Machine learning models predict organic fertilization effects on soil organic carbon stocks in global agroecosystems
Notice bibliographique
Résumé
Organic fertilizers are more environmentally friendly than traditional fertilizers and affect the dynamics of soil organic carbon (SOC) stocks; however, the impact of organic fertilizers on SOC dynamics in global agroecosystems is poorly understood. Here, we use machine learning (ML) models to investigate the effect of organic fertilizer application on SOC stocks under different agronomic practices and environmental conditions on a global scale. Three tree-based ML algorithms—Random Forest (RF), Gradient Boosting Regressor (GBR), and Extreme Gradient Boosting (XGB)—were compared for their efficacy in predicting organic fertilizer effects on SOC stocks in global agroecosystems. Results indicate that GBR outperformed RF and XGB, with the GBR model producing higher training and testing R 2 values (0.96 and 0.73, respectively) and lower training and testing root mean square errors (2.1 and 2.23, respectively). Applied organic fertilizer dosage, cumulative organic fertilizer application amount, and soil bulk density were key factors affecting SOC stocks in global agroecosystems. Climate factors such as mean annual temperature and mean annual precipitation also significantly influenced the prediction of SOC stocks in global agroecosystems. This study underscores the potential of ML models in unravelling complex factors affecting SOC stocks in global agroecosystems. Future research should prioritize long-term monitoring to enhance our understanding of factors affecting SOC stocks in agroecosystems and inform sustainable soil management practices.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».