Optical sensors to predict sugarbeet yield, quality, and fertilizer nitrogen application rate
Notice bibliographique
Résumé
Nitrogen (N) management is critical for sugarbeet (Beta vulgaris L.) because N inversely influences root yield and recoverable white sucrose per tonne (RWST). In Ontario, from 2015 to 2017, the use of optical sensors (e.g., a soil plant analysis development (SPAD) chlorophyll meter, GreenSeeker handheld crop sensor) was evaluated as a method to guide N application and harvest date (late-September, late-October) selection by predicting root yield RWST and partial profit margins. In a commercial field, 4 to 5 fertilizer N rates, and 8 to 12 cultivars were tested in a split block design experiment with three replications and two harvest dates. In all years, few cultivars (≤2) had a root yield response to applied N, which was attributed to high inherent soil fertility, and limited our evaluation of optical sensors to adjust in-season N applications. The optimal N rate to maximize RWST and profits was 0 to 45 kg N·ha −1 and confirmed their negative relationship to applied N. Optical sensor readings correlated negatively with RWST across the majority (>60%) of cultivars tested in mid-August and September. Across all cultivars, the regression model of optical sensors to predict RWST at early harvest was strongest (R 2 = 0.48 for SPAD; 0.24 for GreenSeeker) when readings were taken in early September. Although future research to refine this relationship is needed, we recommend the use of optical sensors, particularly the SPAD meter, in early September to guide harvest selection to maximize RWST.
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 | 0,001 | 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 ».