Proximal Sensing and Relationships to Soil and Vine Water Status, Yield, and Berry Composition in Ontario Vineyards
Notice bibliographique
Résumé
Proximal sensing technology was developed to overcome many of the restrictions related to satellite- or aircraft-based remote sensing systems. Ground-based proximal sensing systems collect multispectral images in the visible and near-infrared wavebands and calculate vegetation indices, such as the normalized difference vegetation index (NDVI). The objective of this study was to assess the usefulness in viticulture of NDVI measurements acquired by the GreenSeeker™ optical sensor technology and to relate those measurements with grapevine physiological indicators. It was hypothesized that variability in vegetative expression, yield, and plant water status would relate to NDVIs and that differences in grape composition, including phenols and color, would be identified. It was also hypothesized that spatial variability in the study plots would exhibit temporally stable patterns. Results suggested that NDVI successfully established relationships with most variables; positive relationships were exhibited with vine size and yield components, while inverse correlations were demonstrated with phenols in red cultivars and monoterpenes in Riesling. Clustering patterns in NDVI were confirmed by <i>k</i>-means clustering analysis and Moran's <i>I</i> spatial autocorrelation index. The usefulness of the GreenSeeker proximal sensing tool was confirmed and is indicative of the future applicability of this technology to divide vineyards into subblocks of different productivity.
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 ».