Calibration par intelligence artificielle de la détermination des besoins en chaux des sols acides
Bibliographic record
Abstract
Au Québec, dans toutes les provinces canadiennes et dans 18 États américains, la méthode de détermination des besoins en chaux des sols agricoles est basée sur l'analyse du pH[indice SMP]. Cependant, cette méthode pose des problèmes de précision par rapport aux sols dont les besoins en chaux sont faibles. Ainsi cette méthode n'est pas trop en phase avec la réalité agronomique d'une majorité de sols du Québec ayant de faibles besoins et entretenus chaque année par des pratiques de chaulage. L'objectif de cette étude était de développer une nouvelle procédure d'évaluation des besoins en chaux basée sur les analyses routinières des sols (pH[indice eau], MO, P[indice M3], K[indice M3], Ca[indice M3], Mg[indice M3], Al[indice M3]) et leur calibration par apprentissage supervisé sur les courbes de titrage de l'acidité des sols. Pour réaliser cette étude, 270 courbes de titrage ont été élaborés à partir d'expériences de laboratoire, ensuite ces courbes ont été paramétrisés et les covariables découlant de cette paramétrisation sont prédits par intelligence artificielle à partir de caractéristiques physico-chimiques de base des sols analysés. Ce projet de recherche a été réalisé de façon à prendre le plus en considération possible la réalité des sols agricoles au Québec, l'échantillonnage a été faite au niveau de 9 régions du Québec. Les résultats obtenus prouvent qu'il est possible de paramétriser une courbe de titration d'un sol et de prédire ses besoins en chaux à partir de ses paramètres physico-chimiques routinières.
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 | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
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".