Prediction of carbon dioxide emissions from Atlantic Canadian potato fields using advanced hybridized machine learning algorithms – Nexus of field data and modelling
Notice bibliographique
Résumé
In this study, three novel machine learning algorithms of additive regression-random forest (AR-RF), Iterative Classifier Optimizer (ICO-AR-RF), and multi-scheme (MS-RF) were explored for carbon dioxide (CO2) flux rate prediction from three agricultural fields. To build the dataset, 401 samples were collected from two fields in Prince Edward Island (PEI) and 122 samples from the New Brunswick (NB), Canada. In addition, soil moisture (SM), temperature (ST), and electrical conductivity (EC), alongside eight climatic variables including wind speed (WS), solar radiation (SR), relative humidity (RH), precipitation (PCP), air temperature (AT), dew point (DP), vapour pressure difference (VPD) and reference evapotranspiration (ETo) were also collected. Greedy stepwise (GS) approach was implemented for feature selection. Finally, different qualitative (scatter plot, line graph, Taylor diagram, box plot, and Rug plot), and quantitative (uncertainty analysis, root mean square error (RMSE), percent of BIAS (PBIAS), Nash Sutcliff efficiency (NSE) and RMSE-observations standard deviation ratio (RSR)) techniques were used for model evaluation and comparison. Results of feature selection approaches revealed that DP, AT, SM, and ST are the four most effective variables at CO2 prediction in PEI, while AT, RH, DP, and ST are the most effective in the NB study area. For optimum input scenario, the GS algorithm was applied, and results showed that a combination of DP, AT, ST, SM, and ETo was the best for the PEI study area, while for NB, all input variables should be involved. Our analysis, for prediction of CO2 fluxes, confirmed that the ICO-AR-RF model performed the best at both PEI (RMSE=0.70, NSE=0.76, PBIAS=-5.11, RSR=0.48) and NB (RMSE=0.74, NSE=0.75, PBIAS=3.23, RSR=0.50), followed by MS-RF and AR-RF. Uncertainty analysis showed that CO2 prediction is more sensitive to input scenario selection than models in both study areas. Results revealed that climatic variables are more effective in CO2 prediction than soil characteristics and the developed hybrid model ICO-AR-RF can be a promising tool for decision-makers and beneficial for stakeholders.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».