Assessment of the Maize Crop Water Stress Index (CWSI) Using Drone-Acquired Data Across Different Phenological Stages
Notice bibliographique
Résumé
The temperature-based crop water stress index (CWSI) is the most robust metric among precise techniques that assess the severity of crop water stress, particularly in susceptible crops like maize. This study used a unmanned aerial vehicle (UAV) to remotely collect data, to use in combination with the random forest regression algorithm to detect the maize CWSI in smallholder croplands. This study sought to predict a foliar temperature-derived maize CWSI as a proxy for crop water stress using UAV-acquired spectral variables together with random forest regression throughout the vegetative and reproductive growth stages. The CWSI was derived after computing the non-water-stress baseline (NWSB) and non-transpiration baseline (NTB) using the field-measured canopy temperature, air temperature, and humidity data during the vegetative growth stages (V5, V10, and V14) and the reproductive growth stage (R1 stage). The results showed that the CWSI (CWSI < 0.3) could be estimated to an R2 of 0.86, RMSE of 0.12, and MAE of 0.10 for the 5th vegetative stage; an R2 of 0.85, RMSE of 0.03, and MAE of 0.02 for the 10th vegetative stage; an R2 of 0.85, RMSE of 0.05, and MAE of 0.04 for the 14th vegetative stage; and an R2 of 0.82, RMSE of 0.09, and MAE of 0.08 for the 1st reproductive stage. The Red, RedEdge, NIR, and TIR UAV-bands and their associated indices (CCCI, MTCI, GNDVI, NDRE, Red, TIR) were the most influential variables across all the growth stages. The vegetative V10 stage exhibited the most optimal prediction accuracies (RMSE = 0.03, MAE = 0.02), with the Red band being the most influential predictor variable. Unmanned aerial vehicles are essential for collecting data on the small and fragmented croplands predominant in southern Africa. The procedure facilitates determining crop water stress at different phenological stages to develop timeous response interventions, acting as an early warning system for crops.
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 | 0,001 | 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 ».