Application of Machine Learning Algorithms in Nitrous Oxide (N2O) Emission Estimation in Data-Sparse Agricultural Landscapes
Notice bibliographique
Résumé
To understand if machine learning algorithms could be employed in agricultural landscapes to estimate N2O emissions, multiple linear regression (MLR), random forest regression (RFR), support vector regression (SVR) and artificial neural network (ANN) algorithms are tested on an agricultural site in Ontario, Canada. Two scenarios, High Input (HI) and Low Input (LI), were used to check the performance of these algorithms’ using R2, RMSE, VE, p-factor, r-factor and visual inspection indicators. The HI consisted of discrete measurements of N2O, rainfall, temperature, fertilizer application dates, soil nitrate, ammonium content and pH values, whereas the LI scenario did not use the latter three. The results indicated that MLR was inapplicable as the data did not satisfy its fundamental assumptions. RFR, SVR and ANN under HI were able to capture 64% (66%), 59% (63%) and 94% (43%) of the variability of emissions within the training (testing) datasets. Subsequently, these models were able to capture 92%, 29% and 75% of high emissions (>10 gm/ha/day) within their predictive intervals of 95% confidence. RFR, SVR and ANN under the LI scenario captured 72% (68%), 61% (66%) and 81% (68%) of the variability in N2O emissions within the training (testing) datasets. While these models were found to have comparable performance in both HI and LI scenarios, HI was found to be better at capturing high emissions. Based on the computational cost, ease in finetuning, capture of peak emissions and stable model performance, RFR and ANN are recommended to estimate N2O emissions in the study area and similar agricultural landscapes in future studies.
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 | 0,000 |
| 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 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 ».