Machine Learning Predicts Biochar Aging Effects on Nitrous Oxide Emissions from Agricultural Soils
Notice bibliographique
Résumé
Biochar effects on agricultural soils change over time as biochar ages. To better understand the long-term impacts of biochar application on climate change mitigation, the effect of biochar aging on nitrous oxide (N 2 O) emissions has been widely investigated in field experiments. However, the underlying relationship of N 2 O emissions with biochar properties, fertilization practices, soil properties, and weather conditions is poorly understood. We collected data from 30 peer-reviewed publications with 279 observations and used machine learning (ML) to model and explore critical factors affecting daily N 2 O fluxes. We established and compared models constructed using neural networks (NN), support vector regression (SVR), random forest (RF), and extreme gradient boosting (XGB). We found that the gradient boosting regression (GBR) model was the optimal algorithm for predicting daily N 2 O fluxes ( R 2 > 0.90). The importance of factors driving daily N 2 O fluxes is as follows: fertilization practices (44%) > weather conditions (30%) > soil properties (21%) > biochar properties (5%). In addition, the aging time of biochar, potassium application rate, soil clay fraction, and mean air temperature were critical factors affecting the daily N 2 O fluxes. When biochar is initially applied, it can reduce N 2 O emissions; however, it has no long-term effects in reducing N 2 O emissions. The accurate prediction and insights from the ML model benefit the assessment of the long-term effects of biochar aging on N 2 O emissions from agricultural 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.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».