Customized nutrient management of onion (Alium cepa) agroecosystems
Notice bibliographique
Résumé
Abstract While onion cultivars, irrigation and soil and crop management practices have been given much attention in Brazil, nutrient management at growers’ scale is still challenging. Our objective was to customize the fertilization of onion crops. We attempted to adjust nutrient management to the complexity of onion cropping systems by combining ML and compositional methods. We assembled climatic, edaphic, and managerial features as well as tissue tests into a data set of 1182 observations collected across fertilizer experiments conducted over 13 years. Data were processed using machine learning methods. Fertilization (NPK) treatments as well as edaphic and managerial features that are easy to acquire by stakeholders sufficed to explain 93.5% of total variation in marketable onion yields. Customized crop response models differed from state-base fertilizer recommendations, indicating potential benefits to customize fertilizer recommendations using a median experimental site condition in southern Brazil. Foliar nutrient standards to reach > 50 Mg bulb ha − 1 differed among cultivars grown under a large range of edaphic and managerial features, supporting local nutrient diagnosis. Larger and more diversified observational and experimental data sets could be acquired to customize fertilization across more Brazilian onion agroecosystems and document successful combinations of growth-impacting features through close ethical collaboration among stakeholders.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».