectives are to review ML and CoDa models for application at regional and local scales, and to customize nutrient diagnoses of fertigated banana at the plot scale. We documented 940 "Prata" and "Cavendish" plot units for tissue and soil tests, environmental and managerial features, and fruit yield. A Neural Network informed by soil tests, tissue tests and other features was the most proficient learner (AUC up to 0.827). Tissue nutrients were shown to have the greatest impact on model accuracy. Regional nutrient standards were elaborated as centered log ratio means and standard deviations of high-yield and nutritionally balanced specimens. Plot-scale diagnosis was customized using the closest successful factor-specific tissue compositions identified by the smallest Euclidean distance from the diagnosed composition using centered or isometric log ratios. Nutrient imbalance differed between regional and plot-scale diagnoses, indicating the profound influence of local factors on plant nutrition. However, plot-scale diagnoses require large, reliable datasets to customize nutrient management using ML and CoDa models.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».