Drone-Based Hyperspectral and Thermal Imagery for Quantifying Upland Rice Growth and Water Use Efficiency After Biochar Application
Notice bibliographique
Résumé
Low-cost miniature hyperspectral and thermal cameras onboard lightweight unmanned aerial vehicles (UAV) bring new opportunities for monitoring land surface variables at unprecedented fine spatial resolution with acceptable accuracy. This research applies hyperspectral and thermal imagery from a drone to quantify upland rice growth and water use efficiency (WUE) after biochar application in a Costa Rican dry region. The field flights were conducted over two experimental groups with bamboo biochar and sugarcane biochar amendments and one control group without biochar application. Rice canopy biophysical variables were estimated by inversion of a canopy radiative transfer model on hyperspectral reflectance. Variations in gross primary production (GPP) and WUE across treatments were estimated from the normalized difference vegetation index (NDVI), canopy chlorophyll content (CCC), and evapotranspiration. We found that GPP was increased by 41.9±3.4 % when using bamboo biochar and 17.5±3.4 % when using sugarcane biochar, which was probably due to higher soil moisture in the biochar-amended plots and led to significantly higher WUE by 40.8±3.5 % in bamboo biochar and 13.4±3.5 % in sugarcane biochar. This study demonstrated the use of hyperspectral and thermal imagery from drone to provide indicators for quantifying biochar effects on tropical dry cropland by integrating with ground point samples and physical models.
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 | 0,000 |
| 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 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 ».