Determining and Mapping Soil Nutrient Content Using Geostatistical Technique in a Durian Orchard in Malaysia
Notice bibliographique
Résumé
Soil nutrient are essential for crop growth. Spatial variability of nutrient can be occurred in various scales, betweenregion, field or within field especially in variation in soil properties. Precision farming is a technology currentlyavailable for sustainable agriculture. This technology enables farm management is based on small-scale spatialvariability of soil and crop parameters in the field. This study was carried out in a Durian Orchard at Bendang ManAgrotourism Project, Sik, Kedah, Malaysia. The objectives of this study are to determine and map soil nutrient contentespecially Nitrogen, Phosphorus and Potassium (NPK) variability in a durian orchard using geostatistical technique.The NPK was analyzed and mapped by Geostatistic Plus (GS++) to quantify the level of spatial nutrient available andpredict nutrient values at unsampled location. Results indicated that NPK ranged from < 0.1 to 1.0 % (N), < 3 to > 45ppm (P) and 0.8 to >1.4 cmol(+)/kg (K), respectively. Nutrient map showed that the area has less sufficient of N, whileP and K were sufficient. This study revealed the potential and ability of geostatistical-variogram in determining andmapping soil nutrient content in a durian orchard. Furthermore NPK map can be used to apply fertilizer to an area,where less NPK content for efficient fertilizer management.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».