Spatial Relationships of Landscape Attributes and Wheat Yield Patterns
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Success of precision farming practices requires knowledge of fields such as soil type, topography, soil nutrients, spatial variability effects, yield patterns and their spatial relationships. A three year (2008-09 to 2010-11) field experimental study was conducted at Postgraduate Agricultural Research Station, University of Agriculture, Faisalabad, Pakistan, to identify the influencing landscape parameters and their spatial distribution, having effects on wheat yield patterns using artificial neural network (ANN) and GIS map overlay techniques. A total of 48 soil samples were collected from top 30 cm of the soil, before sowing, at center of each grid of 24 x 67 m in size along with position data using Global Positioning System receiver (GARMIN, GPS60). Landscape attributes such as elevation, %sand, %silt, %clay, soil electrical conductivity (EC), pH, soil nitrogen (N) and soil phosphorus were included in the analysis. ANN analysis revealed that urea fertilizer treatments, followed by %sand, %silt, % clay, elevation, soil nitrogen and EC were ranked as the most influencing parameters. The yield data, however, were normalized to remove fertilizer treatments effects and then were used in the subsequent analysis. The map overlay analysis showed that the areas having lower elevation, lower soil EC and higher levels of soil N produced higher yields. Whereas the areas having higher elevation, higher soil EC and moderate soil N produced lower yields, establishing the cause-effect relationships. These results indicated that ANN and GIS techniques were helpful in identifying the influencing parameters affecting wheat yield, which can be managed under precision farming practices.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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