Comparing Random Forest to Bayesian Networks as nitrogen management decision support systems
Notice bibliographique
Résumé
Abstract Nitrogen (N) is notoriously difficult to manage and there are many approaches for fertilizer N rate recommendations. Existing fertilizer N rate recommendation systems can be improved by incorporating the effects of weather on sidedress economicoptimum N rates (EONR). In this study, we evaluated the performance of machine learning methods, a Bayesian Network (BN) and a Random Forest (RF) for estimating EONR for corn. BN draws relationships between variables based on assumptions about conditional independence, where the model is structured by an algorithm or, in this case, expert opinion. In contrast, RF determines model structure based on the input variables and model output. The models were trained and validated using a large database (n = 324) of corn yield response to N fertilizer collected across southern Ontario. Sixty‐six of the 324 site‐years were used for validation with success assessed by the frequency that N rate predictions that produced net returns were within CAN$25 ha−1 of the observed EONR. The success rate was 64% and 48% for the BN and RF, respectively. Both models incorporated weather from planting to sidedress and outperformed a benchmark provincial N recommendation system. We argue that BN has advantages when some input variables are unknown or uncertain and for improving model structure with stakeholder feedback. Moreover, RF is easy to implement but the model structure must use point estimates instead of probabilities for uncertain parameter values such as future weather. BN represents a more flexible modeling approach than RF for incorporating both modeling and stakeholder input.
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 | 0,014 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».