Remote estimation of leaf nitrogen content, leaf area, and berry yield in wild blueberries
Notice bibliographique
Résumé
Nitrogen (N) fertilization is a major management requirement for wild blueberry fields. Its presence and estimation can be difficult given the perennial and heterogeneous nature of the plant, low N requirement, and residual N effects, resulting in the frequent over-application of N, excessive canopy growth, and resulting reduction in berry yields. Therefore, this study aimed to estimate nitrogen content and growth parameters using remote sensing approaches. Three trials were established in three commercial fields in Nova Scotia, Canada. An RCBD with 5 replicates and a plot size of 6 × 8 m with a 2 m buffer was used. Treatments consisted of 0, 20, 40, 60, and 100 kg N ha-1 of fertilizer. Using a DJI Matrice 300 UAV mounted with an RGB and a multispectral camera, aerial measurements were collected at 30 m altitude. Several field measurements including leaf nitrogen content (LNC), leaf area, floral bud numbers, stem height, and yield were conducted. Several vegetation indices (VIs) were computed for each plot, and correlation and regression analyses were conducted. Results indicated that treatments with high nitrogen rates had correspondingly high LAI measurements with the 60 kg ha-1 rate achieving the best growth parameters compared to the other treatments. LNC, LAI, and berry yield estimations using VIs [green leaf index (GLI), green red vegetation index (GRVI), and visible atmospheric red index (VARI)] produced significantly positive R2 values of 0.43, 0.48, and 0.30 respectively. Results from this study illustrated the potential of using VIs to estimate LNC, LAI, and berry yield parameters. It was established that the near-infrared VIs are the most effective in estimating differences in nitrogen rates, making them suitable for use in prescription maps for N fertilization applications.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».