Coupling Hyperspectral Remote Sensing Data with a Crop Model to Study Winter Wheat Water Demand
Notice bibliographique
Résumé
Accurate information of crop growth conditions and water status can improve irrigation management. The objective of this study was to evaluate the performance of SAFYE (simple algorithm for yield and evapotranspiration estimation) crop model for simulating winter wheat growth and estimating water demand by assimilating leaf are index (LAI) derived from canopy reflectance measurements. A refined water stress function was used to account for high crop water stress. An experiment with nine irrigation scenarios corresponding to different levels of water supply was conducted over two consecutive winter wheat growing seasons (2013–2014 and 2014–2015). The calibration of four model parameters was based on the global optimization algorithms SCE-UA. Results showed that the estimated and retrieved LAI were in good agreement in most cases, with a minimum and maximum RMSE of 0.173 and 0.736, respectively. Good performance for accumulated biomass estimation was achieved under a moderate water stress condition while an underestimation occurred under a severe water stress condition. Grain yields were also well estimated for both years (R2 = 0.83; RMSE = 0.48 t∙ha−1; MRE = 8.4%). The dynamics of simulated soil moisture in the top 20 cm layer was consistent with field observations for all scenarios; whereas, a general underestimation was observed for total water storage in the 1 m layer, leading to an overestimation of the actual evapotranspiration. This research provides a scheme for estimating crop growth properties, grain yield and actual evapotranspiration by coupling crop model with remote sensing data.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».