A Machine-Learning-Based Prediction Model for Total Glycoalkaloid Accumulation in Yukon Gold Potatoes
Notice bibliographique
Résumé
Potatoes are the most extensively cultivated vegetable crop in Canada and rank as the fifth largest primary agricultural commodity. Given their diverse end uses and significant market value, particularly in processed forms, ensuring consistent quality from harvest to consumption is of critical importance. Total glycoalkaloids (TGA) are nitrogen-containing secondary metabolites that are known to accumulate in the tuber as an effect of greening in-field or elsewhere in the supply chain. In this study, 210 Yukon Gold (YG) potatoes were exposed to a constant light source to green over a period of 14 days and sampled in 7-day intervals. The samples were scanned using a short-wave infrared (SWIR) hyperspectral imaging camera in the 900–2500 nm wavelength range. Once individually scanned, pixel-wise spectral data was extracted and averaged for each tuber and matched with its respective ground truth TGA values which were obtained using a High-Performance Liquid Chromatography (HPLC) system. Prediction models using the partial least squares regression technique were developed from the extracted hyperspectral data and reference TGA values. Wavelength selection techniques such as competitive adaptive re-weighted sampling (CARS) and backward elimination (BE) were deployed to reduce the number of contributing wavelengths for practical applications. The best model resulted in a correlation coefficient of cross-validation (R2cv) of 0.72 with a root mean square error of cross-validation (RMSEcv) of 51.50 ppm.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».