Multistage Soybean Biomass Inversion Models and Spatiotemporal Analyses considering Microtopography at the Sub-Field Scale
Notice bibliographique
Résumé
Crop biomass is an agricultural indicator of productivity, and knowledge of the temporal and spatial variation in biomass in different topography is critical for the application of precision management techniques. This study integrates microtopography with multitemporal remote sensing observations to reveal biomass- and yield-limiting variables. Three SPOT-6 high spatial resolution images and six topographic variables were combined to model the spatial variation in soybean biomass at multiple stages during the growing season. The results showed the following. (i) The multiple regression model for biomass estimation that combines topographic variables with vegetation indices can achieve higher accuracy than a vegetation index model. (ii) Biomass varied dramatically with topography during the growing season. (iii) Microtopographic variables, such as curvature and slope, had distinctive impacts on crop conditions over a growing season. Early in the growing season, sunny upper slopes produced more biomass than shady lower slopes, whereas this trend reversed over the season. Gentle concave slopes (–1.2 m−1 < curvature < 0 m−1) showed greater productivity later in the season, while slopes with high concavity (curvature < –1.2 m−1) or high convexity (curvature > 0.75 m−1) suppressed crop growth. These conclusions can be used directly to precisely manage nutrients and water applications.
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 ».