Development of a numeric on-line decision support system for crop fertilizer optimization
Bibliographic record
Abstract
L'engrais est un intrant agricole important nécessaire pour atteindre des rendements élevés. La détermination d'un taux optimal d'application d'engrais implique diverses conditions spatiales (conditions du sol et du paysage) et temporelles (conditions météorologiques et prix). Les contrôles spatiaux et temporels nécessitent la détermination de la gamme optimale d'engrais basée sur des facteurs tels que la gestion passée, les caractéristiques du sol, la rotation des cultures, les conditions météorologiques (historiques, actuelles et prévisionnelles), les prix des matières premières, le coût et l'accessibilité. Dans tous les contextes de production, la réponse des cultures à la fertilisation est incertaine en raison de nombreux facteurs d'influence et de leurs interactions ainsi que des anomalies. La représentation quantitative de ces incertitudes affecte la définition des meilleures pratiques de gestion en plus des valeurs attendues. Par conséquent, un système d'aide à la décision correctement mis en place aide à déterminer les taux d'application d'engrais qui minimisent les risques associés à l'utilisation d'engrais, tels que la rentabilité non maximisée. Cette thèse présente un cadre pour la mise en œuvre des contrôles de production (taux d'intrants agricoles), conceptualisé comme un système d'aide à la décision (DSS) qui prend en compte les facteurs spatiaux, temporels et managériaux pour évaluer l'impact potentiel de la fertilisation des cultures, d'autres amendements) sur les bénéfices d'un scénario de production donné, dans le contexte d'informations incertaines. Le DSS proposé comprend une base de données, une interface utilisateur et un modèle de simulation numérique. L'interface web en ligne du DSS aide l'utilisateur à saisir les conditions de production spécifiques au site. La base de données contient des essais de fertilité précédemment enregistrés pour un intrant agricole donné dans différentes conditions. Le processus de simulation numérique intègre les essais de fertilité, l'information sur les conditions locales et les considérations économiques. Le couplage dynamique des facteurs spatiaux, temporels et de gestion spécifique au site aux fonctions de production et de profit permet d'estimer le taux d'engrais économiquement optimal, pour maximiser le rendement net sur le coût de la fertilisation, afin d'augmenter la probabilité de réussite pour chaque option décisionnelle. Les écarts entre le rendement estimé et enregistré ont été considérés comme des incertitudes de production alors que les variations de prix ont été considérées comme des incertitudes économiques. Le traitement basé sur l'incertitude de chaque entrée du modèle permet d'équilibrer les résultats potentiels de la sous-application ou de la sur-application. Le DSS permet la saisie de données historiques sur les essais à la ferme pour améliorer la base de données existante et pour améliorer continuellement sa précision. Avec la version actuelle de la base de données, le DSS pourrait estimer le taux d'application optimal avec le bénéfice net attendu et la probabilité d'atteindre ce bénéfice. Sur la base d'exemples illustrés, des taux d'application plus élevés tendent à augmenter les estimations de NRCF avec plus d'incertitude par rapport aux faibles taux d'application. La probabilité de réduction de la NRCF était plus élevée lorsqu'un taux d'application inférieur était accepté et vice versa. Le DSS a proposé des taux d'application plus élevés lorsque les coûts des engrais étaient plus bas ou que le prix du rendement était plus élevé et vice versa. Les probabilités de profit ont été utilisées pour déterminer le scénario de rentabilité le plus certain (le moins risqué) en fonction des préférences de risque individuelles. Avec la première version du DSS mis au point, seule l'application d'azote pour le maïs dans l'Est du Canada a été utilisée pour illustrer le cadre proposé. Le DSS peut être consulté en ligne à http://www.numericag.com
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".