Notice bibliographique
Résumé
Knowledge of in-field biomass can help optimize crop production efficiency through well-informed farm management decisions and practices. In this project, research was conducted on canopy characterization to estimate the biomass of foliage-based crops, such as vegetables and forage. Emphasis was placed on nondestructive methods, such as canopy reflectance and plant height sensing for in-season resource allocation. Two feasibility studies were described in this thesis.In the first experiment, a portable tripod system with a rotation ultrasonic proximity sensor was used to estimate the in-situ biomass of baby arugula and spinach grown on a high rotation raised plot. A calibration study was conducted in Sherrington, QC by scanning the canopy profile within 50 by 50 cm areas. A correlation model was built by relating the percentile of the measured height, or average maxima within 10o angular displacements, with manually determined biomass. The generated linear regression models produced the coefficient of determination (r2) values of up to 0.80 for arugula and 0.92 for spinach. The second experiment was conducted in the farm fields of Macdonald Campus of McGill University, located in Ste-Anne-de-Bellevue, QC. An integrated sensor system comprised of an ultrasonic proximity sensor and an active canopy sensor were tested individually and in combination to estimate fresh forage biomass. The system was conducted on a variety of alfalfa and grass/legume mixtures through: 1) stationary sensor sampling and 2) on-the-go field mapping. Calibration data were obtained by using stationary samples and the interpolation of mapped data using an inverse distance weighting (IDW) method. The r2 of 0.76 and 0.65 was found when predicting biomass using NDVI and plant height measurements, respectively. However, it was observed that each sensor has advantages and mutually they can compensate for their shortcomings. Thus, plant height was less affected by changes in the field and vegetation, and it predicted biomass at full canopy coverage. NDVI was more sensitive to changes in vegetation density and vegetation type that height measurement would not be able to take into account. As such, the combined sensor regression model explained 78% of the variability using field-specific biomass-predicting calibration models.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».