Effect of Irrigation Dose Based on Vegetation Indices Calculation Using Multispectral Sensor
Notice bibliographique
Résumé
The agricultural sector is vital for the Greek economy, the Greek producers and consumers. The new era in agriculture leads scientists to find new more effective ways to estimate plant growth and biomass production and to increase water use efficiency. Given the above, a research project was organized at the Laboratory of Agricultural Hydraulics, University of Thessaly. For the first time in the climatic conditions of Central Greece, the project aims to assess another method to estimate the growth and biomass production of corn, based on multispectral photos and vegetation indices using a low cost multispectral camera and drone. Three surface drip irrigation treatments in three replications were organized and a randomized complete block design was used. The crop water needs were calculated according to the daily evapotranspiration using the Penman-Monteith procedure as it was presented by the Food Agricultural Organisation. The amount of water in each treatment was equal to A) 100% of the daily evapotranspiration (ETo), B) 75% of the ETo, and C) 50% of the ETo. Vegetation indices were calculated based on multispectral photos taken from a drone and the Simple and Multiple Regression analysis were used to estimate the maize growth and biomass production in Greek conditions. Different equations were formed to estimate the maize growth and biomass production and vegetation indices were used as independent variables. The results showed that vegetation indices can be used in the agriculture process to estimate maize growth and biomass production. In this paper the results of two consecutive years, 2018 and 2019 are presented.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».