Use of Remote‐Sensing Imagery to Estimate Corn Grain Yield
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
Remote sensing—the process of acquiring information about objects from remote platforms such as ground‐based booms, aircraft, or satellites—is a potentially important source of data for site‐specific crop management, providing both spatial and temporal information. Our objective was to use remotely sensed imagery to compare different vegetation indices as a means of assessing canopy variation and its resultant impact on corn ( Zea mays L.) grain yield. Treatments consisted of five N rates and four hybrids, which were grown under irrigation near Shelton, NE on a Hord silt loam in 1997 and 1998. Imagery data with 0.5‐m spatial resolution were collected from aircraft on several dates during both seasons using a multispectral, four‐band [blue, green, red, and near‐infrared reflectance] digital camera system. Imagery was imported into a geographical information system (GIS) and then georegistered, converted into reflectance, and used to compute three vegetation indices. Grain yield for each plot was determined at maturity. Results showed that green normalized difference vegetation index (GNDVI) values derived from images acquired during midgrain filling were the most highly correlated with grain yield; maximum correlations were 0.7 and 0.92 in 1997 and 1998, respectively. Normalizing GNDVI and grain yield variability within hybrids improved the correlations in both years, but more dramatic increases were observed in 1997 (0.7 to 0.82) than in 1998 (0.92 to 0.95). This suggested GNDVI acquired during midgrain filling could be used to produce relative yield maps depicting spatial variability in fields, offering a potentially attractive alternative to use of a combine yield monitor.
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 | 0,000 | 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 découle