MétaCan
Menu
Retour à la cohorte
Enregistrement W2006427004 · doi:10.2134/agronj2002.1087

Yield Mapping to Document Goose Grazing Impacts on Winter Wheat

2002· article· en· W2006427004 sur OpenAlexaboutno aff
Michael M. Borman, Mounir Louhaichi, Douglas E. Johnson, William C. Krueger, Russell S. Karow, David Thomas

Notice bibliographique

RevueAgronomy Journal · 2002
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensnon disponible
Organismes subventionnairesOregon Department of Agriculture
Mots-clésGrazingGooseAgronomyYield (engineering)WaterfowlBrantaGrazing pressureEnvironmental scienceGeographyEcologyBiologyHabitat

Résumé

récupéré en direct d'OpenAlex

In southwestern Washington and western Oregon, increasing numbers of wintering Canada geese (Branta canadensis) graze several farm crops including wheat (Triticum aestivum L.). Our objectives were to develop methods to determine timing, intensity, and locations of grazing, and to measure the impact of grazing on grain yield. Aerial photography with ground‐truth photography and repeated sampling worked well to determine timing, intensity, and locations of grazing. Exclosures served as nongrazed controls. A yield‐mapping‐system‐equipped combine measured yields. All data collection points were spatially located via differential global positioning system (DGPS) technology, which allowed us to integrate all data spatially and temporally via geographical information system (GIS) technology. Based on yield‐mapping‐system data, goose grazing resulted in grain yield differences ranging from a 16% increase on part of one field to a 25% decrease on an area of a field heavily grazed in April, just before geese migrated north. Comparisons of exclosures (nongrazed controls) with paired plots provided variable results. Results from paired‐plot comparisons for three fields during 1998 were 25% reduction, no difference, and 13% increase in grain yields in the paired plots available for grazing vs. exclosures. Based on yield‐mapping‐system data, the same three fields experienced 19, 7, and 5% grain yield reductions due to goose grazing with the extent of reduction depending on a combination of timing, intensity, and extent of grazing. Paired plots did not adequately represent grazing impacts on the fields. The yield‐mapping system provided nearly complete coverage of the fields and adequately captured grazing impacts.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,019
Tête enseignante GPT0,213
Écart entre enseignants0,194 · 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'étudeObservationnel
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

Citations9
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgronomy JournalMême sujetRemote Sensing in AgricultureTravaux en français237 207