Soil Water Content and High-Resolution Imagery for Precision Irrigation: Maize 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
Improvement in water use efficiency of crops is a key component in addressing the increasing global water demand. The time and depth of the soil water monitoring are essential when defining the amount of water to be applied to irrigated crops. Precision irrigation (PI) is a relatively new concept in agriculture, and it provides a vast potential for enhancing water use efficiency, while maintaining or increasing grain yield. Neutron probes (NPs) have consistently been used as a robust and accurate method to estimate soil water content (SWC). Remote sensing derived vegetation indices have been successfully used to estimate variability of Leaf Area Index and biomass, which are related to root water uptake. Crop yield has not been evaluated on a basis of SWC, as explained by NPs in time and at different depths. The objectives of this study were (1) to determine the optimal time and depth of SWC and its relationship to maize grain yield (2) to determine if satellite-derived vegetation indices coupled with SWC could further improve the relationship between maize grain yield and SWC. Soil water and remote sensing data were collected throughout the crop season and analyzed. The results from the automated model selection of SWC readings, used to assess maize yield, consistently selected three dates spread around reproductive growth stages for most depths (p value < 0.05). SWC readings at the 90 cm depth had the highest correlation with maize yield, followed closely by the 120 cm. When coupled with remote sensing data, models improved by adding vegetation indices representing the crop health status at V9, right before tasseling. Thus, SWC monitoring at reproductive stages combined with vegetation indices could be a tool for improving maize irrigation 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.
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