Optimization of Cotton Field Irrigation Scheduling Using the AquaCrop Model Assimilated with UAV Remote Sensing and Particle Swarm Optimization
Notice bibliographique
Résumé
In arid and semi-arid agricultural regions, the increasing frequency of extreme climatic events—particularly high temperatures and drought—has severely disrupted crop growth dynamics, leading to significant yield uncertainty and potential threats to the growing global food demand. Optimizing irrigation strategies by integrating dynamic crop growth monitoring and accurate yield estimation is essential for mitigating the adverse effects of extreme weather and promoting sustainable agricultural development. Therefore, this study conducted two consecutive years of field experiments in cotton fields to evaluate the effects of irrigation interval and drip irrigation frequency on cotton growth dynamics and yield, and to develop an optimized irrigation schedule based on the AquaCrop model assimilated with Particle Swarm Optimization (AquaCrop-PSO). The sensitivity analysis identified the canopy growth coefficient (CGC), maximum canopy cover (CCX), and canopy cover at 90% emergence (CCS) as the most influential parameters for canopy cover (CC) simulation, while the crop coefficient at full canopy (KCTRX), water productivity (WP), and CGC were most sensitive for aboveground biomass (AGB) simulation. Ridge regression models integrating multiple vegetation indices outperformed single-index models in estimating CC and AGB across different growth stages, achieving R2 values of 0.73 and 0.87, respectively. Assimilating both CC and AGB as dual-state variables significantly improved the model’s predictive accuracy for cotton yield, with R2 values of 0.96 and 0.95 in 2023 and 2024, respectively. Scenario simulations revealed that the optimal irrigation quotas for dry, normal, and wet years were 520 mm, 420 mm, and 420 mm, respectively, with a consistent irrigation interval of five days. This study provides theoretical insights and practical guidance for irrigation scheduling, yield prediction, and smart irrigation management in drip-irrigated cotton fields in Xinjiang, China.
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 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 | 0,001 |
| 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 tête enseignante, 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 ».