Humboldtian diagnosis of peach tree (Prunus persica) nutrition using machine-learning and compositional methods

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade Federal de Santa Maria-
Autor(es): dc.contributorUniversidade Federal da Fronteira Sul-
Autor(es): dc.contributorLaval University-
Autor(es): dc.contributorAscar Emater—Piratini-
Autor(es): dc.contributorEmpresa Brasileira de Pesquisa Agropecuária (EMBRAPA)-
Autor(es): dc.contributorUniversidade Federal do Rio Grande do Sul-
Autor(es): dc.contributorUniversidade Estadual Paulista (Unesp)-
Autor(es): dc.contributorUniversidade Federal do Ceará (UFC)-
Autor(es): dc.creatorBetemps, Débora Leitzke-
Autor(es): dc.creatorDe Paula, Betania Vahl-
Autor(es): dc.creatorParent, Serge-Étienne-
Autor(es): dc.creatorGalarça, Simone P.-
Autor(es): dc.creatorMayer, Newton A.-
Autor(es): dc.creatorMarodin, Gilmar A.B.-
Autor(es): dc.creatorRozane, Danilo E. [UNESP]-
Autor(es): dc.creatorNatale, William-
Autor(es): dc.creatorMelo, George Wellington B.-
Autor(es): dc.creatorParent, Léon E.-
Autor(es): dc.creatorBrunetto, Gustavo-
Data de aceite: dc.date.accessioned2022-02-22T00:31:29Z-
Data de disponibilização: dc.date.available2022-02-22T00:31:29Z-
Data de envio: dc.date.issued2020-12-11-
Data de envio: dc.date.issued2020-12-11-
Data de envio: dc.date.issued2020-06-01-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.3390/agronomy10060900-
Fonte completa do material: dc.identifierhttp://hdl.handle.net/11449/200710-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/200710-
Descrição: dc.descriptionRegional nutrient ranges are commonly used to diagnose plant nutrient status. In contrast, local diagnosis confronts unhealthy to healthy compositional entities in comparable surroundings. Robust local diagnosis requires well-documented data sets processed by machine learning and compositional methods. Our objective was to customize nutrient diagnosis of peach (Prunus persica) trees at local scale. We collected 472 observations from commercial orchards and fertilizer trials across eleven cultivars of Prunus persica and six rootstocks in the state of Rio Grande do Sul (RS), Brazil. The random forest classification model returned an area under curve exceeding 0.80 and classification accuracy of 80% about yield cutoff of 16 Mg ha-1. Centered log ratios (clr) of foliar defective compositions have appropriate geometry to compute Euclidean distances from closest successful compositions in “enchanting islands”. Successful specimens closest to defective specimens as shown by Euclidean distance allow reaching trustful fruit yields using site-specific corrective measures. Comparing tissue composition of low-yielding orchards to that of the closest successful neighbors in two major Brazilian peach-producing regions, regional diagnosis differed from local diagnosis, indicating that regional standards may fail to fit local conditions. Local diagnosis requires well-documented Humboldtian data sets that can be acquired through ethical collaboration between researchers and stakeholders.-
Descrição: dc.descriptionDepartamento dos Solos Universidade Federal de Santa Maria, Av. Roraima, 1000 Camobi-
Descrição: dc.descriptionCampus Cerro Largo Universidade Federal da Fronteira Sul, Av. Jacob Reinaldo Haupenthal, 1580-Bairro São Pedro-
Descrição: dc.descriptionDepartment of Soils and Agrifood Engineering Laval University-
Descrição: dc.descriptionAscar Emater—Piratini, Rua 20 de Setembro, 158-Centro-
Descrição: dc.descriptionEmbrapa Clima Temperado Centro de Pesquisa Agropecuária de Clima Temperado, BR 392, km 78-
Descrição: dc.descriptionDepartemento de Horticultura e Silvicultura Universidade Federal do Rio Grande do Sul, Av. Bento Gonçalves 7712, C.P. 15.100, Agronomia-
Descrição: dc.descriptionDepartamento de Engenharia Agronômica Universidade Estadual de São Paulo (UNESP) Campus de Registro, Av. Nelson Brihi Badur-
Descrição: dc.descriptionDepartamento de Fitotecnia Universidade Federal do Ceará (UFC), Av. Mister Hull, 2977-Campus do Pici-
Descrição: dc.descriptionEmbrapa Uva e Vinho, Rua Livramento, 515-
Descrição: dc.descriptionDepartamento de Engenharia Agronômica Universidade Estadual de São Paulo (UNESP) Campus de Registro, Av. Nelson Brihi Badur-
Idioma: dc.languageen-
Relação: dc.relationAgronomy-
???dc.source???: dc.sourceScopus-
Palavras-chave: dc.subjectCentered log ratio-
Palavras-chave: dc.subjectCompositional entity-
Palavras-chave: dc.subjectHumboldtian data sets-
Palavras-chave: dc.subjectLocal diagnosis-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectNutrient limitations-
Palavras-chave: dc.subjectPeach trees-
Palavras-chave: dc.subjectRandom forest-
Título: dc.titleHumboldtian diagnosis of peach tree (Prunus persica) nutrition using machine-learning and compositional methods-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.