Compositional and Machine Learning Tools to Model Plant Nutrition: Overview and Perspectives
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
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle