Current and next-year cranberry yields predicted from local features and carryover effects
Notice bibliographique
Résumé
Wisconsin and Quebec are the world leading cranberry-producing regions. Cranberries are grown in acidic, naturally low-fertility sandy beds. Cranberry fertilization is guided by general soil and tissue nutrient tests in addition to yield target and vegetative biomass. However, other factors such as cultivar, location, and carbon and nutrient storage impact cranberry nutrition and yield. The objective of this study was to customize nutrient diagnosis and fertilizer recommendation at local scale and for next-year cranberry production after accounting for local factors and carbon and nutrient carryover effects. We collected 1768 observations from on-farm surveys and fertilizer trials in Quebec and Wisconsin to elaborate a machine learning model using minimum datasets. We tested carryover effects in a 5-year Quebec fertilizer experiment established on permanent plots. Micronutrients contributed more than macronutrients to variation in tissue compositions. Random Forest model related accurately current-year berry yield to location, cultivars, climatic indices, fertilization, and tissue and soil tests as features (classification accuracy of 0.83). Comparing compositions of defective and successful tissue compositions in the Euclidean space of tissue compositions, the general across-factor diagnosis differed from the local factor-specific diagnosis. Nutrient standards elaborated in one region could hardly be transposed to another and, within the same region, from one bed to another due to site-specific characteristics. Next-year yield and nutrient adjustment could be predicted accurately from current-year yield and tissue composition and other features, with R2 value of 0.73 in regression mode and classification accuracy of 0.85. Compositional and machine learning methods proved to be effective to customize nutrient diagnosis and predict site-specific measures for nutrient management of cranberry stands. This study emphasized the need to acquire large experimental and observational datasets to capture the numerous factor combinations impacting current and next-year cranberry yields 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 | 0,000 |
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 ».