Ground-Penetrating Radar and Electromagnetic Induction: Challenges and Opportunities in Agriculture
Notice bibliographique
Résumé
Information on the spatiotemporal variability of soil properties and states within the agricultural landscape is vital to identify management zones supporting precision agriculture (PA). Ground-penetrating radar (GPR) and electromagnetic induction (EMI) techniques have been applied to assess soil properties, states, processes, and their spatiotemporal variability. This paper reviews the fundamental operating principles of GPR and EMI, their applications in soil studies, advantages and disadvantages, and knowledge gaps leading to the identification of the difficulties in integrating these two techniques to complement each other in soil data studies. Compared to the traditional methods, GPR and EMI have advantages, such as the ability to take non-destructive repeated measurements, high resolution, being labor-saving, and having more extensive spatial coverage with geo-referenced data within agricultural landscapes. GPR has been widely used to estimate soil water content (SWC) and water dynamics, while EMI has broader applications such as estimating SWC, soil salinity, bulk density, etc. Additionally, GPR can map soil horizons, the groundwater table, and other anomalies. The prospects of GPR and EMI applications in soil studies need to focus on the potential integration of GPR and EMI to overcome the intrinsic limitations of each technique and enhance their applications to support PA. Future advancements in PA can be strengthened by estimating many soil properties, states, and hydrological processes simultaneously to delineate management zones and calculate optimal inputs in the agricultural landscape.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».