A state-of-the-art novel approach to predict potato crop coefficient (Kc) by integrating advanced machine learning tools
Notice bibliographique
Résumé
The crop coefficient ( K c ) is one of the important elements of the actual evapotranspiration estimation. The current study aims to develop a machine learning approach to estimate the crop coefficient of potatoes (Russet Burbank variety) in Prince Edward Island province, one of Canada's most important producers. The study was conducted at drainage-type lysimeters placed in the potato field with three types of soils (sandy loam, loamy sand, and loam). A machine learning approach using XGBoost, optimized with the Chaos Game algorithm (CGO-XGBoost), was employed to predict K c . Three input scenarios (meteorological + soil data, soil-only, meteorological-only) were tested. Three other machine learning techniques, K-nearest neighbor (KNN), Adaptive Boosting (AdaBoost), and Multilayer Perceptron Neural Network (MLP), were used to compare with the newly developed model. Different performance metrics such as correlation coefficient (R), Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE) were used to compare different model's performance. Results showed that the CGO-XGBoost model outperformed conventional machine learning models. A comparison of different input scenarios revealed that combination 2 (Soil data only) gave the best results. Combination 3 (only meteorological data) performs weakest among input scenarios. The best model (Combination2 + CGO-XGBoost) achieved the highest accuracy (R = 0.9961, RMSE = 0.0185, MAPE = 2.20%), outperforming traditional methods. SHapley Additive exPlanations (SHAP) interpretability analysis indicates that soil moisture exerts the greatest impact on potato K c . Field Capacity (FC) and Minimum temperature rank as the second and third most significant factors. The integration of SHAP values in the proposed solution improves the interpretability of the model, offering valuable insights into the environmental and soil factors affecting K c predictions. The results showed that the proposed model can accurately predict K c , demonstrating its potential to enhance water-use efficiency and support precision irrigation 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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».