Assessment of soil CO2 and NO fluxes in a semi-arid region using machine learning approaches
Notice bibliographique
Résumé
Agricultural lands are sources and sinks of greenhouse gases (GHGs). The identification of the main drivers affecting GHGs is crucial for planning sustainable agronomic practices and mitigating global warming potential. The main aim of this research was to evaluate the impact of environmental drivers (soil temperature and water-filled pore space, WFPS) and crop residue rates on CO2, NO, and NOx fluxes under conventional tillage (CT) and no-tillage (NT) systems. The accuracy of Random Forest Regression (RFR), Multiple Adaptive Regression Splines (MARS), and General Linear Models (GLM) in predicting CO2, NO, and NOx fluxes were also assessed. In both CT and NT systems, CO2, NO, and NOx fluxes decreased with increasing WFPS. Increasing temperature resulted in higher CO2 emissions and lower NO and NOx emissions. Higher residue rates resulted in significant increases in CO2 emission, whereas the NO and NOx emissions increased by decreasing the ratio of residue. For CO2 prediction, the RFR provided the largest R2 with the observed data. For NO–N and NOx-N prediction, RFR was the most efficient algorithm, but NO–N can be predicted with better accuracy. The output of this research highlights the importance of agronomic practices for climate mitigation, along with the possibility of using RFR to predict GHGs fluxes.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».