Notice bibliographique
Résumé
This study investigated the possibility of three approaches in determination of soil moisture in the root zone. The aim of the study was to contribute to the development of soil moisture monitoring methods to better help crop best management practices. Two fields were examined, one at the Macdonald Campus of McGill University and the other near St. Jean-sur-Richelieau. Three approaches were used; (1) a hand-held hyper-spectral sensor (350-2500 nm), (2) a Geonics RTM EM-38 conductivity meter and, (3) gravimetric soil moisture sampling. The first experiment (at St. Jean-sur-Richelieu) investigated the possibility of monitoring soil moisture with the EM_38, in the presence of field elevation and soil texture. The second experiment (at Macdonald Campus) investigated the possibility of using hyper-spectral sensor data for determination of soil characteristics in the root zone, in the presence of such factors as (a) irrigation (main treatment), (b) nitrogen (sub-treatment), and (c) weed control (sub-sub-treatment). Statistical regression analyses and Artificial Neural Network models were used to select the best waveband region for determination of soil root zone moisture. The coefficients of determination obtained by the statistical analyses ranged from 0.75 to 0.94. The wavebands most frequently identified by these analyses ranged from 1100 nm-1900 nm. The performances of the ANN training models were considered acceptable (R2 from 0.6 to 0.8). The lack of sufficient data greatly impacts this approach.
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 | 0,000 | 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) | 0,002 | 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 ».