Prediction of Nitrogen Dosage in ‘Alicante Bouschet’ Vineyards with Machine Learning Models
Notice bibliographique
Résumé
Vineyard soils normally do not provide the amount of nitrogen (N) necessary for red wine production. Traditionally, the N concentration in leaves guides the N fertilization of vineyards to reach high grape yields and chemical composition under the ceteris paribus assumption. Moreover, the carryover effects of nutrients and carbohydrates stored by perennials such as grapevines are neglected. Where a well-documented database is assembled, machine learning (ML) methods can account for key site-specific features and carryover effects, impacting the performance of grapevines. The aim of this study was to predict, using ML tools, N management from local features to reach high berry yield and quality in ‘Alicante Bouschet’ vineyards. The 5-year (2015–2019) fertilizer trial comprised six N doses (0–20–40–60–80–100 kg N ha−1) and three regimes of irrigation. Model features included N dosage, climatic indices, foliar N application, and stem diameter of the preceding season, all of which were indices of the carryover effects. Accuracy of ML models was the highest with a yield cutoff of 14 t ha−1 and a total anthocyanin content (TAC) of 3900 mg L−1. Regression models were more accurate for total soluble solids (TSS), total titratable acidity (TTA), pH, TAC, and total phenolic content (TPC) in the marketable grape yield. The tissue N ranges differed between high marketable yield and TAC, indicating a trade-off about 24 g N kg−1 in the diagnostic leaf. The N dosage predicted varied from 0 to 40 kg N ha−1 depending on target variable, this was calculated from local features and carryover effects but excluded climatic indices. The dataset can increase in size and diversity with the collaboration of growers, which can help to cross over the numerous combinations of features found in vineyards. This research contributes to the rational use of N fertilizers, but with the guarantee that obtaining high productivity must be with adequate composition.
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 ».