Multivariate stacked regression pipeline to estimate correlated macro and micronutrients in potato plants using visible and near-infrared reflectance spectra
Notice bibliographique
Résumé
The ability to sense nutrient status in potato plants using spectroscopy has several merits including the ability to proactively respond to deficiencies of certain elements. While research so far has focused on finding spectral signatures of elements based on their foliar reflectance, the influence of the spectral signatures of the elements on each other in estimating their concentrations in the plant has not been investigated. This work presents a pipeline of stacked regression models capable of accurately estimating nutrient concentrations based on the foliar reflectance. A data set was built from 179 samples of petioles collected across two growing seasons, consisting of the chemical concentrations of 11 nutrients with spectral reflectance values between 400 and 2500 nm. The pipeline consisted of a base layer composed of a multiple univariate linear Lasso regression models to find the initial independent signatures of each nutrient, followed by a layer of nonlinear models to correlate these signatures and account for their interdependencies before finalizing the estimation. The results show that adding this second layer improved estimation performance for 10 and 9 nutrients out of 12 in the dried and fresh mode, respectively, with large improvements in predictive performance for some critical micronutrients such as Zn, Fe, and Al.
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 | 0,002 |
| 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 ».