Advancing toward Personalized and Precise Phosphorus Prescription Models for Soybean (Glycine max (L.) Merr.) through Machine Learning
Notice bibliographique
Résumé
The traditional approach of prescribing phosphate fertilizer solely based on soil test P (STP) has faced criticism from scientists and agriculturists pushing farmers to seek phosphate fertilization models that incorporate additional factors. By embracing integrated approaches, farmers can receive more precise recommendations that align with their specific conditions and fertilization techniques. This study aimed to utilize artificial intelligence prediction to replicate soybean response curves to fertilizer by integrating edaphic and climatic factors. Literature data on soybean response to P fertilization were collected, and the Random Forest (RF) algorithm was applied to predict response curves. The predictions utilized seven predictors: P dose, STP, soil pH, texture, % OM, precipitation, and P application methods. These predictions were compared to the traditional STP-based approach. The STP-based P prescription models exhibited extremely low robustness values (R2) of 1.53% and 0.88% for the PBray-1 and POlsen diagnostic systems, respectively. In contrast, implementing the RF algorithm allowed for more accurate prediction of yield gains at various P doses, achieving robustness values of 87.4% for the training set and 60.9% for the testing set. The prediction errors remained below 10% throughout the analysis. Implementing artificial intelligence modeling enabled the study to achieve precise predictions of the optimal P dose and customized fertilization recommendations tailored to farmers’ specific soil conditions, climate, and individual fertilization practices.
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) | 0,000 | 0,000 |
| 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 ».