Enfoque de límites difusos (fuzzy) para clasificación de tierras en especies sin datos de producción
Bibliographic record
Abstract
Los métodos convencionales de clasificación de tierras presentan algunas deficiencias como: a) Representación escasa de la variabilidad espacial, b) Suposición de que todos los factores de estratificación tienen la misma importancia en la producción de cultivos, y c) Pérdida de información durante el proceso de modelación. La aplicación de la teoría de conjuntos difusos (Fuzzy) a la clasificación de tierras es una alternativa para superar dichas limitaciones. En el presente trabajo se aplica el enfoque de límites difusos o de transición gradual (Fuzzy) con el propósito de delimitar las clases de aptitud de las tierras del estado de Guanajuato, México, para el desarrollo de especies de importancia pecuaria y forestal que no cuentan con datos de producción. El método desarrollado es una modificación del enfoque Fuzzy tradicional aplicado a cultivos que cuentan con datos estadísticos de producción. Se utilizan los Sistemas de Información Geográfica como herramientas para hacer más eficiente el proceso de modelación. Los resultados de la clasificación de tierras con el enfoque Fuzzy, para varias especies vegetales, muestran las siguientes ventajas respecto a la clasificación Booleana convencional: a) Mejor representación de la variabilidad espacial, b) Representación más objetiva de la incertidumbre inherente a la calidad de los datos y a las divergencias de opinión entre especialistas, y c) Mejor aprovechamiento de la información disponible.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".