Automated drone-borne GPR mapping of root-zone soil moisture for precision irrigation
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
High-resolution monitoring of root-zone soil moisture is essential for optimizing irrigation in precision agriculture. This study demonstrates the potential of drone-borne Ground-Penetrating Radar (GPR) to map spatial and temporal soil moisture dynamics across an agricultural field over an entire growing season. Using the innovative gprSense® system, which combines a frequency-domain radar with full-wave inversion, we achieved precise and automated data acquisition and processing. To our knowledge, this is the first study to implement time-lapse, root-zone soil moisture mapping using drone-borne GPR combined with real-time full-wave inversion. Time-lapse mapping was conducted in a spinach field, yielding eight high-resolution soil moisture maps that captured dynamic variations driven by precipitation and irrigation. Operating in the frequency range 110–120 MHz, the system measured soil moisture down to a depth of approximately 35–40 cm, with comparisons performed using Time Domain Reflectometry (TDR) sensors and mass balance analyses. Electrical Resistivity Tomography (ERT) provided complementary data into soil electrical conductivity patterns. Results revealed strong agreement between GPR-derived soil moisture estimates and conventional methods, with spatial patterns aligning closely with predictions from Boosted Regression Tree (BRT) models. These findings demonstrate the capacity of drone-borne GPR to deliver actionable, root-zone scale insights for real-time irrigation optimization and agricultural water management. • Automated drone-borne GPR system enables time-lapse mapping of root-zone soil moisture. • Achieves 35–40 cm effective measurement depth, validated by TDR and water balance. • Combines high-resolution GPR-derived soil moisture and ERT for sub- surface insights. • Supports precision irrigation by revealing spatial and temporal moisture variability.
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