Remote estimation of leaf nitrogen content, leaf area, and berry yield in wild blueberries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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 R 2 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.
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 | 0,000 | 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 découle