Applying Different Vegetation Indices for Gross Primary Productivity Estimation in Soybean and Maize Based on a Modified Light-Use Efficiency Model
Notice bibliographique
Résumé
Crop gross primary productivity (GPP) represents a fundamental variable for the investigation of carbon exchange dynamics among elements within agroecosystems. The usage of light use efficiency (LUE) models based on satellite data to estimate regional field GPP is regarded as an efficacious approach. The accuracy of conventional LUE models in estimating GPP is influenced by soil temperature dynamics and subsurface moisture conditions, both of which are challenging to fully characterize. Consequently, there is a necessity to enhance the LUE for soil temperature and soil moisture. Vegetation indices have been shown to effectively capture canopy dynamics and improve the accuracy of GPP estimation, with different indices yielding varying outcomes in LUE-based models. Therefore, in this study, we proposed a modified light use efficiency (M-LUE) model and quantified the influence of soil temperature on GPP estimation. The model was evaluated in three cropland sites, each characterized by distinct crop rotation systems and irrigation strategies. In addition, we tested the performances of nine vegetation indices in estimating the GPP. The results showed that M-LUE was accurate in GPP estimation with R2 of 0.92±0.04 in maize and 0.81±0.05 in soybean. Compared to EC-LUE, M-LUE improved prediction accuracy in GPP estimation, especially for soybeans. For irrigated soybeans, the R2 of M-LUE with EVI improved by 24.4%, while for rainfed soybeans, the R2 of M-LUE with SR improved by 10.5%. In addition, the performance of the model is different between the irrigated and rainfed crops. It performed better in irrigated maize and rainfed soybean. The findings of this study demonstrate the considerable potential of the M-LUE model in the estimation of GPP for soybeans and maize.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».