USING GPS, GIS AND AIRBORNE IMAGING TO UNDERSTAND NIAGARA TERROIR
Bibliographic record
Abstract
Cette etude a demontre que la teledetection utilisant l'imagerie aerienne multispectrale de haute definition peut etre employee pour identifier des differences utiles dans un vignoble. Des donnees au sol pour la composition de baies de Riesling pour les millesimes 2006 a 2008 ont montre qu'il y avait des differences significatives entre six parcelles composant un site de 10 hectares a Thirty Bench Vineyards (Beamsville, Ontario) et que la subdivision de certains de ces blocs en des zones a vigueur basse ou elevee etait appropriee. La division intra-parcellaire en trois zones a statut hydrique de la vigne different s'est egalement averee appropriee. Les valeurs pour un indice de vegetation, le NDVI vert, calcule a partir des donnees de reflexion du feuillage mesurees au sol a l'aide d'un spectrometre, ont montre une correspondance avec le modele des valeurs calculees a partir des images aeriennes multispectrales de haute definition pour le meme indice. Celui-ci est bien correle avec des mesures quantitatives de la vigne telles que le rendement et la vigueur, aussi bien qu'avec le potentiel hydrique foliaire et l'humidite de sol. Bien que les correlations des indices de vegetation avec des variables de composition des baies et du vin n'aient pas ete aussi fortes qu'avec la performance de la vigne, les valeurs pour le REIP, un autre indice de vegetation, ont pu etre utilisees pour prevoir les secteurs du vignoble ou l'on a observe des concentrations elevees en monoterpenes potentiels. L'etude du meme vignoble durant les millesimes 2007 et 2008 a permis de verifier les modeles de variabilite entre les parcelles et les zones intra-parcellaire. Par consequent, la variabilite spatiale a ete stable dans le temps, et les relations entre les donnees de reflexion du feuillage mesurees par teledetection et toutes les donnees mesurees au sol sont restees les memes. Nous pouvons donc conclure que l'imagerie aerienne pourrait etre employee sur un vignoble pour l'aide a la selection et a la determination de zones pour la production de petits lots de vin.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".