Optimizing Seeding Ratio for Semi-Leafless and Leafed Pea Mixture with Precise UAV Quantification of Crop Lodging
Notice bibliographique
Résumé
The field pea has both semi-leafless (SL) and leafed (L) types. Mixing these two types together might improve yield by optimizing pea solar radiation interception, reducing lodging, and decreasing disease. However, an optimum mixing ratio has not yet been established, since previous studies mixed two leaf types from two separate varieties. This study used four near-isogenic pairs of pea genotypes differing only in leaf type to determine the optimal mixing ratio for yield and agronomic traits. Two leaf types were mixed at seeding in five mixing ratios: 0:100, 50:50, 67:33, 83:17, and 100:0 SL/L. With precise UAV quantification of canopy height (r2 = 0.88, RMSE = 2.6 cm), the results showed that a ratio of over 67% semi-leafless pea had a 10% greater lodging resistance when compared to the leafed monoculture. For mycosphaerella blight and Uromyce viciae-fabae rust diseases, the 83:17 mixture decreased disease severity by 4% when compared with the leafed monoculture. Regression analysis of yield estimated that the 86:14 ratio provided an 11% increase to the leafed monoculture, but there was no increase compared with the semi-leafless monoculture. Mixing the two types in a high semi-leafless ratio can reduce leafed lodging and prevent yield loss but does not increase the overall yield over the semi-leafless monoculture.
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) | 0,001 | 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 | 0,001 | 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 ».