Field-Scale Crop Seeding Date Estimation from MODIS Data and Growing Degree Days in Manitoba, Canada
Notice bibliographique
Résumé
Information on crop seeding date is required in many applications such as crop management and yield forecasting. This study presents a novel method to estimate crop seeding date at the field level from time-series 250-m Moderate Resolution Imaging Spectroradiometer (MODIS) data and growing degree days (GDD; base 5 ºC; ºC-days). The start of growing season (SOS) was first derived from time-series EVI2 (two-band Enhanced Vegetation Index) calculated from a MODIS 8-day composite surface reflectance product (MOD09Q1; Collection 6). Based on GDD calculated from the Daymet gridded estimates of daily weather parameters, a simple model was developed to establish a linkage between the observed seeding date and the SOS. Calibration and validation of the model was conducted on three major crops, spring wheat, canola and oats in the Province of Manitoba, Canada. The estimated SOS had a strong linear correlation with the observed seeding date; with a deviation of a few days depending on the year. The seeding date of the three crops can be calculated from the SOS by adjusting the number of days needed to accumulate GDD (AGDD) for emergence. The overall root-mean-square-difference (RMSD) of the estimated seeding date was less than 10 days. Validation showed that the accuracy of the estimated seeding date was crop-type independent. The developed method is useful for estimating the historical crop seeding date from remote sensing data in Canada to support studies of the interactions among seeding date, crop management and crop yield under climate change. It is anticipated that this method can be adapted to other crops in other locations using the same or different satellite 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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».