Using Drones to Predict Degradation of Surface Drainage on Agricultural Fields: A Case Study of the Atlantic Dykelands
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
Excess water in agricultural fields can significantly limit crop productivity. Drone technology offers solutions for identifying and predicting drainage degradation. This study utilized drone-based photogrammetry to create high-resolution elevation models, multispectral imagery for vegetation indices, and flood simulations models to identify zones at risk of poor surface drainage. These models, collected from 2021 to 2023, were used to assess the relationship between poor drainage and corn productivity. The findings revealed a substantial decline in productivity in poorly maintained surface drainage areas, notably a decrease in mean plant height from 1.43 m in 2022 to 0.26 m in flood-prone areas in 2023. Flood-prone zones expanded significantly, from 37% to 61% of the field area between 2022 and 2023, emphasizing the negative cumulative impacts of pre-existing drainage issues. Conversely, fields receiving regular annual maintenance showed an increase in mean plant heights (from 2.23 m to 2.54 m) and NDVI values, reflecting improved drainage conditions. This research demonstrates the effectiveness of drone-derived elevation models for proactively identifying problematic drainage areas, allowing farmers to make informed decisions regarding field maintenance. Implementing these technologies can optimize drainage management practices, enhance agricultural productivity, and increase economic viability in regions that rely on surface drainage.
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