Mapping Spatial Variability of Sugarcane Foliar Nitrogen, Phosphorus, Potassium and Chlorophyll Concentrations Using Remote Sensing
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
Various nutrients are needed during the sugarcane growing season for plant development and productivity. However, traditional methods for assessing nutritional status are often costly and time consuming. This study aimed to determine the level of nitrogen (N), phosphorus (P), potassium (K) and chlorophyll of sugarcane plants using remote sensing. Remotely sensed images were obtained using a MicaSense RedEdge-P camera attached to a drone. Leaf chlorophyll content was measured in the field using an N-Tester chlorophyll meter, and leaf samples were collected and analyzed in the laboratory for N, P and K. The highest correlation between field samples and predictor variables (spectral bands, selected vegetation indices, and plant height from Light Detection and Ranging (LiDAR)), were noted.The spatial distribution of chlorophyll, N, P, and K maps achieved 60%, 75%, 96% and 50% accuracies, respectively. The spectral profiles helped to identify areas with visual differences. Spatial variability of nutrient maps confirmed that moisture presence leads to nitrogen and potassium deficiencies, excess phosphorus, and a reduction in vegetation density (93.82%) and height (2.09 m), compared to green, healthy vegetation (97.64% density and 3.11 m in height). This robust method of assessing foliar nutrients is repeatable for the same sugarcane variety at certain conditions and leads to sustainable agricultural practices in Costa Rica.
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