Combination of Sentinel-2 Satellite Images and Meteorological Data for Crop Water Requirements Estimation in Intensive Agriculture
Notice bibliographique
Résumé
In arid and semi-arid regions, agriculture is an important element of the national economy, but this sector is a large consumer of water. In a context of high pressure on water resources, appropriate management is required. In semi-arid, intensive agricultural systems, such as the Tadla irrigated perimeter in central Morocco, a large amount of water is lost by evapotranspiration (ET), and farmers need an effective decision support system for good irrigation management. The main objective of this study was to combine a high spatial resolution Sentinel-2 satellite and meteorological data for estimating crop water requirements in the irrigated perimeter of Tadla and qualifying its irrigation strategy. The dual approach of the FAO-56 (Food and Agriculture Organization) model, based on the modulation of evaporative demand, was used for the estimation of crop water requirements. Sentinel-2A temporal images were used for crop type mapping and deriving the basal crop coefficient (Kcb) based on NDVI data. Meteorological data were also used in crop water requirement simulation, using SAMIR (satellite monitoring of irrigation) software. The results allowed for the spatialization of crop water requirements on a large area of irrigated crops during the 2016–2017 agricultural season. In general, the crops’ requirement for water is at its maximum during the months of March and April, and the critical period starts from February for most crops. Maps of water requirements were developed. They showed the variability over time of crop development and their estimated water requirements. The results obtained constitute an important indicator of how water should be distributed over the area in order to improve the efficiency of the irrigation scheduling strategy.
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 | 0,001 |
| 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 ».