MétaCan
Menu
Retour à la cohorte
Enregistrement W3211605157 · doi:10.82308/32267

Development of a numeric on-line decision support system for crop fertilizer optimization

2018· article· en· W3211605157 sur OpenAlexfundaboutno aff
Sadanand Shinde

Notice bibliographique

RevueeScholarship@McGill (McGill) · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueCrop Yield and Soil Fertility
Établissements canadiensnon disponible
Organismes subventionnairesAgriculture and Agri-Food Canada
Mots-clésDecision support systemFertilizerCropComputer scienceAgricultural engineeringEngineeringAgronomyArtificial intelligenceBiology

Résumé

récupéré en direct d'OpenAlex

L'engrais est un intrant agricole important nécessaire pour atteindre des rendements élevés. La détermination d'un taux optimal d'application d'engrais implique diverses conditions spatiales (conditions du sol et du paysage) et temporelles (conditions météorologiques et prix). Les contrôles spatiaux et temporels nécessitent la détermination de la gamme optimale d'engrais basée sur des facteurs tels que la gestion passée, les caractéristiques du sol, la rotation des cultures, les conditions météorologiques (historiques, actuelles et prévisionnelles), les prix des matières premières, le coût et l'accessibilité. Dans tous les contextes de production, la réponse des cultures à la fertilisation est incertaine en raison de nombreux facteurs d'influence et de leurs interactions ainsi que des anomalies. La représentation quantitative de ces incertitudes affecte la définition des meilleures pratiques de gestion en plus des valeurs attendues. Par conséquent, un système d'aide à la décision correctement mis en place aide à déterminer les taux d'application d'engrais qui minimisent les risques associés à l'utilisation d'engrais, tels que la rentabilité non maximisée. Cette thèse présente un cadre pour la mise en œuvre des contrôles de production (taux d'intrants agricoles), conceptualisé comme un système d'aide à la décision (DSS) qui prend en compte les facteurs spatiaux, temporels et managériaux pour évaluer l'impact potentiel de la fertilisation des cultures, d'autres amendements) sur les bénéfices d'un scénario de production donné, dans le contexte d'informations incertaines. Le DSS proposé comprend une base de données, une interface utilisateur et un modèle de simulation numérique. L'interface web en ligne du DSS aide l'utilisateur à saisir les conditions de production spécifiques au site. La base de données contient des essais de fertilité précédemment enregistrés pour un intrant agricole donné dans différentes conditions. Le processus de simulation numérique intègre les essais de fertilité, l'information sur les conditions locales et les considérations économiques. Le couplage dynamique des facteurs spatiaux, temporels et de gestion spécifique au site aux fonctions de production et de profit permet d'estimer le taux d'engrais économiquement optimal, pour maximiser le rendement net sur le coût de la fertilisation, afin d'augmenter la probabilité de réussite pour chaque option décisionnelle. Les écarts entre le rendement estimé et enregistré ont été considérés comme des incertitudes de production alors que les variations de prix ont été considérées comme des incertitudes économiques. Le traitement basé sur l'incertitude de chaque entrée du modèle permet d'équilibrer les résultats potentiels de la sous-application ou de la sur-application. Le DSS permet la saisie de données historiques sur les essais à la ferme pour améliorer la base de données existante et pour améliorer continuellement sa précision. Avec la version actuelle de la base de données, le DSS pourrait estimer le taux d'application optimal avec le bénéfice net attendu et la probabilité d'atteindre ce bénéfice. Sur la base d'exemples illustrés, des taux d'application plus élevés tendent à augmenter les estimations de NRCF avec plus d'incertitude par rapport aux faibles taux d'application. La probabilité de réduction de la NRCF était plus élevée lorsqu'un taux d'application inférieur était accepté et vice versa. Le DSS a proposé des taux d'application plus élevés lorsque les coûts des engrais étaient plus bas ou que le prix du rendement était plus élevé et vice versa. Les probabilités de profit ont été utilisées pour déterminer le scénario de rentabilité le plus certain (le moins risqué) en fonction des préférences de risque individuelles. Avec la première version du DSS mis au point, seule l'application d'azote pour le maïs dans l'Est du Canada a été utilisée pour illustrer le cadre proposé. Le DSS peut être consulté en ligne à http://www.numericag.com

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,809
Score d'incertitude au seuil0,704

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,256
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueeScholarship@McGill (McGill)Même sujetCrop Yield and Soil FertilityTravaux en français237 207