Feature-specific nutrient management of onion (Allium cepa) using machine learning and compositional methods
Notice bibliographique
Résumé
Abstract While onion cultivars, irrigation and soil and crop management have been given much attention in Brazil to boost onion yields, nutrient management at field scale is still challenging due to large dosage uncertainty. Our objective was to develop an accurate feature-based fertilization model for onion crops. We assembled climatic, edaphic, and managerial features as well as tissue tests into a database of 1182 observations from multi-environment fertilizer trials conducted during 13 years in southern Brazil. The complexity of onion cropping systems was captured by machine learning (ML) methods. The RReliefF ranking algorithm showed that the split-N dosage and soil tests for micronutrients and S were the most relevant features to predict bulb yield. The decision-tree random forest and extreme gradient boosting models were accurate to predict bulb yield from the relevant predictors (R 2 > 90%). As shown by the gain ratio, foliar nutrient standards for nutritionally balanced and high-yielding specimens producing > 50 Mg bulb ha −1 set apart by the ML classification models differed among cultivars. Cultivar × environment interactions support documenting local nutrient diagnosis. The split-N dosage was the most relevant controllable feature to run future universality tests set to assess models’ ability to generalize to growers’ fields.
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 | 0,001 |
| 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 ».