Irrigation de précision : un choix économique? : analyse de la pertinence de gérer les irrigations à l'aide de tensiomètres dans la culture de la fraise au Québec et en Californie
Bibliographic record
Abstract
L’analyse de la pertinence économique de l’irrigation de précision dans la culture de la fraise en plein champ, au Québec et en Californie, s’inscrit dans un contexte d’augmentation de la population et de rareté accrue de l’eau à l’échelle mondiale. Il y a donc nécessité d’améliorer les pratiques d’irrigation de façon à faire une utilisation rationnelle de l’eau. Dans un premier temps, une comparaison entre la méthode de gestion de l’irrigation conventionnelle et celle basée sur le potentiel matriciel du sol (ou tension) dans la culture de la fraise en Californie a été faite et la rentabilité de la seconde approche a été chiffrée. Puis, la pertinence économique de l’irrigation de déficit a été évaluée. Dans un deuxième temps, une analyse a permis de comparer l’irrigation fractionnée basée sur la tension dans le sol avec la pratique équivalente non fractionnée et de déterminer si le fractionnement de l’irrigation permettait d’investir dans un système d’irrigation automatisé au Québec. Les résultats de la première étude ont révélé que la gestion de l’irrigation basée sur la tension était hautement rentable par rapport à la régie conventionnelle et qu’elle était de surcroît plus économique en eau, peu importe la région en Californie. Les résultats ont aussi mis en lumière le fait que toute économie d’eau générée par une stratégie d’irrigation de déficit était coûteuse pour les producteurs de fraises. Les résultats de la deuxième étude ont quant à eux révélé que l’irrigation fractionnée permettait de générer des bénéfices additionnels par rapport à la régie non fractionnée dans un sol hautement perméable et que ces gains permettaient de rentabiliser l’investissement dans un système d’irrigation automatisé.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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 source (direct Gemma or distilled Codex), 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".