Development of Decision Support Framework for Soil Conservation and Profitability Mapping using Drone Imagery
Notice bibliographique
Résumé
Soil erosion causes fluctuations in potato ( Solanum tuberosum L) yield, deteriorates soil health, lowers profit margins for growers, and creates adverse environmental impacts. This study focuses on developing a decision support system to improve soil health, increase profitability for growers, and lower environmental risks. Two fields are selected for this research in Prince Edward Island, Canada, during 2020-2021. Thermal and topography surveys are conducted to delineate fertility-based management zones (MZs) for soil sampling of organic matter, potato yield, and sensor data collection. Soil temperature are calibrated and validated before the growing season using handheld gun and drone-based thermal imagery. Data analysis from drone imagery reflects the coincided patterns of thermal and multispectral imagery with crop yield, topographical features, and soil water and topography (SWAT) maps. Higher temperature zones lead to excessive soil erosion that reduces soil surface nutrients, lower NDVI values, and show visual variation in bare soil imagery. Moreover, it is found that low thermal zones produce higher yields as compared to the high thermal zones. As such, the slope has a direct impact on the retention of soil moisture content; the low productivity zones retain the least soil moisture content (13.5%), followed by medium (16.1%) and high productivity zones (18.4%). This proposed decision support system can be a useful tool for mapping soil erosion and crop profitability. The data generated from these tools can be a crucial input for improved quantification of sediment transport in watershed scale models.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».