Using NDVI to Differentiate Wheat Genotypes Productivity Under Dryland and Irrigated Conditions
Notice bibliographique
Résumé
Crop breeders are looking for tools to facilitate the screening of genotypes in field trials. Remote sensing-based indices such as normalized difference vegetative index (NDVI) are sensitive to biomass and nitrogen (N) variability in crop canopies. The objectives of this study were (i) to determine if proximal sensor-based NDVI readings can differentiate the yield of winter wheat (Triticum aestivum L.) genotypes and (ii) to determine if NDVI readings can be used to classify wheat genotypes into grain yield productivity classes. This study was conducted in northeastern Colorado in 2010 and 2011. The NDVI readings were acquired weekly from March to June, during 2010 and 2011. The correlation between NDVI and grain yield was determined using Pearson’s product-moment correlation coefficient (r). The k-means clustering method was used to classify mean NDVI and mean grain yield into three classes. The overall accuracy between NDVI and yield classes was reported. The findings of this study show that, under dryland conditions, there is a reliable correlation between grain yield and NDVI at the early growing season, at the anthesis growth stage, and the mid-grain filling growth stage, as well as a poor association under irrigated conditions. Our results suggest that when the sensor is not saturated, i.e., NDVI < 0.9, NDVI could assess grain yield with fair accuracy. This study demonstrated the potential of using NDVI readings as a tool to differentiate and identify superior wheat genotypes.
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 ».