Simulating Maize Response to Split-Nitrogen Fertilization Using Easy-to-Collect Local Features
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
Maize (Zea mays) is a high-nitrogen (N)-demanding crop potentially contributing to nitrate contamination and emissions of nitrous oxide. The N fertilization is generally split between sowing time and the V6 stage. The right split N rate to apply at V6 and minimize environmental damage is challenging. Our objectives were to (1) predict maize response to added N at V6 using machine learning (ML) models; and (2) cross-check model outcomes by independent on-farm trials. We assembled 461 N trials conducted in Eastern Canada between 1992 and 2022. The dataset to predict grain yield comprised N dosage, weekly precipitations and corn heat units, seeding date, previous crop, tillage practice, soil series, soil texture, organic matter content, and pH. Random forest and XGBoost predicted grain yield accurately at the V6 stage (R2 = 0.78–0.80; RSME and MAE = 1.22–1.29 and 0.96–0.98 Mg ha−1, respectively). Model accuracy up to the V6 stage was comparable to that of the full-season prediction. The response patterns simulated by varying the N doses showed that grain yield started to plateau at 125–150 kg total N ha−1 in eight out of ten on-farm trials conducted independently. There was great potential for economic and environmental gains from ML-assisted N fertilization.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
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 découle