Using Unmanned Aerial Systems (UAS) and Object-Based Image Analysis (OBIA) for Measuring Plant-Soil Feedback Effects on Crop Productivity
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
Unmanned aerial system (UAS) acquired high-resolution optical imagery and object-based image analysis (OBIA) techniques have the potential to provide spatial crop productivity information. In general, plant-soil feedback (PSF) field studies are time-consuming and laborious which constrain the scale at which these studies can be performed. Development of non-destructive methodologies is needed to enable research under actual field conditions and at realistic spatial and temporal scales. In this study, the influence of six winter cover crop (WCC) treatments (monocultures Raphanus sativus, Lolium perenne, Trifolium repens, Vicia sativa and two species mixtures) on the productivity of succeeding endive (Cichorium endivia) summer crop was investigated by estimating crop volume. A three-dimensional surface and terrain model were photogrammetrically reconstructed from UAS imagery, acquired on 1 July 2015 in Wageningen, the Netherlands. Multi-resolution image segmentation (MIRS) and template matching algorithms were used in an integrated workflow to detect individual crops (accuracy = 99.8%) and delineate C. endivia crop covered area (accuracy = 85.4%). Mean crop area (R = 0.61) and crop volume (R = 0.71) estimates had strong positive correlations with in situ measured dry biomass. Productivity differences resulting from the WCC treatments were greater for estimated crop volume in comparison to in situ biomass, the legacy of Raphanus was most beneficial for estimated crop volume. The perennial ryegrass L. perenne treatment resulted in a significantly lower production of C. endivia. The developed workflow has potential for PSF studies as well as precision farming due to its flexibility and scalability. Our findings provide insight into the potential of UAS for determining crop productivity on a large scale.
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