Advanced Efficient Feature Selection Integrating Augmented Extreme Learning Machine and Particle Swarm Optimization for Predicting Nitrogen Use Efficiency and Yield in Corn
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
Efficient nitrogen management is crucial for improving corn productivity while minimizing environmental impacts. This study evaluates the response of corn to nitrogen fertilization using three key metrics: Yield, Nitrogen Harvest Index (NHI), and Agronomic Nitrogen Use Efficiency (ANUE). The experiment was conducted over three years (2021-2023) across 84 sites in Quebec, Canada, with five nitrogen treatments applied post-emergence (0, 50, 100, 150, 200 kg N/ha) and initial nitrogen applied at seeding (30 to 60 kg/ha). In addition, various soil health indicators, including physical, chemical, and biochemical properties, were monitored to understand their interaction with nitrogen use efficiency. Machine learning techniques, such as Augmented Extreme Learning Machine (AELM) and Particle Swarm Optimization (PSO), were employed to optimize nitrogen recommendations by identifying the most relevant features for predicting yield and nitrogen use efficiency (NUE). The results highlight that integrating soil health indicators such as enzyme activities (β-glucosidase [BG] and N-acetyl-β-D-glucosaminidase [NAG]) and soil proteins into nitrogen management models improves prediction accuracy, leading to enhanced productivity and environmental sustainability. These findings suggest that advanced data-driven approaches can significantly contribute to more precise and sustainable nitrogen fertilization strategies.
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 | 0,001 | 0,002 |
| 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 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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