Modeling temporal variation of soil acidity after the application of liming materials
Notice bibliographique
Résumé
Soil acidification is a natural phenomenon that human activity can accelerate or manage. Acid soils limit plant growth by reducing nutrient availability and causing aluminum toxicity, significantly reducing crop production. Liming has proven efficient for increasing crop yield on acidic soils. Knowledge is required on the effect of liming on the soil pH dynamics to find the suitable material, application rate, timing, and method. The objective of this study was to develop a prediction model of soil pH temporal variations after lime application using data from the literature. A database was built from research results extracted from 16 scientific papers that provided data on soil acidity changes over time under different liming treatments. Machine learning (ML) was used to predict soil pH dynamics from eight predictive parameters: rate of application, time since application, neutralizing value (CCE), grind fineness (D50), pH measurement depth, soil acidity (pH prior to liming), the type of solution used for pH measurement (water or CaCl 2 ) and the soil:solution ratio used to measure pH. Since soil pH fluctuates with seasons, all pH values were expressed as difference between the actual pH value and that of an unlimed control (ΔpH). The Random Forest (RF) algorithm was tested to predict ΔpH over time. On testing, we obtained an R 2 between measured and predicted ΔpH values of 0.881 and an RMSE of 0.230. These results are excellent, considering the heterogeneity in soils, liming materials, and pedoclimatic conditions found in the 16 papers. The primary factors influencing ΔpH, ranked by their impact are application rate, time elapsed post-application, and lime characteristics including its grind fineness and neutralizing value. • Random Forest robustly predicts soil pH change over time following lime application. • The predictors are: rate, neutralizing value, particle size, depth, and initial pH. • The model predicts that, on average, lime increases soil pH for 82 weeks. • Machine learning models are promising tools in managing liming 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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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 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 ».