Crop and Weed Leaf Area Index Mapping Using Multi-Source Remote and Proximal Sensing
Notice bibliographique
Résumé
Site specific management rationalizes farm inputs and mitigate environmental impacts. Traditionally, low resolution satellite imagery and soil maps are employed for site specific decisions in large scale farms. However, these approaches are not good at sub-field level due to low spatial resolution. To overcome this problem, either manual scouting is employed or extensive high resolution data collection platforms are used. In both cases, the cost outweighs the expected returns. Consequently, variable rate applications are not preferred in large fields. Leaf Area Index (LAI) is a useful measure to monitor crop growth and health for site specific management. In this paper we propose an accurate and scalable process where multispectral remote sensing and proximal sensing data is used to estimate LAI. Crop LAI (CLAI) and Weed LAI (WLAI) are estimated from limited high resolution ground image samples using semantic segmentation. These limited LAIs are extended to the whole field using remote sensing and proximal sensing data. We find that LAIs are spatially related with Soil, Water and Topography (SWAT) maps and are field specific. With increasing weed population in the fields, correlation of WLAI with the SWAT zone increases. However, CLAI remains comparatively consistent across SWAT zones due to variable rate seeding and fertilizer application based on soil variance. Our results demonstrate that LAIs can be predicted accurately from limited high resolution ground imagery, satellite imagery, SWAT, and soil properties maps.
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 ».