Hyperspectral Remote Sensing of Potato Plant Nutrient Deprivation and Vegetation Stress using High-Resolution Spectroradiometry for Minimal Input Agricultural Systems
Notice bibliographique
Résumé
Abstract. Nitrogen is a plant growth limiting nutrient in natural ecosystems, however, many agricultural systems are saturated due to high fertilizer applications. This can lead to higher costs, nitrogen leakage into the environment and unnecessary GHG emissions that contribute to climate change. To avoid this, Neilson (2021) has proposed an approach based on minimal input agricultural systems (MIAS). MIAS seeks to grow crops with limited fertilizer inputs. This is accomplished through targeted/precision fertilizer placement, managing plant physiology to operate at higher efficiencies and adopting new varieties. To work optimally MIAS requires methods to quickly assess plant nutrient status and adjust fertilizer applications accordingly. This study tested remote sensing for detecting stress in potato plants, based on two separate and independent laboratory remote sensing experiments. The goal is to determine minimal input levels applied to a starvation agricultural system that provide yields equivalent (or perhaps even improving upon) those obtained using current excessive inputs, both in terms of yield and, importantly, quality. This research is at the front-end of a proposed paradigm shifting new approach to agriculture. We are being careful to start at first principles in this work; thus the study presented here is based on multiple trials and independent tests. Results testing experimental approaches and N deprivation assessment determined the optimal leaf density and timing of measurements and demonstrated a capability to detect vegetation stress and N deprivation in three potato varieties. These results will inform next steps for future RPAS/UAV/airborne/satellite studies and be used to develop other plant physiology assessment methods.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».