Delineation of Management Zones Based on the Agricultural Potential Concept for Potato Production Using Optical Satellite Images
Notice bibliographique
Résumé
Management zones (MZs) are a key precision agriculture strategy for managing spatial variability in crops, but conventional delineation methods are costly, time-consuming, and rely on specialized equipment. Previous studies in potato production have primarily relied on single-year NDVI or proximal soil sensor data analyses, limiting their ability to capture temporal stability and variability across multiple fields. This study addresses this gap by applying multi-year, multi-source NDVI composites to characterize spatial and temporal patterns of agricultural potential across 17 commercial potato fields at McCain’s Farm of the Future, Florenceville-Bristol, New Brunswick. A total of 230 NDVI images from Sentinel-2 and Landsat 8 (2015–2023) were processed into composite metrics (mean, standard deviation, skewness) to delineate three agricultural potential (AP) MZs. Validation was conducted using 2023 potato tuber yield and soil physicochemical properties. The results showed statistically significant correlations between NDVI metrics and key soil nutrients (total carbon: |r| < 0.19; total nitrogen: |r| < 0.28), with tuber yield (|r| < 0.41). Spatial patterns of total carbon and nitrogen corresponded with delineated MZs, and tuber yield variability partially aligned with these zones. These findings demonstrate that multi-year NDVI composites provide a cost-effective and scalable approach for mapping agricultural potential, capturing both spatial and temporal variability, and supporting data-driven management decisions in potato production systems.
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 | 0,000 |
| 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 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 ».