Customized Nutrient Standards to Diagnose Nutrient Imbalance in Fertigated ‘Nanica’ Banana Groves
Notice bibliographique
Résumé
Banana (Musa spp.) is an important fruit production in Brazil, but crop productivity is still too low. The ‘Nanica’ cultivar and fertigation have been introduced, but more accurate guidelines are needed to support fertilization decisions at the orchard scale. This study aimed to develop customized nutrient standards for fertigated ‘Nanica’. A commercial ‘Nanica’ orchard provided 129 observations on yield and foliar nutrient concentrations from 2010 to 2017 in eight groves of 3.26 ha each. Plant density averaged 1479 plants ha−1. The diagnostic leaf was analyzed for 13 elements. Concentration values were transformed into centered log ratios (clr), weighted log ratios (wlr), and isometric log ratios (ilr) to account for nutrient interactions and normalize the data. Yield cutoff between low- and high yielders was set at 27 t ha−1 semester−1. The XGBoost classification models relating yield to tissue composition returned an area under curve averaging 0.715 for log ratio expressions. Nutrient standards were expressed as clr, wlr, and raw concentration means and standard deviations of performing specimens. The clr and wlr diagnoses of a low-yielding and imbalanced specimen against a benchmark specimen (Euclidean distance = 2.5) or the performing subpopulation (Mahalanobis distance = 37.6, p < 0.01) indicated Mn shortage and Na excess. Sufficiency concentration ranges may not agree with log ratio diagnoses, especially for Mn. The clr and wlr nutrient standards were site-specific, supporting precision farming. The concept developed in this paper is applicable to endogenous research conducted by stakeholders in orchards worldwide.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».