Vegetable Response to Added Nitrogen and Phosphorus Using Machine Learning Decryption and the N/P Ratio
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
The current N and P fertilization practices for vegetable crops grown in organic soils are inaccurate and and may potentially damage the environment. New fertilization models are needed. Machine learning (ML) methods can combine numerous features to predict crop response to N and P fertilization. Our objective was to evaluate machine learning predictions for marketable yields, N and P offtakes, and the N/P ratio of vegetable crops. We assembled 157 multi-environmental fertilizer trials on lettuce (Lactuca sativa), celery (Apium graveolens), onion (Allium cepa), and potato (Solanum tuberosum) and documented 22 easy-to-collect soil, managerial, and meteorological features. The random forest models returned moderate to substantial strength (R2 = 0.73–0.80). Soil and managerial features were the most important. There was no response to added P and null to moderate response to added N in independent universality tests. The N and P offtakes were most impacted by P-related features, indicating N–P interactions. The N/P mass ratios of harvested products were generally lower than 10, suggesting P excess that would trigger plant N acquisition and possibly alter soil N and C cycles through microbial processes. Crop response prediction by ML models and ex post N/P ratio diagnosis and N and P offtakes proved to be useful tools to guide N and P management decisions in organic soils.
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 | 0,000 |
| 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 découle