コンバイン収穫と協調したロボットトラクタによる早期稲わら鋤き込み技術 : 労働時間削減効果と翌年産水稲の収量向上効果
Notice bibliographique
Résumé
Incorporation of rice straw in the paddy soil immediately after the rice has been harvested is expected to increase the content of inorganic nitrogen in the soil by the following spring. In practice, however, rice straw is often incorporated during the winter off-season due to labor shortages during the harves. In the present study, the smart system that an unmanned robot-tractor is collaborate-operated for the incorporation of rice straw simultaneously with a combine harvester worked in nearby paddy field plot was examined. The goal of this smart system was the incorporation of rice straw as early as possible while minimizing labor needs. Using this smart system, we showed that the labor needs could be reduced by 13% compared to the local conventional system that rice straw was incorporated by man-operated tractor after rice harvest in autumn or winter. The work efficiency using this smart system was reduced because of unexpected stops made by the robot-tractor due to a malfunctioning obstacle sensor. The yields of rice produced by this smart system was 6-11% higher than that obtained by local conventional system in three rice cultivars. The inorganic nitrogen concentration in the paddy soil applied smart system was a little higher than that with local conventional system. However, there were no significant differences in both rice yield and inorganic nitrogen concentration in soil between 2 systems. These findings demonstrate that incorporation of rice straw using an unmanned robot-tractor on the same day as the rice is harvested could contribute to a reduction in labor and improvement in yield.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».