MétaCan
Menu
Retour à la cohorte
Enregistrement W1601029173 · doi:10.5539/jas.v7n6p50

Crop Evapotranspiration (ET) Estimation Models: A Review and Discussion of the Applicability and Limitations of ET Methods

2015· review· en· W1601029173 sur OpenAlexvenueno aff
Abhinaya Subedi, José L. Chávez

Notice bibliographique

RevueJournal of Agricultural Science · 2015
Typereview
Langueen
DomaineEnvironmental Science
ThématiquePlant Water Relations and Carbon Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Food and AgricultureColorado State UniversityU.S. Department of Agriculture
Mots-clésEvapotranspirationCrop coefficientEstimationPlant canopyCanopyCropField (mathematics)Variable (mathematics)Empirical modellingAgricultural engineeringMathematicsEnvironmental scienceComputer scienceGeographyForestryEngineeringEcologySimulation

Résumé

récupéré en direct d'OpenAlex

This is a review paper on existing methodologies to calculate crop evapotranspiration (ETc). We have attempted to present all the important ET estimation procedures to date starting from the simple empirical Blaney Criddle method to the complex Shuttleworth model. The common approach to calculate ETc is to estimate a reference crop ET rate (ETref) using weather variables from nearby weather station, and multiplying it by an appropriate crop coefficient (Kc). Recently, there have been attempts to calculate actual crop ET (ETa) directly without using Kc. The latter method is still in the developmental phase. This study reviews the existing literature on ET estimation and identifies research needs in the current methods and technology. The extension of the Shuttleworth model for hourly time step and the validity of the Irmak and Mutibwaa model at field level for various crops would be a good milestone for the one step ET estimation. Furthermore, there are indications that the development of a new variable canopy surface resistance (rc) model, which can be applicable for different crops at different climatic conditions, would be a good contribution in this field.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0030,005
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,086
Tête enseignante GPT0,356
Écart entre enseignants0,270 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations75
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetPlant Water Relations and Carbon DynamicsTravaux en français237 207