Using UAV-Based SOPC Derived LAI and SAFY Model for Biomass and Yield Estimation of Winter Wheat
Notice bibliographique
Résumé
Knowledge of sub-field yield potential is critical for guiding precision farming. The recently developed simulated observation of point cloud (SOPC) method can generate high spatial resolution winter wheat effective leaf area index (SOPC-LAIe) maps from the unmanned aerial vehicle (UAV)-based point cloud data without ground-based measurements. In this study, the SOPC-LAIe maps, for the first time, were applied to the simple algorithm for yield estimation (SAFY) to generate the sub-field biomass and yield maps. First, the dry aboveground biomass (DAM) measurements were used to determine the crop cultivar-specific parameters and simulated green leaf area index (LAI) in the SAFY model. Then, the SOPC-LAIe maps were converted to green LAI using a normalization approach. Finally, the multiple SOPC-LAIe maps were applied to the SAFY model to generate the final DAM and yield maps. The root mean square error (RMSE) between the estimated and measured yield is 88 g/m2, and the relative root mean squire error (RRMSE) is 15.2%. The pixel-based DAM and yield map generated in this study revealed clearly the within-field yield variation. This framework using the UAV-based SOPC-LAIe maps and SAFY model could be a simple and low-cost alternative for final yield estimation at the sub-field 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.
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 ».