Estimation of Corn Leaf Area Index and Ground Cover With Vegetation Indices as a Result of Irrigation Dose
Notice bibliographique
Résumé
New technologies have been implemented in the agricultural sector to improve crop production and resource management including irrigation water. A three-year long project was conducted to determine whether vegetation indices (VIs) could be used to estimate the leaf area index (LAI) as well as the soil cover fraction (fc) at different crop growth stages in order to use these parameters in a future study concerning irrigation through drones. A low cost unmanned aerial vehicle (drone) and a multispectral camera were used to calculate different VIs of corn (Zea mays). The irrigation scheduling based on the FAO Penman-Monteith equation and the drip irrigation method were used. Three treatments were organized in three replications and the irrigation doses were equal to 100%, 75%, and 50% of the daily evapotranspiration respectively. The Simple and Multiple Regression analysis were used and different equations were formed where the VIs were the predictor variables and the LAI and fc the predicted ones. According to the two-year period data (2018-2019), during 2018 the average maximum LAI in the full irrigation treatment (100%) was 4.1. In the medium irrigation treatment (75%) the LAI was 4.0. The LAI in the third treatment (50%) was 3.9. In 2019, the LAI was 3.7 (100% treatment). In the second treatment, the LAI was 3.3. The LAI in the third treatment was 3.0. According to the results different VIs and prediction equations could be used to estimate the LAI values with high accuracy with the in situ measurements as well as the soil cover fraction.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».