Early Nutrient Diagnosis of Kentucky Bluegrass Combining Machine Learning and Compositional Methods
Notice bibliographique
Résumé
Kentucky bluegrass (Poa pratensis L.) is the most common perennial turfgrass species grown on playgrounds, municipal and residential lawn areas, and golf tees, fairways and roughs. Fertilization is the most efficient way to improve and maintain turfgrass aesthetic quality. Tissue diagnosis can guide fertilization, but tissue concentration ranges are biased by not taking into consideration nutrient inter-relationships, carryover effects and other key features. The centered log-ratio transformation reflects nutrient interactions in plants and avoids statistical biases. Machine learning (ML) models relate the target variable to the key features ex ante, and can predict future events from prior knowledge. The objective of his study was to predict turfgrass quality from key features and rank nutrients in the order of their limitations. The experimental setup comprised four N, three P, and four K rates applied on permanent plots during three consecutive years. Soils were a loam and an USGA sand. Eleven elements (N, S, P, K, Ca, Mg, B, Cu, Zn, Mn, Fe) were quantified in clippings collected during spring, summer and autumn every year. Turfgrass quality was categorized as target variable by color rating. Concentrations were centered log-ratioed (clr) partitioned into four quadrants in the confusion matrix generated by the xgboost ML model. The area under curve (AUC) and model accuracy were high to predict turfgrass color from the nutrient analyses of clippings collected in the preceding season, facilitating the seasonal adjustment of the fertilization regime to sustain high turfgrass quality. We provide a computational example to run the ML model and rank nutrients in the order of their limitations.
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 | 0,002 | 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 | 0,001 |
| 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 ».