A Multi-sensor Analysis of Selected Reflectance-Based Crop Coefficient Models for Daily Maize Evapotranspiration Estimation
Notice bibliographique
Résumé
This study evaluated three reflectance-based crop coefficient models (RBCC) for daily maize actual evapotranspiration (ETa) estimates, using multispectral data from spaceborne, airborne, and proximal platforms. The goal was to identify the optimal multispectral sensor that gives more accurate daily ETa estimates. The remote sensing (RS) multispectral platforms included Landsat-8, Sentinel-2, Planet CubeSat, handheld multispectral radiometer (MSR), and unmanned aerial system or UAS, spatial resolution from 30 m to 0.03 m. Three RBCC models that use different vegetation indices as input variables were evaluated in the study. One RBCC uses the normalized difference vegetation index (NDVI). The second model uses the soil-adjusted vegetation index (SAVI), and the third model uses canopy cover (fc). The data for this study were from two maize research sites in Greeley and Fort Collins, Colorado, USA, collected in 2020 and 2021. The Greeley site had a subsurface drip system, while the Fort Collins site had surface irrigation (furrow). Daily maize ETa predictions were compared with observed daily maize ETa data from an Eddy Covariance system installed at each research site. Results indicated that, depending on the RS of ETa algorithm and platform, the optimal input RS data was different. The MSR sensor (1 m) provided the best remote sensing data (input) for the SAVI-based RBCC ETa model, with a maize ETa error (MBE±RMSE) of -0.13 (-3%)±0.67 (16%) mm/d. Sentinel-2 was the best sensor for the remaining two RBCC daily maize ETa algorithms, since the errors for the NDVI-based and fc-based RBCC models for maize ETa were 0.21 (5%)±0.78 (18%) mm/d and 0.59 (14%)±1.07 (25%) mm/d, respectively. These results indicate the need for methods to improve the spectral quality of the remote sensing data to improve spatial ETa estimates and advance sustainable irrigation water management.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 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 ».