Nitrous oxide prediction through machine learning and field-based experimentation: A novel strategy for data-driven insights
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
Applying machine learning to predict complex environmental phenomena like greenhouse gas emissions (GHG) is gaining significant attention. This study introduces innovative ensemble learning models that integrate the randomizable filter classifier (RFC), regression by discretization (RBD), and attribute-selected classifier (ASC) with the random forest (RF) algorithm, resulting in hybrid models (RFC-RF, RBD-RF, and ASC-RF). These models predicted nitrous oxide (N 2 O) and water vapor (H 2 O) emissions from agricultural soils. These model were benchmarked against a support vector regression (SVR) model. The dataset comprised 401 samples from potato fields in Prince Edward Island (PEI) and 122 samples from New Brunswick (NB), including measurements of N 2 O and H 2 O and related input variables such as soil moisture (SM), temperature ST, electrical conductivity (EC), wind speed, solar radiation, relative humidity, precipitation, air temperature (AT), dew point, vapor pressure deficit, and reference evapotranspiration. Feature selection and optimization of input scenarios were achieved using a combination of particle swarm optimization (PSO) and manual methods. Model performance was evaluated using multiple metrics: scatter plots, kite diagrams, density distribution histograms of relative percentage error, coefficient of determination (R 2 ), Nash–Sutcliffe efficiency coefficient (NSE), Percent of BIAS (PBIAS), coefficient of uncertainty at the 95% confidence level (U95%), Kling–Gupta efficiency (KGE), Willmott index of agreement (WI), and Legates and McCabe coefficient of efficiency (LME). Results demonstrated that the hybrid RFC-RF model outperformed the other models for N 2 O and H 2 O predictions in PEI and NB, followed by the RBD-RF, ASC-RF, and SVR models. The new models demonstrated good performance according to R 2 values, while the SVR model ranged from unacceptable to good. The study found that combining soil and climatic variables improved prediction accuracy, with ST, AT, and soil EC being the most influential variables. SHapley Additive exPlanations (SHAP) analysis confirmed the importance of ST for both N 2 O and H 2 O predictions. The findings underscore the significance of dataset length over input-output correlation and indicate that combining soil and climatic variables enhances model prediction accuracy. The developed models offer reliable and cost-effective tools for researchers, policymakers, and stakeholders to effectively predict and manage GHG in agricultural contexts.
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