Developing regional soil micronutrient management strategies through ensemble learning based digital soil mapping
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mapping of soil micronutrient variability is critical for improving agronomic biofortification. This study used 1778 surface soil samples collected from four agro-climatic regions of the Indo-Gangetic Plain of India to produce digital soil maps of available Zn, Cu, Fe, and Mn using 52 environmental covariates at a resolution of 150 m. The micronutrient prediction accuracy was compared for 14 machine learning approaches and their ensemble model. The hybrid ensemble model outperformed all 14 base learners and was subsequently used for producing micronutrient maps. All four micronutrients exhibited sufficient spatial variability. Both available Zn and Fe maps exhibited lower prediction uncertainties. Moreover, the inter-relationship between micronutrient concentration in soil and rice grain was explored to understand the Zn and Fe biofortification potential. The linear regression models revealed moderate agreement between soil available and grain micronutrient concentrations, with R2 values of 0.52–0.63 for Zn and Fe, respectively. The developed models were used to predict grain Zn and Fe content from their respective soil concentrations, indicating the potential of the tested approach to identify specific pockets where rice varieties with biofortification potential can be planted. In the future, the digital soil mapping approach tested herein can help policymakers with regional decision-making, encouraging nutrient-based subsidy and investment opportunities and sustainable micronutrient recommendations toward micronutrient-enriched food. Further research is needed to develop a digital soil intelligence platform using micronutrient DSM products in resource-poor countries.
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.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle