Assessing Remote Sensing-Based Maize Crop Biophysical Characteristics and Evapotranspiration Estimations
Notice bibliographique
Résumé
The rapid growth in population, climate variability, and decreasing water resources necessitate innovative agricultural practices to ensure food security and resource conservation. This study investigates the effectiveness of various multispectral imagery from remote sensing (RS) platforms, Unmanned Aerial Systems (UAS), PlanetDove microsatellites, Sentinel-2, Landsat 8/9, and proximal MSR-5 in assessing crop biophysical characteristics (CBPCs) and actual crop evapotranspiration (ETa) for maize fields in northeastern Colorado. The research aims to evaluate the accuracy of vegetation indices (VIs) derived from these platforms in estimating key CBPCs, including leaf area index (LAI), crop height (Hc), and fractional vegetation cover (Fc), as well as ETa. Field experiments were conducted during 2022 at the USDA-ARS Limited Irrigation Research Farm in Greeley, Colorado, U.S.A., using different irrigation strategies. Surface reflectance data collected using a handled sensor and observed LAI, Hc, and Fc values, served as ground truth for validating RS estimates. The study applied various statistical analyses to compare the performance of different RS platforms and models. Results indicate that higher-resolution platforms, particularly UAS, provided higher accuracy in estimating VIs and CBPCs than satellite platforms. The study also highlights the influence of environmental conditions on the accuracy of RS models, with locally calibrated models outperforming those developed in dissimilar conditions. The findings underscore the potential of advanced RS technologies in enhancing precision agriculture practices and optimizing water resource 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».