Optimisation of Anaerobic Digestate and Chemical Fertiliser Application to Enhance Rice Yield—A Machine-Learning Approach
Notice bibliographique
Résumé
The present study evaluates the synergistic application of an anaerobic digestate for enhanced rice yield. The study utilised the digestate as a fertiliser with various inoculum-to-substrate (IS) ratios of anaerobic digestion from cow dung and water hyacinth (CW–BF) with combinations of NPK (16-22-22) fertiliser for rice yield optimisation. The outcome of the combined digestate and fertiliser application on rice cultivation was observed in terms of parameters such as the number of tillers, panicle number, panicle length, fertile panicles, and 1000-grain weight. The digestate combination of CW–BF:NPK (3:1:1) resulted in the highest grain yield (7521 kg/hectare) with increased panicle length, test weight, and more filled grains than the other combinations. Moreover, various machine-learning approaches were used to study the efficacy of the different combinations of applied fertiliser (cow dung, water hyacinth, and NPK). The gradient-boosting machine-learning model was appropriate for predicting the modelling based on the measured data. Principal component analysis revealed NPK as the first principal component with high loading values and the digestate as the second principal component, which indicates its crucial role in fertiliser preparation. Therefore, deploying such hybridised fertilisers using the proper statistical analysis and machine-learning approaches can improve rice yield, which would be essential for the socio-economic uplifting of marginal rice farmers.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».