Laboratory Calibration, In-Field Validation and Use of a Soil Penetrometer Measuring Cone Resistance and Water Content
Notice bibliographique
Résumé
Concurrent and coincident measure of penetrometer cone resistance (PR) and water content (WC) were optimized by hourly in-field validation of data from time domain transmissiometry (TDT) for WC and piezoelectric force sensor for PR. A piezoelectric force sensor coupled to a cone is followed by a helical wrapped TDT sensor on a single penetrometer shaft. Detailed laboratory calibrations, coupled with in-field validations, were important to assure the quality of data, which facilitated detailed analyses of PR and WC patterns. The piezoelectric sensor relied on a calibrated spring for the in-field validation. The calibration of the TDT sensor had three stages: a series of fluids of known dielectric constant; soil columns at known, variable water contents; and field soils at a range of ambient conditions. The penetrometer was used to study soil strength and WC behavior in time and space along 300-m plots. The treatments were conventional and no-till, each at two levels of traffic. The crop was corn (Zea mays L.), continuous and in rotation with soybean [Glycine max (L.) Merr.] and wheat (Triticum aestivum L.). The PR vs. WC relationships for two depths (0.21 and 0.27 m), below the level of cultivation, were similar to those at the 0.10-m depth for the nontrafficked no-till plots. These relationships for the 0.21- and 0.27-m depths were not influenced by tillage, traffic, and corn cropping system treatments. The variable depth of plowing in tilled plots was found to influence the data consistency for the 0.21-m depth, indicating the penetrometer's high sensitivity to the soil conditions.
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 ».