Site-Specific Nutrient Diagnosis of Orange Groves
Notice bibliographique
Résumé
Nutrient diagnosis of orange (Citrus sinensis) groves in Brazil relies on regional information from a limited number of studies transferred to other environments under the ceteris paribus assumption. Interpretation methods are based on crude nutrient compositions that are intrinsically biased by genetics X environment interactions. Our objective was to develop accurate and unbiased nutrient diagnosis of orange groves combining machine learning (ML) and compositional methods. Fruit yield and foliar nutrients were quantified in 551 rainfed 7–15-year-old orange groves of ‘Hamlin’, ‘Valência’, and ‘Pêra’ in the state of São Paulo, Brazil. The data set was further documented using soil classification, soil tests, and meteorological indices. Tissue compositions were log-ratio transformed to account for nutrient interactions. Ionomes differed among scions. Regression ML models showed evidence of overfitting. Binary ML classification models showed acceptable values of areas under the curve (>0.7). Regional standards delineating the multivariate elliptical hyperspace depended on the yield cutoff. A shapeless blob hyperspace was delineated using the k-nearest successful neighbors that showed comparable features and reported realistic yield goals. Regionally derived and site-specific reference compositions may lead to differential interpretation. Large-size and diversified data sets must be collected to inform ML models along the learning curve, tackle model overfitting, and evaluate the merit of blob-scale diagnosis.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».