MétaCan
Menu
Retour à la cohorte
Enregistrement W1980742489 · doi:10.3390/rs2010375

Combining Satellite Remote Sensing Data with the FAO-56 Dual Approach for Water Use Mapping In Irrigated Wheat Fields of a Semi-Arid Region

2010· article· en· W1980742489 sur OpenAlexfundno aff
Salah Er‐Raki, Abdelghani Chehbouni, B. Duchemin

Notice bibliographique

RevueRemote Sensing · 2010
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensnon disponible
Organismes subventionnairesUniversité Cadi AyyadCentre National d’Etudes SpatialesCentre National de la Recherche ScientifiqueAgence Universitaire de la FrancophonieStrongInstitut de Recherche pour le Développement
Mots-clésEnvironmental scienceCrop coefficientNormalized Difference Vegetation IndexAridRemote sensingEddy covarianceIrrigationVegetation (pathology)Growing seasonHydrology (agriculture)Spatial distributionEvapotranspirationLeaf area indexAgronomyGeographyEcosystemGeology

Résumé

récupéré en direct d'OpenAlex

The aim of this study was to combine the FAO-56 dual approach and remotely-sensed data for mapping water use (ETc) in irrigated wheat crops of a semi-arid region. The method is based on the relationships established between Normalized Difference Vegetation Index (NDVI) and crop biophysical variables such as basal crop coefficient, cover fraction and soil evaporation. A time series of high spatial resolution SPOT and Landsat images acquired during the 2002/2003 agricultural season has been used to generate the profiles of NDVI in each pixel that have been related to crop biophysical parameters which were used in conjunction with FAO-56 dual source approach. The obtained results showed that the spatial distribution of seasonal ETc varied between 200 and 450 mm depending to sowing date and the development of the vegetation. The validation of spatial results showed that the ETc estimated by FAO-56 corresponded well with actual ET measured by eddy covariance system over test sites of wheat, especially when soil evaporation and plant water stress are not encountered.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,930
Score d'incertitude au seuil0,989

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,228
Écart entre enseignants0,196 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations93
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRemote SensingMême sujetRemote Sensing in AgricultureTravaux en français237 207