Monitoring of greenhouse gas emission drivers in Atlantic Canadian Potato production: A robust explainable intelligent glass-box
Notice bibliographique
Résumé
In this research, a novel explainable multi-level ensemble learning framework has been developed to accurately monitor the greenhouse gas (GHG) emission drivers of the Atlantic Canada's potato crop system i.e., Carbon dioxide (CO2), nitrous oxide (N2O), and water vapour (H2O). For this purpose, alongside the GHG emission drivers, the hydro-meteorological and soil properties information was collected from three Canadian sites, two in Prince Edward Island (PEI) and one in New Brunswick. This advanced framework includes a transparent multi-level pre-processing module and a Runge-Kutta optimizer (RUN), integrated with an eXplainable gradient-boosted decision Tree (GBDT) machine learning (ML) technique. The preprocessing scheme meticulously selects the most effective input combinations from the hydro-meteorological and soil properties datasets using hybridization of Boruta-GBDT for feature selection, Best Subset Lasso Regression (BSLR), and Weighted Aggregated Sum Product Assessment (WASPAS). The optimal combinations were then analyzed using the GBDT-RUN and compared against two algorithms: LightGBM coupled with RUN optimizer (LightGBM-RUN) and classical GBDT. The explainability of the primary model was enhanced using SHapley Additive exPlanations (SHAP). Model validation employed various metrics, such as the correlation coefficient (R), squared deviation (SquD), and a range of sophisticated statistical graphics. Results demonstrated that the GBDT-RUN model exhibited superior performance in monitoring GHG emissions (CO2|R = 0.8431, SquD=17.1759, WASPAS=1.88E-07; N2O|R = 0.8431, SquD=17.1759, WASPAS=1.88E-07; H2O| R = 0.8431, SquD=17.1759, WASPAS=1.88E-07), outperforming both LightGBM-RUN and classical GBDT. Furthermore, the explainability analysis identified dew point and soil temperature as the most influential factors in the CO2, N2O, and H2O emissions scenarios.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».