Effectiveness of using vegetation index to delineate zones of different soil and crop grain production characteristics
Notice bibliographique
Résumé
Cost-effective methods to map differences in productivity across fields have potential application for site-specific management of fertilizer and pesticides. In this study, zones were delineated for a field with hummocky topography in southwestern Saskatchewan by clustering the normalized difference vegetation index (NDVI) derived from Landsat TM information. Zones uniqueness were confirmed if zones differed in grain yield. Two different zones were delineated in the field. These zones had significant (P < 0.05) differences in soil factors related to productivity: average solum depth, spring soil nitrogen (N), phosphorus (P), and spring soil moisture. Over 4 yr, the two zones also had different spring wheat (Triticum aestivum L.) grain yield and protein content. The yield response to N-P fertilizer blend within each zone was different with no significant response to N-P fertilizer in the zone with higher NDVI values versus a significant response to N-P in the zone with lower NDVI. The results indicate a potential economic advantage to reducing fertilizer application to the zone without fertilizer response. Further, the residual soil NO 3 -N in the zone without fertilizer response was positively correlated with N application in the previous year. Therefore, there is a potential environmental benefit to reducing fertilizer application to that zone to decrease residual NO 3 -N, which can leach and contaminate ground water or can be denitrified to the greenhouse gas, N 2 O. Hence, this relatively simple and low-cost method of zone delineation has potential practical application to realize economic and environmental benefits from site-specific management of fertilizer.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».