Predicting yield loss in maize fields and developing decision support for post‐emergence herbicide applications
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
Summary This work was initiated to integrate an image analysis system and a prediction equation to support decisions for post‐emergence herbicide applications under field conditions. Data were collected from 1999 to 2001 in 32 commercial fields to obtain weed cover data at the three to four leaf stage of maize ( Zea mays L.), and crop yield at maturity. Relative crop yield was predicted using a non‐linear sigmoidal equation with relative weed cover as the predictor variable ( P < 0.0001; R 2 = 0.39). The decision procedure consists of using the equation within the limits of a yield loss threshold that represents the loss one is willing to tolerate. The tolerance threshold (TT) allows determination of a weed threshold (WT). The procedure considers the variability around the prediction equation by setting the WT at the intersection between the lower 95% confidence interval of the prediction line and the TT. It also considers the variability around the weed cover estimate. For a given field, the decision is made by comparing the average weed cover corrected for sampling error, to the WT. We tested the performance of the decision procedure and found it could lead to a saving of 25% of herbicide use. We also computed a probability table showing the chances of getting relative yield above or below the TT. We suggest using the probability table in combination with the decision procedure to manage risks. The proposed approach does not offer a set ‘yes’ or ‘no’ answer but rather provides a framework to support decisions by producers who ultimately must manage the risks.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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