Prediction Models of Corn Yield by NDVI in Function of the Spacing Arrangement
Notice bibliographique
Résumé
There is a need for the use of tools to estimate productive potential during corn crop development. Thus, the assistence by means of active optical sensors for the generating of vegetation indexes can provide significant information for the knowledge of the behavior and temporal relation of this index with productive parameters of the agricultural crops. It was aimed to evaluate the temporal behavior of NDVI and its relation with yield of corn in order to generate yield prediction models in plant populations (55, 60 and 65 thousand plants ha-1) in spacing of conventional seeding and twin rows. A factorial 2 × 3 was utilized with four replicates, with a total of 24 experimental plots of 10 m2 in randomized blocks, performing reading NDVI at 5 seasons (30, 45, 60, 75 and 90 days after emergence of the plants DAE). The spacing in twin rows at 30 and 90 DAE for populations of 55 and 60 thousand plants ha-1, respectively, allowed to generate models for the prediction of productivity based on corn NDVI, while the population of 65 thousand plants ha-1 at 45 and 60 DAE there was no adjustment by the prediction model of yield by values close to NDVI for different productivities. In the conventional spacing generating models for the prediction of yield was possible in the populations of 55 and 60 thousand plants ha-1 respectively at 30 and 90 DAE.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 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 ».