Scaling Properties of Topographic Indices and Crop Yield: Multifractal and Joint Multifractal Approaches
Notice bibliographique
Résumé
Topography controls soil water distribution in semiarid environments where water is the major growth‐limiting factor. Identification of the topographic index that best represents the spatial variability and scaling properties of crop yield is important for precision farming. Our objective was to characterize the scaling properties of four topographic indices [relative elevation (RE), wetness index (WI), upslope length (USL), and curvature (CR)] and their relationships to wheat ( Triticum aestivum L.) grain yield and biomass using multifractal and joint multifractal approaches. Wheat grain yield and terrain data were collected at 6‐m intervals along a 576‐m‐long transect on a nonlevel landscape with dominant soil type of Aridic Ustoll, under the semiarid environment of Saskatchewan, Canada. Results indicated that CR and RE had a fractal type of scaling only for a narrow range of moment orders. Wetness index showed a monofractal scaling with fractal dimension of 0.98; whereas yield, biomass, and USL showed a multifractal scaling. Joint multifractal analyses showed a high correlation coefficient between the scaling indices of grain yield and USL ( r = 0.93). Wetness index appeared to be effective as a yield covariate only at low slope areas and depressions where it has similar scaling to that of USL. Results from this study suggested that USL was the best indicator of grain yield and biomass at any scale. The implication for precision farming is that USL can be used as a guideline for varying production inputs such as fertilizer as well as for yield prediction.
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 | 0,000 | 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 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 ».