eXplainable expert systems for potato tuber yield prediction in the Maritime provinces of Canada
Notice bibliographique
Résumé
The potato crop is vital to the economy of Canada’s Maritime provinces. Prince Edward Island (PEI) and New Brunswick (NB) contribute significantly to Canadian potato production and gross domestic product (GDP). Estimating potato tuber yields helps farmers to make informed decisions for sustainable and profitable farming. This study investigated fluctuations in tuber yield based on 30 soil properties gathered over four seasons through experimental trials. An emerging eXplainable high-dimensional feature vote-based ensemble framework explained with SHAP (SHapley Additive exPlanations) tool was employed to estimate potato tuber yield accurately. In order to develop the model, the most influential feature was first filtered using the Boruta-SHAP feature selection. Afterwards, the most deserved combinations (four scenarios) were ascertained using the best subset regression (BSR) integrated with two Multi-Criteria Decision-Making (MCDM), namely Weighted Aggregated Sum Product Assessment (WASPAS) and Multi-Objective Optimization methods were adopted based on the Ratio Analysis (MOORA). To estimate potato tuber yield, we adopted a novel explainable ensemble machine learning model, called VOTE-LGCB, that combines voted Categorical Boosting and the Light Gradient-Boosting Machine framework. We evaluated our approach against Least Absolute Shrinkage and Selection Operator (LASSO) regression, elastic net regression, Extra Tree, classical LightGBM, and classical CatBoost baselines. Six metric performances such as correlation coefficient (R), root mean square error (RMSE), and reliability were implemented to validate the multi-process ML models. All the metrics were singularized using WASPAS and MOORA to determine the best input combination related to each model separately. We found that the VOTE-LGCB-Combo 3 outperformed baseline methods (R = 0.8958, RMSE = 5088.5087, Reliability = 93.7500, WASPAS = 0.00023, and MOORA = 0.3788). Moisture content was identified as the most significant feature, followed by the Normalized Difference Vegetation Index (NDVI). The modeling framework we advance can be used as a reliable simulation system for various aspects of agricultural production systems that involve high-dimensional features.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».