Multi-platform remote sensing of nitrogen status and leaching from agricultural fields with random forest regression approach
Notice bibliographique
Résumé
Advances in satellite- and drone-based technologies, such as increased spatio-temporal and spectral resolution, in combination with improved computational algorithms, including machine learning, have proven to be useful tools altogether in assessing crop nitrogen (N) status and facilitating precision agriculture. However, it remains challenging to accurately determine in-season crop N status and detach split fertilization from residual soil N prone to losses during (gaseous emissions) and after the growth season (leaching). We conducted a three-year potato field experiment on sandy soil in Denmark (Peng et al. 2021) and determined single-shot in-season plant N uptake (PNU), concentration (PNC) and N nutrition index (NNI; based on the critical N dilution curve). Multispectral data obtained by spaceborne- (Sentinel-2), air- (unmanned aerial vehicle, UAV) and ground (handheld Rapidscan) platforms were correlated with the measured variables, with random forest machine learning regression achieving very high prediction accuracy of < 10kg N ha-1 uncertainty. We also measured nitrate concentration in the soil solution at the end of the root zone, and these measurements showed on average consistently lower values for the split- (16-42 ppm) compared to the full (20-57 ppm) fertilization strategy, with reductions reaching 37% at the peak of the leaching season in November. The approach of accurately detecting plant N requirement and supplying fertilization accordingly, which leaves little substrate of reactive N pool in the soil during and after the growth season is promising for the smart farming industry in the struggle to limit nitrous oxide emissions and N leaching by keeping soil nitrate concentration at low levels. More work should also be done on bridging N deficiency from other abiotic stresses, especially drought, in order to further improve N application recommendation.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».