Compositional and Machine Learning Tools to Model Plant Nutrition: Overview and Perspectives
Notice bibliographique
Résumé
The ceteris paribus assumption that all features are equal except the one(s) being examined limits the reliability of nutrient diagnosis and fertilizer recommendations. The objective of this paper is to review machine learning (ML) and compositional data analysis (CoDa) tools to make nutrient management feature specific. The accuracy of the ML methods averaged 84% across the crops. The additive and orthogonal log ratios of CoDa reduce a D-parts soil composition to D-1 variables, alleviating redundancy in the predictive ML models. Using a Brazilian onion (Allium cepa) database, the combined CoDa and ML methods returned crop response patterns, allowing feature-specific fertilizer recommendations to be made. The centered log ratio (clr) diagnoses plant nutrients as a compositional nutrient diagnosis (CND). Using a Quebec database of vegetable crops, the mean variance of clr variables (VAR¯) allowed comparing total variance among species and growth stages. While clr is the summation of equally weighted dual log ratios, dual nutrient log ratios may show unequal importance regarding crop performance. The RReliefF scores, gain ratios or gini inequality coefficients can provide weighting coefficients for each dual log ratio. The widely contrasting coefficients of weighted log ratios (wlr) improved the accuracy of the ML models for a Quebec muck onion database. The ML models, VAR¯ and wlr, are advanced tools to improve the accuracy of nutrient diagnosis.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».