Using Pulsed Water Applications and Automation Technology to Improve Irrigation Practices in Strawberry Production
Notice bibliographique
Résumé
Quebec, Canada, is the third largest strawberry ( Fragaria × ananassa ) producer in North America, behind Florida and California. In view of increasing global water scarcity and the high water requirements of strawberry production, there is a critical need for growers to optimize irrigation practices to improve crop water productivity (CWP). In Quebec, pulsed irrigation has been shown to increase yields in strawberry crops while using the same volume of water as standard (nonpulsed) irrigation, thus improving CWP. However, more frequent and shorter-duration water applications (pulsed irrigation) might be more complex to manage manually; therefore, it could be of interest to automate the irrigation process at the farm scale. The first objective of our study was to assess the economic impact of pulsed irrigation compared with the standard irrigation procedure (nonpulsed irrigation) in a strawberry crop grown in a highly permeable clay loam soil in Quebec. The second aim was to determine whether pulsed irrigation would generate enough benefits to offset the cost of an automated irrigation system. We used data from three sites to determine the effect of pulsed irrigation on marketable yields and gross revenues compared with nonpulsed irrigation. We conducted a cost–benefit analysis to assess the cost-effectiveness of an automated irrigation system based on net gains associated with pulsed irrigation. Our results showed that pulsed irrigation was appropriate in strawberry crops grown in a highly permeable soil because it led to significant gross revenue increases relative to the standard irrigation procedure. Our results also revealed that pulsed irrigation generated enough additional benefits to cover the cost of an automated irrigation system, with a short payback period of about 1 year.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».